Machine Learning \u00e9 um subconjunto da Intelig\u00eancia Artificial que trabalha com dados e algoritmos para melhorar a capacidade da IA de imitar a forma como os humanos aprendem. Machine Learning se intersecta estreitamente com Deep Learning, seu subconjunto, que exploramos em outro artigo. Com o tempo, cientistas da computa\u00e7\u00e3o podem treinar modelos de Machine Learning para aumentar sua precis\u00e3o. Os algoritmos de Machine Learning formam a base dos sistemas de Machine Learning, que por sua vez determinam o tipo de modelo que produzem. Na vida cotidiana, Machine Learning produziu tecnologias de reconhecimento de fala, chatbots online e mecanismos de recomenda\u00e7\u00e3o determinados algoritmicamente. O potencial do Machine Learning para moldar um novo paradigma de viver e trabalhar em uma sociedade tecnologicamente habilitada levanta quest\u00f5es \u00e9ticas sobre privacidade, vi\u00e9s e responsabilidade, que exploraremos no artigo seguinte. <\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
Machine Learning \u00e9 um subconjunto da IA e opera em um contexto mais restrito do que a IA geral. Por sua vez, Deep Learning \u00e9 um subconjunto de Machine Learning. Como vemos em um artigo relacionado sobre Deep Learning, o que distingue Machine Learning e Deep Learning um do outro \u00e9 que Deep Learning envolve pelo menos tr\u00eas camadas de redes neurais, que s\u00e3o Modelos de Machine Learning projetados para espelhar as vias neuronais do c\u00e9rebro humano e os processos de tomada de decis\u00e3o por predi\u00e7\u00e3o. <\/p>\n
<\/p>\n
<\/p>\n
Os algoritmos de Machine Learning consistem em tr\u00eas partes principais. Primeiramente, os algoritmos de Machine Learning recebem dados de entrada e escaneiam os padr\u00f5es que eles formam para informar uma predi\u00e7\u00e3o. Uma fun\u00e7\u00e3o de erro de um algoritmo de Machine Learning pode ent\u00e3o comparar a predi\u00e7\u00e3o que gerou com quaisquer exemplos conhecidos, avaliando assim a precis\u00e3o do modelo. Finalmente, o algoritmo se ajusta aos pontos de dados no conjunto de treinamento, a fim de alinhar a predi\u00e7\u00e3o do modelo mais estreitamente com o exemplo conhecido. Um ciclo iterativo pode ent\u00e3o resultar desse processo inicial, produzindo uma otimiza\u00e7\u00e3o do modelo que alcan\u00e7ar\u00e1 incrementalmente um limiar de precis\u00e3o. Consideraremos agora v\u00e1rios modelos de Machine Learning envolvidos neste processo de otimiza\u00e7\u00e3o de modelo: <\/p>\n
<\/p>\n
<\/p>\n
1. M\u00e9todos de aprendizado supervisionado<\/strong> <\/p>\n <\/p>\n 2. M\u00e9todos de aprendizado n\u00e3o supervisionado<\/strong> <\/p>\n <\/p>\n 3. M\u00e9todos de aprendizado semissupervisionado<\/strong> <\/p>\n <\/p>\n 4. M\u00e9todos de aprendizado por refor\u00e7o<\/strong> <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Aplica\u00e7\u00f5es comuns de Machine Learning na vida cotidiana est\u00e3o em ambientes baseados em linguagem, onde modelos de linguagem podem transformar sinais de fala em comandos, incluindo em tecnologias de reconhecimento de fala como Siri, ou assistentes pessoais virtuais como Alexa da Amazon. Em ambos esses contextos, o processamento de linguagem natural (NLP) combina um modelo baseado em regras da linguagem humana com modelos de Machine Learning. Outro exemplo da vida real de Machine Learning \u00e9 o uso de mecanismos de recomenda\u00e7\u00e3o orientados por dados que descobrem o comportamento do consumidor para impulsionar modelos preditivos. