A Aprendizagem Automática é um subconjunto da Inteligência Artificial que trabalha com dados e algoritmos para melhorar a capacidade da IA para imitar a forma como os humanos aprendem. A Aprendizagem Automática está intimamente ligada à Aprendizagem Profunda, o seu subconjunto, que exploramos noutro artigo. Ao longo do tempo, os cientistas informáticos podem treinar modelos de aprendizagem automática para aumentar a sua precisão. Os algoritmos de aprendizagem automática constituem a espinha dorsal dos sistemas de aprendizagem automática, que por sua vez determinam o tipo de modelo que produzem. Na vida quotidiana, a aprendizagem automática produziu tecnologias de reconhecimento de voz, chatbots online e motores de recomendação determinados por algoritmos. O potencial da Aprendizagem Automática para moldar um novo paradigma de vida e de trabalho numa sociedade tecnologicamente habilitada levanta questões éticas sobre privacidade, parcialidade e responsabilidade, que exploraremos no artigo seguinte.
O que é a aprendizagem automática?
A Aprendizagem Automática é um subconjunto da IA e funciona num contexto mais restrito do que a IA geral. Por sua vez, a Aprendizagem Profunda é um subconjunto da Aprendizagem Automática. Como vemos num artigo relacionado com a Aprendizagem Profunda, o que distingue a Aprendizagem Automática da Aprendizagem Profunda é o facto de a Aprendizagem Profunda envolver pelo menos três camadas de redes neuronais, que são Modelos de Aprendizagem Automática concebidos para espelhar as vias neuronais do cérebro humano e os processos de previsão.
Os algoritmos de aprendizagem automática são compostos por três partes principais. Em primeiro lugar, os algoritmos de aprendizagem automática recolhem os dados de entrada e analisam os padrões que estes criam para informar uma previsão. Uma função de erro de um algoritmo de aprendizagem automática pode então comparar a previsão que gerou com quaisquer exemplos conhecidos, avaliando assim a precisão do modelo. Finalmente, o algoritmo ajusta-se aos pontos de dados no conjunto de treino, de modo a alinhar a previsão do modelo mais de perto com o exemplo conhecido. Um ciclo iterativo pode então resultar deste processo inicial, produzindo uma otimização do modelo que atingirá um limiar de precisão. Vamos agora considerar vários modelos de aprendizagem automática envolvidos neste processo de otimização do modelo:
1. Métodos de aprendizagem supervisionada
Os métodos de aprendizagem supervisionada utilizam conjuntos de dados rotulados, que consistem em dados brutos aos quais são atribuídos rótulos para fornecer contexto, no processo de formação de algoritmos para classificar dados ou prever resultados. O modelo de aprendizagem supervisionada recebe os dados de entrada e ajusta os seus pesos em conformidade para os ajustar aos dados. Nesta parte do processo, o passo de ajuste é crucial para permitir que o modelo se ajuste aos dados sem se relacionar de forma demasiado estreita ou ampla com os dados e perder a capacidade de prever resultados com precisão. Ferramentas como a classificação de spam numa caixa de correio eletrónico são um exemplo de aprendizagem supervisionada. Os métodos de aprendizagem supervisionada também podem envolver redes neurais. No caso da focalx, o nosso software de deteção de veículos com IA melhora a precisão à medida que mais dados de veículos entram no sistema, permitindo que os algoritmos afinem exponencialmente as suas capacidades de deteção.
2. Métodos de aprendizagem não supervisionada
Os métodos de aprendizagem não supervisionada reflectem os métodos de aprendizagem supervisionada na forma fundamental como treinam algoritmos para trabalhar com conjuntos de dados. A diferença em relação à aprendizagem não supervisionada é que os dados com que trabalham não são rotulados e formam conjuntos de dados também conhecidos como clusters. No caso da aprendizagem não supervisionada, os algoritmos expõem padrões ocultos ou clusters de dados, revelando semelhanças e diferenças de informação. Como ferramenta, a aprendizagem não supervisionada presta-se bem à análise exploratória de dados (EDA), um método de investigação útil para testar hipóteses e detetar anomalias. Neste caso, a análise de componentes principais (PCA) e a decomposição do valor singular (SVD) são técnicas comuns de EDA. Num contexto de marketing, a aprendizagem não supervisionada pode informar estratégias de venda cruzada e permitir a segmentação de clientes. Tal como os métodos de aprendizagem supervisionada, os métodos de aprendizagem não supervisionada podem envolver algoritmos como as redes neuronais, bem como métodos específicos de um domínio, como os algoritmos de agrupamento probabilístico.
