A inteligência artificial permite a automação em diversos setores – na mobilidade, com os carros autônomos; no mercado financeiro, com a recomendação de produtos e taxas mais acessíveis de acordo com o histórico do cliente; na saúde, com o reconhecimento de imagens para sugestão de diagnósticos. Independente do setor, algo é essencial: o aprendizado de máquina.
Também chamada de machine learning, a iniciativa é um ramo da inteligência artificial em que os sistemas aprendem padrões a partir da análise milhões de dados. O objetivo é que essa tecnologia se torne capaz de tomar decisões sozinha ou com o mínimo de intervenção humana. O aprendizado de máquina é realizado de três formas: supervisionada, não supervisionada e de reforço.
De acordo com o especialista Steven Choi, as máquinas passam por três tipos de aprendizado: supervisionado, não supervisionado e de reforço:
O aprendizado supervisionado
O aprendizado supervisionado é baseado na regressão básica e classificação. O humano fornece um banco de dados e ensina a máquina a reconhecer o que é uma bicicleta, por exemplo, entre padrões e semelhanças. A cor e tamanho pode variar, mas a máquina aprende que uma bicicleta possui pedais, duas rodas, guidão e outros elementos-chave.
“O aprendizado a partir de um conjunto de dados pode induzir um viés — as máquinas podem repetir preconceitos humanos. Já teve caso de uma máquina dizer que um homem negro era um gorila porque o banco de dados analisado não tinha diversidade étnica. A ciência de dados é muito importante, porque a forma como você estabelece os dados é o que define os resultados”, conta Steven Choi, líder de produto na Olivia AI
O aprendizado não supervisionado
De acordo com Choi, que também foi líder de produto na divisão de carros autônomos da Uber, o aprendizado não supervisionado é a forma menos utilizada pelas empresas. Isso porque a máquina começa a analisar, sozinha, os dados e a identificar os padrões — aprendendo a separar o que é uma lata de uma garrafa, por exemplo. Como é a máquina aprendendo por si só conceitos que nunca viu antes, o processo é mais demorado e, portanto, não tão popular.
Um exemplo do aprendizado não supervisionado na prática são os “matchs” (combinações) em aplicativos como o Tinder e sugestões de conexões no LinkedIn. As companhias não acompanham os resultados do algoritmo.
O aprendizado reforçado
O aprendizado reforçado é semelhante ao que nós, humanos, temos quando somos crianças. “Todos nós passamos pelo reforço de aprendizado – quando você começou a engatinhar e tentou se levantar, caiu várias vezes, mas seus pais estavam ali para te erguer e ensinar”, comentou Choi. É o ensinamento com base na experiência, em que a máquina deve lidar com o que errou antes e procurar a abordagem correta.
Um exemplo do aprendizado reforçado é a recomendação no Youtube, por exemplo. Após assistir um vídeo, a plataforma irá te mostrar títulos semelhantes que acredita que você também irá gostar. No entanto, se você começa a assistir o recomendado e não o termina, a máquina entende que a recomendação não foi boa e irá tentar outra abordagem da próxima vez.
Fonte: StartSe