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n O reconhecimento de fala, tamb\u00e9m conhecido como Reconhecimento Autom\u00e1tico de Fala (ASR), fala-para-texto ou reconhecimento de fala por computador, aproveita as capacidades de NLP para transformar a fala humana em um formato escrito. Dispositivos m\u00f3veis e tablets frequentemente incorporam ASR em seus sistemas, como Siri ou Google Assistant. As fun\u00e7\u00f5es de ASR permitem melhor acessibilidade para mensagens de texto. No contexto da ind\u00fastria automotiva, os reconhecedores de fala podem utilizar sistemas de navega\u00e7\u00e3o ativados por voz e capacidades de busca incorporadas em r\u00e1dios de carros para melhorar a seguran\u00e7a do motorista. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Chatbots online e agentes virtuais s\u00e3o outra aplica\u00e7\u00e3o cotidiana de Machine Learning. Em \u00e1reas de atendimento ao cliente, como bancos online, chatbots alimentados por IA podem sincronizar com sistemas de Gest\u00e3o de Relacionamento com o Cliente (CRM). Aqui, esses chatbots podem integrar-se com plataformas de dados de clientes na predi\u00e7\u00e3o de problemas comuns e fornecer aos clientes um servi\u00e7o de assist\u00eancia personalizada 24\/7. Al\u00e9m disso, chatbots online servem profissionais de marketing na promo\u00e7\u00e3o de seus produtos atrav\u00e9s do engajamento do cliente em sites e plataformas de m\u00eddia social. Uma das fun\u00e7\u00f5es mais \u00fateis dos chatbots \u00e9 que eles podem responder a FAQs (Perguntas Frequentes), fornecendo suporte relevante para clientes relacionado a conselhos, envio e outras recomenda\u00e7\u00f5es de produtos relevantes. Ao treinar modelos de IA para trabalhar em conjuntos de dados de clientes, as empresas podem usar predi\u00e7\u00e3o para melhorar a relev\u00e2ncia e utilidade de suas mensagens para os clientes. Alguns dos bots de mensagens mais comuns incluem Slack ou Facebook Messenger. A IA conversacional, portanto, representa a fronteira de como a IA pode imitar a fala e a conversa humanas. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Mecanismos de recomenda\u00e7\u00e3o orientados por dados do consumidor s\u00e3o um meio \u00fatil de usar algoritmos de IA para identificar padr\u00f5es em dados para melhorar estrat\u00e9gias de venda cruzada. Ao extrair dados que refletem o hist\u00f3rico do comportamento de um consumidor e sua intera\u00e7\u00e3o com produtos, esses algoritmos podem fazer recomenda\u00e7\u00f5es de produtos direcionadas para melhorar a experi\u00eancia geral do cliente, promovendo lealdade e neg\u00f3cios repetidos. Um exemplo de tal ferramenta \u00e9 Rosetta, uma ferramenta alimentada por IA que usa fun\u00e7\u00f5es de predi\u00e7\u00e3o de Machine Learning para transformar o engajamento do cliente. Neste exemplo, as marcas podem usar recomenda\u00e7\u00f5es de eCommerce que Rosetta gera para entender melhor as necessidades dos clientes e melhorar a reten\u00e7\u00e3o. Finalmente, um exemplo comum de mecanismos de recomenda\u00e7\u00e3o centrados no consumidor \u00e9 a fun\u00e7\u00e3o de an\u00e1lise preditiva informada por dados da Amazon<\/a>. <\/p>\n <\/p>\n <\/p>\n Ao aproveitar algoritmos de Machine Learning para fazer recomenda\u00e7\u00f5es de produtos relevantes aos clientes no checkout, as abordagens de venda cruzada da Amazon visam clientes em um momento em que eles estar\u00e3o mais propensos a considerar fazer uma compra adicional. De forma similar, os mecanismos de recomenda\u00e7\u00e3o da Amazon lembram as compras passadas dos clientes, o que tamb\u00e9m melhora a qualidade da predi\u00e7\u00e3o para recomenda\u00e7\u00f5es de compras futuras. