Inteligência Artificial, Machine Learning ou Deep Learning?

Atualmente o termo Inteligência Artificial está presente em diversas mídias e a cada momento se usa uma terminologia diferente para se referir às aplicações cognitivas realizadas pelos computadores. Mas afinal, quais os conceitos envolvidos quando se fala em Inteligência Artificial, Machine Learning e Deep Learning? Para sabermos as definições de cada terminologia, precisamos comentar sobre cada uma destas áreas e suas aplicações.

Inteligência Artificial

“O estudo de como os computadores podem fazer tarefas que hoje são melhor desempenhadas pelas pessoas.” — Rich and Knight, 1991.

Podemos considerar que a área de Inteligência Artificial é a ciência que busca construir mecanismos que consigam realizar funções cognitivas, até antes reservadas somente para humanos. Os sistemas desenvolvidos nesta área buscam disponibilizar agentes de interação natural com humanos capazes de capturar comportamentos e buscar padrões cada vez mais precisos. Quanto mais se interaje com um sistema de IA, mais ele a ssimila novos conhecimentos e consegue generalizá-los para tomar decisões em cenários antes não vividos, no entanto reconstruído como uma integralização de diversas condições similares e grande volume de simulações.

Um bom exemplo de aplicação são os agentes inteligentes para jogos como o Deep Blue que derrotou Garry Kasparov em 1997 ou o desafio AlphaGO, onde um sistema da Google conseguiu vencer humanos em um dos jogos mais complexos do mundo por ter grande componente intuitva. Apesar desta área incorporar as demais citadas a seguir, refere-se muito este termo para soluções que usam intensamente b uscas heurísticas e grafos de conhecimento.

Machine Learning

“O campo da Ciência da Computação que dá aos computadores a habilidade de aprender sem terem sidos especificamente programados.” — Rich and Knight, 1991

A área de Machine Learning está situada dentro o domínio da Inteligência Artificial. Nesta área estão concentradas as técnicas de aprendizado de máquinas que são algoritmos capazes de extrair conhecimento a partir de grandes bases de dados. Estes algoritmos precisam ser parametrizados para maximizar sua performance de assimilação de conhecimento e realização da tarefa desejada. Foi a terminologia utilizada no início do desenvolvimento das Redes Neurais Artificiais, a tecnologia mais utilizada neste contexto. Podemos visualizar as Redes Neurais Artificiais como funções matemáticas complexas que são obtidas por meio de regressões estatísticas durante o processo chamado de treinamento destas estruturas matemáticas sob o paradigma de aprendizado supervisionado.

Estes algoritmos exigem uma participação maior de especialistas para o dimensionamento destas estruturas e na extração de “ features” das informações disponíveis para a construção destes sistemas. O que não é a proposta da família de tecnologias de Deep Learning, onde se propõe uma maior independência do trabalho de profissionais.

Para melhor ilustrar essa denominação, serão apresentadas a seguir as aplicações mais comuns de Machine Learning.

Clusterização

Considerando o mercado de e-commerce onde milhares de consumidores visitam periodicamente os marketplaces em busca de novos produtos, podemos considerar que existem perfis de pessoas que são semelhantes e que buscam geralmente um mesmo estilo de produtos. Suponha que seja interessante agrupar estas pessoas em grupos (ou “clusters”) para que ao identificar um consumidor desta classe, o site possa recomendar produtos que tenham afinidade com esta audiência. Uma técnica conhecida também como segmentação de clientes dentro do Marketing, só que neste contexto essa segmentação é realizada automaticamente pelos sistemas de Machine Learning.

Os algoritmos são capazes de observar estes dados de navegação, características demográficas, tendências mercadológicas e agrupar automaticamente consumidores em agrupamentos (“ clusters “) de mesmo perfil comportamental. Sabendo a qual cluster mais se assemelha ao visitante do site é possível ser mais assertivo na recomendação de novos produtos, envio de campanhas por e-mails e redes sociais.

Classificação

Novos dispositivos já contemplam a funcionalidade de reconhecimento facial de seus usuários. Assim como os aplicativos de gerenciamento de fotos ou redes sociais que identificam indivíduos e objetos em fotografias. A tarefa de classificação consiste em observar um registro e atribuir o mesmo a uma classe pré-definida. Diferentemente da clusterização, onde os agrupamentos não possuem uma identificação (basta saber que um registro é parecido com outro), a classificação necessita de uma determinação a priori das classes existentes. Em nosso exemplo, cada pessoa pode corresponder a uma classe pré-determinada. O importante é que essas classes sejam reconhecidas mesmo em fotografias nunca antes observadas durante o treinamento do sistema.

A partir de registros, como por exemplos imagens ou sons, é possível identificar se os mesmos pertencem a alguma classe já conhecida e atribuí-la corretamente. Seja para reconhecer se é você mesmo que está de frente a câmera de seu celular ou se é você que está chamando pela Alexa, os sistemas de Machine Learning são muito assertivos.

Regressão

O mercado financeiro atua com a análise frequente de séries temporais que refletem condições mercadológicas em índices ao longo do tempo. Alguns padrões comportamentais destes gráficos temporais se repetem em maior ou menor similaridade em função das condições do mercado.

A tarefa de regressão realizada por técnicas de aprendizado de máquinas é capaz de observar várias amostras destas séries temporais e buscar similaridades da situação atual com o histórico com o objetivo de antecipar os próximos valores com certa assertividade.

Diversas aplicações com preditores de séries temporais estão presentes em produtos para o mercado financeiro ou outras aplicações industriais para controle de processos, onde é possível estimar o próximo valor de uma determinada informação a partir de variáveis relacionadas e o seu histórico de operação.

Deep Learning

“ or most flavors of the old generations of learning algorithms … performance will plateau. … Deep Learning … is the first class of algorithms … that is scalable. … performance just keeps getting better as you feed them more data “ — Andrew Ng (Coursera and Baidu Research)

Deep Learning ou Aprendizado Profundo é um ramo da área de Machine Learning que possui algoritmos e estruturas de dados mais evoluídas que as técnicas anteriores que minimiza a intervenção de profissionais no projeto destes sistemas e possibilita melhores desempenhos na extração de informações em grandes bases de dados. As aplicações da área de Deep Learning são similares aos exemplos abordados no tópico sobre Machine Learning, se diferenciando somente pelas ferramentas e formas de se realizar a extração do conhecimento a partir de conjuntos de dados.

Por serem tecnologias com grande facilidade de tratar grandes volumes de dados, estas técnicas tem se destacado muito em tarefas de Processamento de Linguagem Natural, Processamento de Imagens, Vídeos e Áudios. Atualmente estas tecnologias são aplicadas em soluções de tradução entre idiomas, síntese de fala e veículos autônomos por serem problemas de altíssima complexidade e grande volume de informação a ser processado.

Resumindo

A área de Inteligência Artificial corresponde a um universo bem maior de tecnologias que se assemelham a funções cognitivas humanas que inclui o domínio das áreas de Machine Learning e Deep Learning, como no esquemático abaixo:

Créditos da imagem: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

Agora podemos utilizar a terminologia de maneira correta em função de cada tecnologia aplicada aos mais diversos problemas da atualidade. Se quiser saber mais informações sobre estes temas, não deixe de visitar sempre o nosso blog! Bons negócios!

Cŕeditos de imagem: www.freepik.com

Originally published at https://www.cognas.ai.