Machine Learning não é mágica!
Machine Learning ou aprendizado de máquina é um dos assuntos mais comentados ultimamente, alvo dos filmes de ficção científica, das redes sociais, da galera high tech e a grande maioria das empresas quer utilizar. Por estar tanto na mídia, muitas informações erradas são disseminadas. Mas, afinal, o que é Machine learning?
Para começar, o termo Machine learning existe desde 1959, criado por Arthur Lee Samuel, um cientista da computação americano. Na época, Lee Samuel definiu como “ campo de estudo que dá aos computadores a habilidade de aprender sem ser explicitamente programado”. Inclusive um de seus maiores trabalhos em Machine learning intitulado como “Some Studies in Machine Learning Using the Game of Checkers”, publicado em julho de 1959, foi a aplicação de Machine learning no famoso jogo de damas.
Desfazendo um dos mitos sobre Machine Learning: não é mágica, mas sim um subcampo da Ciência da Computação que estuda técnicas de aprendizagem e reconhecimento de padrões em computação, ou seja, o software vai aprender ao invés do desenvolvedor(a) ter que colocar as regras no código. Assim como uma criança aprende o que é uma cadeira, através de uma série de características que ela detecta no objeto, o sistema computacional vai detectar estas características através de muitos exemplos que são passados para ele e reconhecer algum padrão.
De forma bem simplista, um sistema de Machine learning recebe entradas, realizada algum tipo de processamento e retorna as regras. Mas toda técnica de Machine learning possui algum conceito matemático como base. Por isso é indispensável conhecimento em álgebra, estatística e cálculo para desenvolvimento deste tipo de sistema. Além disso, este processamento ou treinamento tem como objetivo convergir para algum ponto, ou seja, reconhecer algum padrão, mas para isso precisa diminuir a taxa de erros para obter a melhor acurácia possível, assim como o processo de aprendizado do cérebro humano.
Desenvolver soluções em Machine learning é diferente da programação Tradicional, o intuito não é passar as regras no código, mas sim, exemplos, como já foi mencionado. A ideia é que muitos dados sejam passados com ou sem as respostas para que o computador possa detectar os padrões. Essa diferença de passar ou não as respostas como entrada geram dois tipos de aprendizado: supervisionado e não supervisionado (vai ficar para outro post).
Mas por que Machine learning ficou tão famosa de uns anos para cá? O crescimento do Big data. Antes tínhamos as técnicas, mas não tínhamos dados e capacidade de processamento. Com o advento do Big data (volume, velocidade e variedade), a quantidade de dados para treinamento cresceu de forma vertiginosa e junto com ela capacidade de processamento, inclusive com toda a infraestrutura em nuvem.
Acho que já tivemos muitas explicações agora, esse é o primeiro de uma série de posts sobre Machine learning. A ideia é simplificar e passar informações para que todos possam ter conhecimento na área, mesmo que não trabalhem com ela. E novamente, frisem esta frase, Machine learning é ciência e não mágica!