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n 1. Interrup\u00e7\u00f5es no mercado de trabalho atual<\/p>\n <\/p>\n <\/p>\n Interrup\u00e7\u00f5es no mercado de trabalho atual \u00e9 a \u00e1rea da IA que os cr\u00edticos da IA mencionam em debates sobre os contras dos algoritmos de Machine Learning. Machine Learning j\u00e1 criou um novo paradigma para o trabalho, trazendo benef\u00edcios imprevistos da automa\u00e7\u00e3o. Embora existam preocupa\u00e7\u00f5es em rela\u00e7\u00e3o \u00e0 automa\u00e7\u00e3o, essa interrup\u00e7\u00e3o cria novas avenidas de emprego. Um exemplo \u00e9 a ind\u00fastria automotiva, onde muitos fabricantes como a General Motors<\/a> est\u00e3o fazendo a transi\u00e7\u00e3o para a produ\u00e7\u00e3o de ve\u00edculos el\u00e9tricos para atender padr\u00f5es mais ecol\u00f3gicos para metas de sustentabilidade. <\/p>\n <\/p>\n <\/p>\n \u00c0 medida que os ve\u00edculos fazem a transi\u00e7\u00e3o de gasolina para eletricidade, h\u00e1 ampla oportunidade para a IA capacitar a transi\u00e7\u00e3o para um novo paradigma. De forma similar, a IA criar\u00e1 uma demanda por empregos em outras \u00e1reas, incluindo a necessidade de m\u00e3os humanas para apoiar a gest\u00e3o de sistemas complexos de IA. Al\u00e9m disso, a IA moldar\u00e1 a cria\u00e7\u00e3o de novos empregos que abordam problemas t\u00e9cnicos emergentes relacionados \u00e0s ind\u00fastrias que ela afeta. O atendimento ao cliente \u00e9 um exemplo de uma ind\u00fastria onde a IA aproveitar\u00e1 Machine Learning para mudar a forma como as empresas atendem \u00e0s necessidades de seus clientes, desde a promo\u00e7\u00e3o de produtos at\u00e9 permitir a lealdade e reten\u00e7\u00e3o do cliente. Nesta \u00e1rea, existe a possibilidade de as empresas usarem as capacidades da IA para automatizar campanhas de marketing de produtos e usar predi\u00e7\u00e3o de dados para criar uma melhor experi\u00eancia de produto. <\/p>\n <\/p>\n <\/p>\n No geral, o maior desafio de integrar a IA no mundo do trabalho ser\u00e1 apoiar a transi\u00e7\u00e3o das pessoas para novos pap\u00e9is que est\u00e3o em demanda devido ao impacto da IA nas mudan\u00e7as de demanda da ind\u00fastria. <\/p>\n <\/p>\n <\/p>\n 2. Seguran\u00e7a de dados<\/p>\n <\/p>\n <\/p>\n Seguran\u00e7a de dados \u00e9 outro aspecto do Machine Learning onde interrup\u00e7\u00f5es no paradigma atual de intera\u00e7\u00e3o digital levaram a mudan\u00e7as em pol\u00edticas recentes. Um exemplo de mudan\u00e7a de pol\u00edtica resultante \u00e9 a legisla\u00e7\u00e3o do Regulamento Geral de Prote\u00e7\u00e3o de Dados (GDPR) de 2016 para proteger os dados pessoais das pessoas dentro da Uni\u00e3o Europeia e \u00c1rea Econ\u00f4mica Europeia<\/a>. Al\u00e9m disso, no Estado da Calif\u00f3rnia, EUA, as autoridades introduziram uma lei de prote\u00e7\u00e3o de dados espec\u00edfica para consumidores, a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA). A CCPA<\/a> exige que as empresas informem os consumidores sobre a coleta de dados de suas Informa\u00e7\u00f5es Pessoalmente Identific\u00e1veis (PII). <\/p>\n <\/p>\n <\/p>\n Apesar dos contras de se adaptar a um novo paradigma, onde o impacto dos algoritmos de Machine Learning na prote\u00e7\u00e3o de dados e