3. Métodos de aprendizagem semi-supervisionada
Os métodos de aprendizagem semi-supervisionada são um híbrido de métodos de aprendizagem supervisionada e não-supervisionada. Os algoritmos de aprendizagem semi-supervisionada treinam conjuntos de dados rotulados mais pequenos para uma classificação direta enquanto extraem de um conjunto de dados maior e não rotulado. A este respeito, os métodos de aprendizagem semi-supervisionada podem equilibrar o enviesamento dos rótulos que pode surgir nos métodos de aprendizagem supervisionada, ao mesmo tempo que dão prioridade a um maior grau de exatidão na utilização dos resultados-alvo claros dos métodos de aprendizagem supervisionada, em contraste com os métodos de aprendizagem não supervisionada. Além disso, uma vantagem de dar prioridade aos métodos de aprendizagem semi-supervisionada é a adaptação a contextos em que não existem dados rotulados suficientes para treinar algoritmos de aprendizagem supervisionada. Como solução para economizar recursos quando a rotulagem de dados se torna dispendiosa, os métodos de aprendizagem semi-supervisionada podem permitir a incorporação da IA em empresas e organizações mais pequenas.
4. Métodos de aprendizagem por reforço
Os métodos de aprendizagem por reforço estão intimamente ligados aos métodos de aprendizagem supervisionada, com a diferença de que os métodos de aprendizagem por reforço não treinam algoritmos utilizando dados de amostra. Em vez disso, os modelos de aprendizagem por reforço aprendem por tentativa e erro, gerando a melhor solução para um determinado problema depois de encontrarem vários desajustes pelo caminho. Um exemplo recente de aprendizagem por reforço é a área da locomoção dos robôs, em que os robôs humanóides seguem a direção dos dados da aprendizagem por reforço, navegando com êxito em ambientes interiores e exteriores.
Aplicações comuns da aprendizagem automática na vida quotidiana
As aplicações comuns da aprendizagem automática na vida quotidiana são em contextos baseados na linguagem, em que os modelos linguísticos podem transformar sinais de voz em comandos, nomeadamente em tecnologias de reconhecimento de voz como a Siri ou em assistentes pessoais virtuais como a Alexa da Amazon. Em ambos os contextos, o processamento da linguagem natural (PNL) combina um modelo baseado em regras da linguagem humana com modelos de aprendizagem automática. Outro exemplo real de Aprendizagem Automática é a utilização de motores de recomendação baseados em dados que revelam o comportamento dos consumidores para criar modelos de previsão.
1. Tecnologias de reconhecimento da fala
O reconhecimento da fala, também conhecido como reconhecimento automático da fala (ASR), conversão da fala em texto ou reconhecimento da fala por computador, utiliza as capacidades do PNL para transformar a fala humana num formato escrito. Os dispositivos móveis e os tablets integram frequentemente o ASR nos seus sistemas, como o Siri ou o Google Assistant. As funções de ASR permitem melhorar a acessibilidade das mensagens de texto. No contexto da indústria automóvel, os reconhecedores de voz podem utilizar sistemas de navegação activados por voz e capacidades de pesquisa incorporadas nos rádios dos automóveis para melhorar a segurança dos condutores.
2. Chatbots online e agentes virtuais
Os chatbots em linha e os agentes virtuais são outra aplicação quotidiana da aprendizagem automática. Em áreas de serviço ao cliente, como a banca online, os chatbots alimentados por IA podem sincronizar-se com os sistemas de gestão das relações com os clientes (CRM). Aqui, estes chatbots podem integrar-se com plataformas de dados de clientes na previsão de problemas comuns e fornecer aos clientes um serviço de assistência personalizado 24 horas por dia, 7 dias por semana. Além disso, os chatbots online servem os profissionais de marketing na promoção dos seus produtos através do envolvimento dos clientes em sítios Web e plataformas de redes sociais. Uma das funções mais úteis dos chatbots é o facto de poderem responder a FAQs (Perguntas Frequentes), fornecendo apoio relevante aos clientes no que diz respeito a aconselhamento, envio e outras recomendações de produtos relevantes. Ao treinar modelos de IA para trabalhar em conjuntos de dados de clientes, as empresas podem utilizar a previsão para melhorar a relevância e a utilidade das suas mensagens para os clientes. Alguns dos bots de mensagens mais comuns incluem o Slack ou o Facebook Messenger. A IA de conversação representa, portanto, a fronteira da forma como a IA pode imitar o discurso e a conversação humana.
