Machine Learning: entendendo a evolução dos algoritmos

---

Machine Learning ou Aprendizado de Máquina é uma área da ciência da computação que estuda como um computador pode exercer funções de forma mais natural possível, sem que pareça que foi explicitamente programado para isso. De forma simples, os algoritmos de Machine Learning permitem que os computadores tomem decisões inteligentes baseado em comportamento que não foi diretamente programado, mas sim aprendido ou adaptado por meio de algum conhecimento.

A abordagem de Machine Learning tem como benchmarking os próprios seres humanos (e também alguns animais). Como fazer com que máquinas possam pensar, raciocinar e aprender sozinhas. Podemos definir que os sistemas computacionais que não são baseados em inteligência artificial ou em aprendizado de máquina, são sistemas que obedecem a fluxos pré-definidos, como se tivéssemos feito uma criança decorar como se conta de 1 a 100 no lugar de aprender regras básicas da matemática.

Podemos afirmar que o desenvolvimento de software, quando comparado à década de 80, se popularizou com a evolução das linguagens de programação de baixo para alto nível, no surgimento de diversas IDEs (interfaces para desenvolvimento), frameworks, conceitos de orientação à objetos, e novas ferramentas para auxiliar programadores na construção de seus aplicativos.

Todavia, estes aplicativos, em sua grande maioria, eram capazes de reproduzir exatamente àquilo que foram propostos e programados, não conseguindo criar novos insights e nem reagindo de maneira diferente à sua programação. Tudo isto agora, parece estar mudando rapidamente com Machine Learning.

Machine Learning no dia a dia

O Machine Learning já está presente no nosso dia a dia. Quando você posta uma foto no Facebook e ele reconhece quem está na foto e sugere uma “marcação” ou toda vez que o filtro de spam do seu email filtra milhares de mensagens indesejadas, é graças a um algoritmo de aprendizado. A Amazon, Netflix ou Spotfy só conseguem recomendar produtos, filmes ou músicas customizadas pra você porque aprendeu suas preferências.

O aplicativo Waze, que ajuda você a sair dos congestionamentos e economizar tempo, aprende em tempo real com os próprios usuários quais são os melhores caminhos. Existe também um algoritmo que prevê com 75 por cento de precisão o atraso ou cancelamento de um voo por causa de condições climáticas.

Há muitas outras aplicações práticas onde Machine Learning já vem sendo aplicada. No mercado financeiro, milhares de operações em ações e derivativos já são realizados tomando como base o aprendizado de máquina para realizar estas operações. O campo de avaliação de crédito também já utiliza amplamente Machine Learning. Quando alguém ou uma empresa solicita crédito, algoritmos complexos podem avaliar se as características do tomador de crédito, quando comparado a um grupo de clientes com as mesmas características, honraram ou não os pagamentos.

Não poderíamos deixar de comentar ainda dos carros autônomos da Google e da Uber que já estão circulando em algumas cidades, embora em prova de conceito, mas já gera insights reais para o mundo sobre a aplicação de machine learning, inteligência artificial e robótica.

2 principais tipos de Machine learning

Supervisionado

Aproximadamente 70% do aprendizado vem do supervisionado. Nesta aprendizagem, acontece o seguinte: o programa é treinado sobre dados pré-definidos, aprende o que precisa e toma decisões inteligentes quando recebe novos dados. Depois de treinado, o algoritmo deve ser capaz de prever resultados de novos exemplos e assim aumentar a eficácia cada vez mais com novos exemplos, como perceber se um email é spam ou não.

Uma aplicação prática para Machine Learning supervisionado é a análise de compra e venda de ações. O aprendizado é realizado com dados históricos esperando que a máquina consiga reproduzir um cenário de acerto para dados e cenários futuros.

Não supervisionado

Diferente do supervisionado, nessa abordagem, o algoritmo não recebe um conjunto de dados prévio para “aprender” a mapear, ou seja, o sistema não sabe a resposta certa. Neste caso, dado um conjunto de dados, o programa pode automaticamente encontrar padrões e relações de conjunto. As empresas podem agrupar diferentes grupos, segmentar e fazer ações de marketing específicas, por exemplo.

Uma aplicação prática para Machine Learning não supervisionado é quando o seu leitor de email, sem ser treinado com os seus e-mails, consegue ter insights e agrupar os e-mails sobre temas semelhantes.

Quais tecnologias já estão disponíveis?

Aplicações baseadas em inteligência artificial e Machine Learning já são exploradas em ambientes acadêmicos há algumas décadas. Todavia estas tecnologias eram pouco exploradas em aplicações comerciais, uma vez que ainda eram embrionárias. Porém, este cenário começou a mudar quando a IBM lançou em 2011 o seu supercomputador Watson de computação cognitiva.

De lá para cá, a IBM transformou a tecnologia cognitiva em um dos seus principais serviços. Outros gigantes do mundo da tecnologia também estão avançando no desenvolvimento de tecnologias que possam ser disponibilizadas às empresas e sociedade, como a Amazon, Google e Microsoft.

Amazon: tem investido fortemente em seu projeto conhecido como Alexa, com um grande foco em reconhecimento de voz. Ford e GE já anunciaram que passarão a adotar a tecnologia para comando de voz. A Ford adotará a tecnologia em seus carros e a GE em diversos eletrodomésticos.

Microsoft: um dos principais projetos da Microsoft em 2016 é a sua plataforma LUIS.AI (Language Understanding Intelligent Service). O LUIS é um conjunto de APIs que a Microsoft tem disponibilizado, ainda em modo preview, para facilitar a interação entre homem e máquina.

Google: o principal projeto do Google para inteligência artificial é o Deepmind, uma empresa adquirida por cerca de US$ 500 milhões. Os principais projetos da Deepmind são orientados a jogos, simuladores e e-commerce.

Além destes players, diversos outros provedores de tecnologia e prestadores de serviços começam a adotar Machine Learning em suas atividades. As principais redes sociais do mundo já permitem que robôs sejam integrados aos seus serviços de mensageria, como Facebook, MyPush, Telegram e outros.

A Cedro Technologies surgiu de uma pesquisa originária em redes neurais para o mercado financeiro e atualmente mantém um grupo de estudo, pesquisa e desenvolvimento para implementação de machine learning para seus clientes, sobretudo tecnologias para chatbot.

 

Você quer adotar tecnologia cognitiva em seus projetos ou criar robôs de chatbot? Converse com os especialistas da Cedro sobre como explorar mais estas tecnologias.