privacidade apresenta desafios complexos, existem pr\u00f3s para o surgimento da IA e Machine Learning nesta \u00e1rea. Por exemplo, embora a IA adicione uma camada de complexidade e vulnerabilidade aos modelos existentes de seguran\u00e7a de dados, existem igualmente v\u00e1rias oportunidades para usar algoritmos de IA e modelos de predi\u00e7\u00e3o para resolver desafios de ciberseguran\u00e7a. <\/p>\n <\/p>\n <\/p>\n Quando usado habilmente, os algoritmos de Machine Learning podem resolver os mesmos desafios que eles apresentam \u00e0 seguran\u00e7a. Embora cibercriminosos possam manipular o ChatGPT para seus pr\u00f3prios fins e interromper sistemas de neg\u00f3cios internos, desenvolvedores de IA, empresas e formuladores de pol\u00edticas podem colaborar para treinar uma gera\u00e7\u00e3o de novos profissionais de ciberseguran\u00e7a para melhorar a infraestrutura global de ciberseguran\u00e7a. Desta forma, um novo setor de fun\u00e7\u00f5es dentro do setor de ciberseguran\u00e7a pode emergir e se tornar um caminho de carreira atraente para solucionadores de problemas, com uma escassez global estimada de 4 milh\u00f5es de profissionais de ciberseguran\u00e7a. <\/p>\n <\/p>\n <\/p>\n De acordo com um artigo de 2023 do F\u00f3rum Econ\u00f4mico Mundial<\/a>, o continente africano tem a maior demanda por treinamento para prevenir amea\u00e7as de crimes cibern\u00e9ticos relacionados \u00e0 IA. Esta estat\u00edstica \u00e9 importante porque reflete a import\u00e2ncia da ciberseguran\u00e7a como uma quest\u00e3o global que tem implica\u00e7\u00f5es estruturais nas economias locais e internacionais em um mundo hiperconectado. <\/p>\n <\/p>\n <\/p>\n 3. Vi\u00e9s, discrimina\u00e7\u00e3o e \u00e1reas cinzentas \u00e9ticas<\/p>\n <\/p>\n <\/p>\n Vi\u00e9s, discrimina\u00e7\u00e3o e \u00e1reas cinzentas \u00e9ticas s\u00e3o uma terceira preocupa\u00e7\u00e3o relacionada ao uso generalizado de algoritmos de Machine Learning no mundo de hoje. A principal preocupa\u00e7\u00e3o com a discrimina\u00e7\u00e3o relacionada ao Machine Learning \u00e9 que os modelos de Machine Learning podem herdar vi\u00e9s da influ\u00eancia humana e amplific\u00e1-lo em aspectos importantes da sociedade [1]<\/a>. <\/p>\n <\/p>\n <\/p>\n
Os m\u00e9todos de aprendizado supervisionado utilizam conjuntos de dados rotulados, que consistem em dados brutos atribu\u00eddos a r\u00f3tulos para fornecer contexto, no processo de treinamento de algoritmos para classificar dados ou prever resultados. O modelo de aprendizado supervisionado recebe dados de entrada e ajusta seus pesos de acordo para se adequar aos dados. Nesta parte do processo, a etapa de ajuste \u00e9 crucial para permitir que o modelo se ajuste aos dados sem se relacionar de forma muito estreita ou ampla com os dados e perder a capacidade de prever resultados com precis\u00e3o. Ferramentas como classifica\u00e7\u00e3o de spam em uma caixa de entrada de e-mail s\u00e3o um exemplo de aprendizado supervisionado. Os m\u00e9todos de aprendizado supervisionado tamb\u00e9m podem envolver redes neurais. No caso da focalx, nosso software de escaneamento de ve\u00edculos por IA melhora em precis\u00e3o quanto mais dados de ve\u00edculos entram no sistema, permitindo que os algoritmos ajustem suas capacidades de escaneamento exponencialmente. <\/p>\n