3. Motores de recomendação baseados nos dados dos consumidores
Os motores de recomendação orientados para os dados dos consumidores são um meio útil de utilizar algoritmos de IA para identificar padrões nos dados e melhorar as estratégias de venda cruzada. Ao basearem-se em dados que reflectem o historial do comportamento de um consumidor e a sua interação com os produtos, estes algoritmos podem fazer recomendações de produtos específicos para melhorar a experiência global do cliente, promovendo a fidelidade e a repetição de negócios. Um exemplo de uma ferramenta deste tipo é a Rosetta, uma ferramenta alimentada por IA que utiliza funções de previsão de aprendizagem automática para transformar o envolvimento do cliente. Neste exemplo, as marcas podem utilizar as recomendações de comércio eletrónico geradas pela Rosetta para compreender melhor as necessidades dos clientes e melhorar a retenção. Por último, um exemplo comum de motores de recomendação centrados no consumidor são os eds e melhoram a retenção. Por fim, um exemplo comum de motores de recomendação centrados no consumidor é a função de análise preditiva informada por dados da Amazon.
Ao utilizar algoritmos de aprendizagem automática para fazer recomendações de produtos relevantes aos clientes no momento da compra, as abordagens de venda cruzada da Amazon visam os clientes num momento em que é mais provável que considerem fazer uma compra adicional. De forma semelhante, os motores de recomendação da Amazon recordam as compras anteriores dos clientes, o que também melhora a qualidade da previsão de recomendações de compras futuras.
Prós e contras da aprendizagem automática: novas oportunidades e impactos imprevistos
1. Perturbações do atual mercado de trabalho
A perturbação do mercado de trabalho atual é a área da IA que os críticos da IA mencionam nos debates sobre os contras dos algoritmos de aprendizagem automática. A aprendizagem automática já criou um novo paradigma de trabalho, trazendo benefícios imprevistos da automatização. Embora existam preocupações relativamente à automatização, esta perturbação cria novas vias de emprego. Um exemplo é a indústria automóvel, em que muitos fabricantes, como a General Motors, estão a mudar para a produção de veículos eléctricos para cumprir normas mais ecológicas em termos de objectivos de sustentabilidade.
À medida que os veículos transitam do gás para a eletricidade, há uma grande oportunidade para a IA potenciar a transição para um novo paradigma. Do mesmo modo, a IA criará uma procura de empregos noutras áreas, incluindo a necessidade de mãos humanas para apoiar a gestão de sistemas complexos de IA. Além disso, a IA irá moldar a criação de novos empregos que abordem problemas técnicos emergentes relacionados com as indústrias que afecta. O serviço ao cliente é um exemplo de uma indústria em que a IA irá aproveitar a aprendizagem automática para mudar a forma como as empresas servem as necessidades dos seus clientes, desde a promoção de produtos até à fidelização e retenção de clientes. Nesta área, existe a possibilidade de as empresas utilizarem as capacidades da IA para automatizar campanhas de marketing de produtos e utilizar a previsão de dados para criar uma melhor experiência de produto.
De um modo geral, o maior desafio da integração da IA no mundo do trabalho será apoiar a transição das pessoas para novas funções que estão a ser procuradas devido ao impacto da IA nas mudanças de procura da indústria.
2. Segurança dos dados
A segurança dos dados é outro aspeto da aprendizagem automática em que as perturbações do atual paradigma de interação digital conduziram a alterações nas políticas recentes. Um exemplo de uma mudança de política resultante é a legislação do Regulamento Geral de Proteção de Dados (RGPD) de 2016 para proteger os dados pessoais das pessoas na União Europeia e no Espaço Económico Europeu. Além disso, no Estado da Califórnia, nos EUA, as autoridades introduziram uma lei de proteção de dados específica para os consumidores, a Lei de Privacidade do Consumidor da Califórnia (CCPA). A CCPA exige que as empresas informem os consumidores sobre a recolha de dados relativos às suas Informações Pessoais Identificáveis (IPI).
Apesar dos inconvenientes da adaptação a um novo paradigma, em que o impacto dos algoritmos de aprendizagem automática na proteção dos dados e na privacidade coloca desafios complexos, há vantagens na emergência da IA e da aprendizagem automática neste domínio. Por exemplo, embora a IA acrescente uma camada de complexidade e vulnerabilidade aos modelos existentes de segurança dos dados, existem igualmente várias oportunidades para utilizar algoritmos de IA e modelos de previsão para resolver os desafios da cibersegurança.
