Nathalia Criscito
  • Inteligência Artificial

*Nathália Criscito é analista Sênior de Privacidade e Proteção de Dados na TIVIT

 

É muito provável que sua empresa já utilize machine learning em vários processos. Essa tendência tecnológica hoje chega a empresas de todos os portes e segmentos, e há um potencial imenso para usar o aprendizado de máquina para automatizar tarefas repetitivas e facilitar o dia a dia de profissionais.

Um dos mitos difundidos nos últimos anos é que a Inteligência Artificial pode substituir completamente o trabalho humano pelo aprendizado de máquina, mas isso só é parcialmente verdade.

O Machine Learning ainda está limitado às bases de conhecimento fornecidas por humanos, e deve automatizar principalmente tarefas burocráticas e repetitivas.

 

O que é Machine Learning?

 

O que popularmente hoje chamamos de Machine Learning é um termo da língua inglesa que faz referência a tecnologia conhecida no Brasil como “aprendizado de máquina”.

Esta modalidade é um dos recursos decorrentes da inteligência artificial baseada no aprendizado estatístico.

A inovação trazida por essa tecnologia, em comparação com os softwares tradicionais, baseados no conhecimento que precisava ser codificado, é de que não se faz necessário criar nessa modalidade um conjunto prévio de regras (conhecimento) para que seja possível obter respostas e ações programadas, ao contrário, é o sistema que cria as próprias regras a partir da análise de dados para se chegar a um resultado (aprendizado).

Machine Learning

À medida que mais dados são inseridos, maior o número de referências e possibilidades de criação de padrões de ações e respostas. Ou seja, a capacidade que um sistema de machine learning pode atingir está diretamente relacionada a quantidade de informações de que é alimentado.

Um exemplo prático seriam os atendimentos virtuais que hoje dominam a maior a parte dos canais de atendimento ao consumidor.

Isso porque, apesar de ainda apresentar muitas falhas, esta modalidade de atendimento vem se aproximando cada vez mais da capacidade humana de dialogar com o público.

Quanto mais diálogos o sistema recebe, maior o leque de erros e acertos e, por consequência, melhor a qualidade de padrão de respostas que passa a utilizar.

Continue lendo para saber mais sobre o que é Machine Learing, os tipos de aprendizado de máquina e como são aplicados.

 

Quais são os tipos de Machine Learning?

 

Há diferentes tipos de aprendizado de máquina, e eles podem ter maior ou menor interferência humana. Confira:

Aprendizado supervisionado

Nesta modalidade, parte-se de um banco de dados específico do qual se quer extrair um resultado de classificação.

Ou seja, o sistema é alimentado com informações para que aprenda sozinho a reconhecer um determinado objeto através de características que ele mesmo classificará como padrão de elementos chaves para chegar a essa conclusão. 

Por exemplo, é preciso uma ação humana para inserir semelhanças em um banco de dados que ensinará o sistema a reconhecer um veículo.

Assim, cor, modelo, tamanho, e marca podem variar, mas o sistema aprende que um carro possui pneus, motor, volante, entre outros elementos comuns e cria sua própria inteligência para identificar os diversos tipos de veículos que existem.

Imagem ilustrativa de sistema de aprendizado de máquina que aprende a identificar carros.

A Amazon e o Walmart dos Estados Unidos, por exemplo, têm apostado nessa modalidade de IA para otimizar na tarefa de reposição de estoques.

Essas empresas já utilizam câmeras identificam os produtos que estão acabando nas prateleiras ao invés de depender de um estoquista para monitorar esse estoque. Porém,  essa tecnologia ainda apresenta muitos erros e um custo maior do que a mão de obra humana, por isso ainda encontra-se em desenvolvimento.

Aprendizado não-supervisionado

O aprendizado não supervisionado é a modalidade que desenvolve seu aprendizado sem que haja a interferência humana na indicação de modelos e padrões.

Assim, a IA é utilizada dessa forma para os casos em que apesar de existir um banco de dados, não se sabe ainda qual o melhor padrão a ser utilizado para se chegar a um resultado.

Ou seja, nessa modalidade, os dados ainda não foram rotulados, classificados ou categorizados previamente.

Por conta disso, o aprendizado não supervisionado identifica semelhanças nos dados e reage com base na presença ou ausência de tais semelhanças em cada novo padrão, criando, assim, os modelos melhores atendem a um objetivo.

Como não há uma referência (ou critério específico) para o modelo seguir, define-se que esse aprendizado é não supervisionado.

Um exemplo prático de como esta modalidade pode ser útil é, por exemplo, quando um comércio precisa entender o perfil de seus consumidores para otimizar seu potencial de vendas.

Pode haver um perfil de consumidor que sempre compra chocolates e bolachas ou que compra cerveja e petiscos.

Se esse for o caso, a forma com que o comércio distribuirá esses produtos pelo estabelecimento pode aumentar vendas e o aprendizado não supervisionado pode auxiliar na identificação dos padrões necessários para alcançar esse objetivo.

 

Aprendizado por reforço

A Aprendizagem Por Reforço, ou Reinforcement Learning,  é a modalidade de Machine Learning que tem como base o treinamento de modelos de aprendizado a serem relacionados a uma sequência de respostas.

O método utilizado aqui é o de tentativa e erro. Ou seja, a IA aprenderá a partir de experiências adquiridas no decorrer de seu funcionamento. Assim, recebe recompensas ou penalidades pelas ações que executa.

Perceba que, nessa modalidade, a IA não recebe qualquer conjunto de regras prévias para orientá-la sobre como se desenvolver ou de onde partir para atingir um determinado objetivo.

Esse entendimento é criado unicamente a partir do recebimento das recompensas mencionadas, o que a faz criar um padrão de comportamento autônomo que a possibilite atingir o maior número de recompensas possíveis.

 

 

Saiba mais sobre aprendizado de máquina

 

Quer saber mais sobre o uso de inteigência artificial aplicada? Leia nosso artigo sobre o uso de Reinforcement Learning em chatbots conversacionais. 

Receba nossas novidades