O que é Machine Learning? Tecnologia permite 'adivinhar' o que você quer

Tudo sobre inteligência artificial: 10 fatos que você precisa saber

A área tem aplicações cada vez mais cotidianas com a sofisticação dos apps para celular. Sugestões de filme no Netflix e músicas no Spotify, assim como rotas alternativas no Google Maps e Waze caracterizam os empregos privados dessa tecnologia frente às dicas sobre o comportamento de compra de clientes e câmeras de vigilância pública com reconhecimento facial.

Com Machine Learningé possível aumentar a capacidade humana de resolver problemas e se antecipar a riscos, com base nos resultados levantados pelos programas. Isso se aplica em questões relativas ao Big Data, ou seja, o grande conjunto de dados armazenados, no qual a Aprendizagem de Máquinas têm sido a técnica-chave para solucionar demandas. Os usos vão desde diagnósticos médicos, previsões do tempo e identificação de mudanças climáticas até análises e deduções sobre o mercado de ações.

A Inteligência Artificial é uma área de estudos desenvolvida na década de 1950, que propõe programas de computador com níveis de comunicação e respostas bem-sucedidas, em simulação das interações intelectuais. Além disso, o tema ainda tem o objetivo de criar modelos de conhecimentos que deem respostas automáticas com base na análise de dados e observação dos usuários.

Já o Machine Learning, como dito anteriormente, pode ser considerado um subcampo da ciência na qual a Inteligência Artificial está. No entanto, sua especificidade se baseia no conhecimento adquirido por computadores, o que possibilita a anteceipação de fatos e comportamentos de acordo com padrõesdos usuários identificados anteriormente.

Assim, a Aprendizagem de Máquinas pode ser considerada como uma parte importante da Inteligência Artificial, pois melhora a experiência adquirida pelo computador. Desta forma, programas podem ser aprimorados mais rápido com técnicas que vão desde reconhecimento de rostos ou textos manuscritos, até a identificação temáticas de fotos em uma galeria de imagens ou a tradução simultânea de placas e cardápios com a câmera do celular.

Essas inovações são consequências diretas do aperfeiçoamento da assimilação e classificação de dados pelo Machine Learning. Tais benefícios tecnológicos estão diretamente ligados ao processamento de grandes volumes de dados por computadores, ao invés de instruções programadas, linha a linha, em linguagem de programação.

A programação de Machine Learning se subdivide em Aprendizagem Supervisionada e Aprendizagem Não-supervisionada. A primeira estabelece modelos de entrada de dados conhecidos e saída de previsões, enquanto a segunda identifica padrões e estruturas ocultas na entrada de dados.

A Aprendizagem Supervisionada determina um algoritmo de aprendizagem a partir de um conjunto de dados conhecidos para, assim, classificar as informações. Além disso, em paralelo a esse sistema de categorização, o sistema ainda pode recordar entradas de dados anteriores para fazer previsões e deduções fundamentadas nos grupos de informações já incorporados.

O Aprendizado Não-supervisionado se refere à programação que encontra padrões escondidos ou estruturas especiais nos dados. Também chamada de "Clustering", essa especificação permite construir estimativas para informações complexas e sem registros no sistema, pois o cruzamento das respostas mais bem-sucedidas configura a condição de "conhecimento" da máquina.

Assim, Machine Learning tem procedimentos internos que caracterizam o processamento de elementos. Por exemplo, o Aprendizado Supervisionado garante que o e-mail reconheça mensagens do tipo spam, enquanto o Aprendizado Não-supervisionado viabiliza o uso da nova Resposta Inteligente no Gmail.

Muitos softwares usados cotidianamente contam com tecnologia de Aprendizagem de Máquina. Os aprimoramentos contínuos de apps de e-mail, navegação por GPS e até browsers oferecem melhorias adaptadas ao usuário, de acordo com os costumes, o modo de escrever e o histórico de navegação.

As inovações influenciam na criação dos "Filtros-Bolha", com informações selecionadas de acordo com gostos do usuário. Também existem programas com objetivos nobres e altruístas, como é o caso do TensorFlow, plataforma aberta de Machine Learning do Google Tradutor. Ela é utilizada em projetos de pesquisa para rastrear animais em risco de extinção ou diagnosticar doenças oculares em diabéticos.

Outros apps tem funcionalidades mais particulares, como o Google Play Music, com recomendações para tocar de acordo com o clima ou a hora do dia. Ou o Google Maps que, além reconhecer nomes de ruas e endereços de bilhões de imagens do Street View, leva em consideração as rotas de trânsito e a disponibilidade de estacionamento em regiões das cidades, conforme o horário.

O Google I/O, evento anual com novidades da companhia, apresentou uma série de inovações para aprimorar a personalização e otimização do uso de smartphones com Android. Outro exemplo da utilização de Aprendizado de Máquina são os projetos de bots junto a mensageiros e redes sociais, para auxiliar na checagem de dados e orientar aos usuários sobre como navegar na Internet de forma segura e responsável, a fim de evitar a difusão de notícias falsas. O Facebook anunciou, em janeiro, apoio a projetos de combate a fake news no Brasil com o uso dessa tecnologia.

Dúvidas sobre Aprendizado de Máquina ou Inteligência Artificial? Pergunte no Fórum do TechTudo.