Quando utilizados habilmente, os algoritmos de aprendizagem automática podem resolver os mesmos desafios que colocam à segurança. Embora os cibercriminosos possam manipular o ChatGBT para os seus próprios fins e perturbar os sistemas empresariais internos, os criadores de IA, as empresas e os decisores políticos podem colaborar na formação de uma geração de novos profissionais de cibersegurança para melhorar a infraestrutura global de cibersegurança. Desta forma, pode surgir um novo sector de funções dentro do sector da cibersegurança e tornar-se um percurso profissional atrativo para os solucionadores de problemas, com uma escassez global estimada em 4 milhões de profissionais de cibersegurança.
De acordo com um artigo de 2023 do Fórum Económico Mundial, o continente africano tem a maior procura de formação para prevenir ameaças de cibercrime relacionadas com a IA. Esta estatística é importante porque reflecte a importância da cibersegurança como uma questão global que tem implicações estruturais nas economias locais e internacionais num mundo hiperconectado.
3. Preconceitos, discriminação e zonas cinzentas éticas
O preconceito, a discriminação e as zonas cinzentas éticas são uma terceira preocupação relacionada com a utilização generalizada de algoritmos de aprendizagem automática no mundo atual. A principal preocupação com a discriminação relacionada com a aprendizagem automática é o facto de os modelos de aprendizagem automática poderem herdar preconceitos da influência humana e amplificá-los nos principais aspectos da sociedade [1].
O enviesamento é particularmente relevante na área dos modelos de aprendizagem supervisionada, em que os profissionais de IA treinam modelos de aprendizagem automática utilizando conjuntos de dados rotulados, o que pressupõe um enviesamento de seleção antes de os modelos terem analisado os dados. Outro exemplo dos contras dos modelos de aprendizagem automática está nos processos de recrutamento de empresas transnacionais. Um estudo mostrou que a Amazon teve de descartar uma ferramenta experimental de aprendizagem automática utilizada para analisar os currículos dos candidatos e identificar os melhores talentos, uma vez que a ferramenta se revelou discriminatória, penalizando os currículos que incluíam a palavra “mulheres”, como em frases como “capitã do clube de xadrez feminino”.
Além disso, os críticos apontaram ainda as águas turvas da utilização de modelos de aprendizagem automática nas práticas de contratação, incluindo a falta de uma política clara sobre a quantidade de dados sobre um candidato a que uma organização pode aceder. Noutro contexto, a IBM descontinuou os seus produtos de reconhecimento e análise facial à luz dos riscos de aplicações pouco éticas de ferramentas de reconhecimento facial de IA para vigilância em massa e perfis raciais que violam os direitos humanos básicos.
Por outro lado, algumas organizações defendem o argumento de que os modelos de aprendizagem automática permitem aos seus recrutadores ir além das redes habituais de candidatos e apelar a uma maior reserva de talentos. Por exemplo, a Goldman Sachs criou uma ferramenta de análise de CV para direcionar os candidatos para a divisão onde se enquadram melhor.
Tal como acontece com os desafios de segurança dos dados que os algoritmos de aprendizagem automática colocam, as funções potencialmente discriminatórias das práticas de contratação apoiadas pela IA exigem uma colaboração entre os decisores políticos, os sistemas de gestão empresarial e os investigadores para garantir que as práticas de contratação permanecem tão justas quanto possível. De acordo com a Reuters, o panorama jurídico está a adaptar-se com nova legislação a estes desafios, incluindo a Lei de Responsabilidade Algorítmica dos EUA e a Lei da Inteligência Artificial na UE, fornecendo um quadro para garantir a responsabilidade e a neutralidade nas aplicações de IA.
Conclusão
Os modelos de aprendizagem automática são um aspeto fundamental da Inteligência Artificial que pode revolucionar a forma como os seres humanos interagem na vida quotidiana, automatizando uma variedade de funções. Como explorámos neste artigo, os prós e os contras dos algoritmos de Aprendizagem Automática interagem de forma complexa, o que significa que os advogados, os decisores políticos e as organizações estão a adaptar-se rapidamente às zonas cinzentas éticas colocadas pelo seu impacto em áreas-chave da vida, como o mercado de trabalho.
A conclusão que retiramos desta análise é que o impacto dos modelos de aprendizagem automática e os seus prós e contras nos domínios humanos não se limitam a uma área específica. Em vez disso, as implicações generalizadas dos modelos de aprendizagem automática para a segurança dos dados, as oportunidades de mão de obra, o software de segurança para reconhecimento facial e os algoritmos das redes sociais significam que a ética e os valores da IA são um tópico essencial para discussão e colaboração. Por conseguinte, é fundamental que os especialistas em ética, os investigadores e os juristas se associem para elaborar legislação adequada para regular as práticas de IA e aproveitar os seus benefícios.