Os m\u00e9todos de aprendizado n\u00e3o supervisionado espelham os m\u00e9todos de aprendizado supervisionado na forma fundamental como treinam algoritmos para trabalhar em conjuntos de dados. A diferen\u00e7a com o aprendizado n\u00e3o supervisionado \u00e9 que os dados com os quais trabalham n\u00e3o s\u00e3o rotulados e formam conjuntos de dados tamb\u00e9m conhecidos como clusters. No caso do aprendizado n\u00e3o supervisionado, os algoritmos exp\u00f5em padr\u00f5es ocultos ou clusters de dados, revelando semelhan\u00e7as e diferen\u00e7as nas informa\u00e7\u00f5es. Como ferramenta, o aprendizado n\u00e3o supervisionado se presta bem \u00e0 an\u00e1lise explorat\u00f3ria de dados (EDA), um m\u00e9todo de pesquisa \u00fatil para testar hip\u00f3teses e identificar anomalias. Aqui, a an\u00e1lise de componentes principais (PCA) e a decomposi\u00e7\u00e3o de valor singular (SVD) s\u00e3o t\u00e9cnicas comuns de EDA. Em um contexto de marketing, o aprendizado n\u00e3o supervisionado pode informar estrat\u00e9gias de venda cruzada e permitir a segmenta\u00e7\u00e3o de clientes. Como os m\u00e9todos de aprendizado supervisionado, os m\u00e9todos de aprendizado n\u00e3o supervisionado podem envolver algoritmos como redes neurais, bem como m\u00e9todos espec\u00edficos de dom\u00ednio, como algoritmos de agrupamento probabil\u00edstico. <\/p>\n
Os m\u00e9todos de aprendizado semissupervisionado s\u00e3o um h\u00edbrido de m\u00e9todos de aprendizado supervisionado e n\u00e3o supervisionado. Os algoritmos de aprendizado semissupervisionado treinam conjuntos de dados rotulados menores para direcionar a classifica\u00e7\u00e3o enquanto extraem de um conjunto de dados maior e n\u00e3o rotulado. Neste sentido, os m\u00e9todos de aprendizado semissupervisionado podem equilibrar o vi\u00e9s nos r\u00f3tulos que pode surgir nos m\u00e9todos de aprendizado supervisionado, ao mesmo tempo em que priorizam o maior grau de precis\u00e3o ao usar os resultados-alvo claros dos m\u00e9todos de aprendizado supervisionado, em contraste com os m\u00e9todos de aprendizado n\u00e3o supervisionado. Al\u00e9m disso, uma vantagem de priorizar m\u00e9todos de aprendizado semissupervisionado \u00e9 adaptar-se a contextos onde n\u00e3o existem dados rotulados suficientes para treinar algoritmos de aprendizado supervisionado. Como solu\u00e7\u00e3o para economizar recursos quando a rotulagem de dados se torna custosa, os m\u00e9todos de aprendizado semissupervisionado podem permitir a incorpora\u00e7\u00e3o de IA em empresas e organiza\u00e7\u00f5es menores. <\/p>\n
Os m\u00e9todos de aprendizado por refor\u00e7o est\u00e3o intimamente conectados aos m\u00e9todos de aprendizado supervisionado, sendo a diferen\u00e7a que os m\u00e9todos de aprendizado por refor\u00e7o n\u00e3o treinam algoritmos usando dados de amostra. Em vez disso, os modelos de aprendizado por refor\u00e7o aprendem por tentativa e erro, gerando a melhor solu\u00e7\u00e3o para um determinado problema ap\u00f3s encontrar v\u00e1rias incompatibilidades ao longo do caminho. Um exemplo recente de aprendizado por refor\u00e7o \u00e9 na \u00e1rea de locomo\u00e7\u00e3o rob\u00f3tica, onde rob\u00f4s humanoides seguem a dire\u00e7\u00e3o de entradas de aprendizado por refor\u00e7o, navegando com sucesso em ambientes internos e externos. <\/p>\nAplica\u00e7\u00f5es comuns de Machine Learning na vida cotidiana<\/h2>\n
1. Tecnologias de reconhecimento de fala<\/h3>\n
2. Chatbots online e agentes virtuais<\/h3>\n
3. Mecanismos de recomenda\u00e7\u00e3o orientados por dados do consumidor <\/h3>\n
Pr\u00f3s e contras do Machine Learning: novas oportunidades e impactos imprevistos<\/h2>\n