IA: Machine Learning e Deep Learning
Não confunda programação tradicional e aprendizado de máquina, cada um tem seu valor.
Escrito por Adriano Moala.
Essas duas nomenclaturas englobam um grande conjunto de algoritmos, machine learning que vem se desenvolvendo desde a década de 1980 e deep learning desde a década de 2010.
Em 1997, quando Deep Blue, desenvolvido pela IBM, venceu o desafio contra o Kasparov, aquele algoritmo, em essência, simulava diversas jogadas à frente e avaliava qual delas seria a mais segura e recompensadora, incorporando também jogadas conhecidas. Segundo a IBM, o supercomputador conseguia avaliar até 200 milhões de posições por segundo.
Esse tipo de estrutura é uma inteligência artificial (IA) por realizar uma tarefa considerada humana e também por se adaptar a novas situações. Considere ainda que esse ambiente é bastante controlado. De toda forma, essa IA não é classificada como aprendizado de máquina porque o algoritmo não aprendeu a jogar, ele recebeu um conjunto de regras e as seguiu explorando o limite da sua enorme capacidade de processamento.
Já a estratégia da Deep Mind com o AlphaGo foi diferente, simplificadamente os pesquisadores apresentaram diversas jogadas e o algoritmo deveria generalizar esse conhecimento, dessa forma o aprendizado foi baseado justamente nos dados.
Um algoritmo de aprendizado de máquina ou profundo é utilizado quando você tem que tomar uma decisão e tem dados para isso.
Um breve comentário, ainda noto certa confusão quando é feita uma comparação entre programação tradicional e aprendizado de máquina. No primeiro caso as regras são definidas pelo programador, já no segundo caso é o algoritmo que aprende as regras. Mas, não podemos confundir o tipo de programação. Para programar um aplicativo que precisa salvar uma foto a estrutura de código é direta, o mesmo vale para programar uma página web ou um sistema que conecta diversos bancos de dados.
Agora, quando falamos que a máquina aprende as regras, isso se refere a um problema de decisão em que você tem a pergunta: “o que fazer quando isso acontece?”. Por exemplo, quando tenho informações de certos atributos qual seria a probabilidade de ser uma fraude? Se você tem poucos atributos é até possível criar algumas regras manuais, mas certamente isso não estará otimizado, você não tomará a melhor decisão. E aí, entra o aprendizado de máquina: “como devo ponderar essas informações para que meu erro de decisão seja o menor possível?”.
Em geral, métodos de aprendizado de máquina têm sido muito úteis para problemas chamados tabulares, ou seja, aqueles cujos dados são organizados na forma de uma planilha. Já os algoritmos de aprendizado profundo têm se destacado com problemas ligados ao processamento de imagens, áudios e textos.
No caso dos algoritmos de aprendizado profundo utiliza-se como base uma estrutura matemática chamada rede neural, o nome profundo vem do mecanismo de receber uma informação e passá-la adiante para camadas seguintes, como a comunicação entre neurônios, formando uma rede neural profunda.
Sempre vale lembrar que não existe consciência, apenas uma calculadora matemática muito bem elaborada. A figura acima ilustra como a informação é processada da esquerda para a direita com diversos operadores para o processamento de imagens.
Para concluir deixo a mensagem resumida de Kasparov: “não tema máquinas inteligentes, trabalhe com elas. O triunfo delas é o triunfo da humanidade.”.
