A Aprendizagem Autom\u00e1tica \u00e9 um subconjunto da Intelig\u00eancia Artificial que trabalha com dados e algoritmos para melhorar a capacidade da IA para imitar a forma como os humanos aprendem. A Aprendizagem Autom\u00e1tica est\u00e1 intimamente ligada \u00e0 Aprendizagem Profunda, o seu subconjunto, que exploramos noutro artigo. Ao longo do tempo, os cientistas inform\u00e1ticos podem treinar modelos de aprendizagem autom\u00e1tica para aumentar a sua precis\u00e3o. Os algoritmos de aprendizagem autom\u00e1tica constituem a espinha dorsal dos sistemas de aprendizagem autom\u00e1tica, que por sua vez determinam o tipo de modelo que produzem. Na vida quotidiana, a aprendizagem autom\u00e1tica produziu tecnologias de reconhecimento de voz, chatbots online e motores de recomenda\u00e7\u00e3o determinados por algoritmos. O potencial da Aprendizagem Autom\u00e1tica para moldar um novo paradigma de vida e de trabalho numa sociedade tecnologicamente habilitada levanta quest\u00f5es \u00e9ticas sobre privacidade, parcialidade e responsabilidade, que exploraremos no artigo seguinte. <\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
A Aprendizagem Autom\u00e1tica \u00e9 um subconjunto da IA e funciona num contexto mais restrito do que a IA geral. Por sua vez, a Aprendizagem Profunda \u00e9 um subconjunto da Aprendizagem Autom\u00e1tica. Como vemos num artigo relacionado com a Aprendizagem Profunda, o que distingue a Aprendizagem Autom\u00e1tica da Aprendizagem Profunda \u00e9 o facto de a Aprendizagem Profunda envolver pelo menos tr\u00eas camadas de redes neuronais, que s\u00e3o Modelos de Aprendizagem Autom\u00e1tica concebidos para espelhar as vias neuronais do c\u00e9rebro humano e os processos de previs\u00e3o. <\/p>\n
<\/p>\n
<\/p>\n
Os algoritmos de aprendizagem autom\u00e1tica s\u00e3o compostos por tr\u00eas partes principais. Em primeiro lugar, os algoritmos de aprendizagem autom\u00e1tica recolhem os dados de entrada e analisam os padr\u00f5es que estes criam para informar uma previs\u00e3o. Uma fun\u00e7\u00e3o de erro de um algoritmo de aprendizagem autom\u00e1tica pode ent\u00e3o comparar a previs\u00e3o que gerou com quaisquer exemplos conhecidos, avaliando assim a precis\u00e3o do modelo. Finalmente, o algoritmo ajusta-se aos pontos de dados no conjunto de treino, de modo a alinhar a previs\u00e3o do modelo mais de perto com o exemplo conhecido. Um ciclo iterativo pode ent\u00e3o resultar deste processo inicial, produzindo uma otimiza\u00e7\u00e3o do modelo que atingir\u00e1 um limiar de precis\u00e3o. Vamos agora considerar v\u00e1rios modelos de aprendizagem autom\u00e1tica envolvidos neste processo de otimiza\u00e7\u00e3o do modelo: <\/p>\n
<\/p>\n
<\/p>\n
1. M\u00e9todos de aprendizagem supervisionada<\/strong> <\/p>\n <\/p>\n 2. M\u00e9todos de aprendizagem n\u00e3o supervisionada<\/strong> <\/p>\n <\/p>\n 3. M\u00e9todos de aprendizagem semi-supervisionada<\/strong> <\/p>\n <\/p>\n 4. M\u00e9todos de aprendizagem por refor\u00e7o<\/strong> <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n As aplica\u00e7\u00f5es comuns da aprendizagem autom\u00e1tica na vida quotidiana s\u00e3o em contextos baseados na linguagem, em que os modelos lingu\u00edsticos 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 autom\u00e1tica. Outro exemplo real de Aprendizagem Autom\u00e1tica \u00e9 a utiliza\u00e7\u00e3o de motores de recomenda\u00e7\u00e3o baseados em dados que revelam o comportamento dos consumidores para criar modelos de previs\u00e3o. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n O reconhecimento da fala, tamb\u00e9m conhecido como reconhecimento autom\u00e1tico da fala (ASR), convers\u00e3o 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 m\u00f3veis e os tablets integram frequentemente o ASR nos seus sistemas, como o Siri ou o Google Assistant. As fun\u00e7\u00f5es de ASR permitem melhorar a acessibilidade das mensagens de texto. No contexto da ind\u00fastria autom\u00f3vel, os reconhecedores de voz podem utilizar sistemas de navega\u00e7\u00e3o activados por voz e capacidades de pesquisa incorporadas nos r\u00e1dios dos autom\u00f3veis para melhorar a seguran\u00e7a dos condutores. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Os chatbots em linha e os agentes virtuais s\u00e3o outra aplica\u00e7\u00e3o quotidiana da aprendizagem autom\u00e1tica. Em \u00e1reas de servi\u00e7o ao cliente, como a banca online, os chatbots alimentados por IA podem sincronizar-se com os sistemas de gest\u00e3o das rela\u00e7\u00f5es com os clientes (CRM). Aqui, estes chatbots podem integrar-se com plataformas de dados de clientes na previs\u00e3o de problemas comuns e fornecer aos clientes um servi\u00e7o de assist\u00eancia personalizado 24 horas por dia, 7 dias por semana. Al\u00e9m disso, os chatbots online servem os profissionais de marketing na promo\u00e7\u00e3o dos seus produtos atrav\u00e9s do envolvimento dos clientes em s\u00edtios Web e plataformas de redes sociais. Uma das fun\u00e7\u00f5es mais \u00fateis dos chatbots \u00e9 o facto de poderem responder a FAQs (Perguntas Frequentes), fornecendo apoio relevante aos clientes no que diz respeito a aconselhamento, 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 utilizar a previs\u00e3o para melhorar a relev\u00e2ncia 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 conversa\u00e7\u00e3o representa, portanto, a fronteira da forma como a IA pode imitar o discurso e a conversa\u00e7\u00e3o humana. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n Os motores de recomenda\u00e7\u00e3o orientados para os dados dos consumidores s\u00e3o um meio \u00fatil de utilizar algoritmos de IA para identificar padr\u00f5es nos dados e melhorar as estrat\u00e9gias de venda cruzada. Ao basearem-se em dados que reflectem o historial do comportamento de um consumidor e a sua intera\u00e7\u00e3o com os produtos, estes algoritmos podem fazer recomenda\u00e7\u00f5es de produtos espec\u00edficos para melhorar a experi\u00eancia global do cliente, promovendo a fidelidade e a repeti\u00e7\u00e3o de neg\u00f3cios. Um exemplo de uma ferramenta deste tipo \u00e9 a Rosetta, uma ferramenta alimentada por IA que utiliza fun\u00e7\u00f5es de previs\u00e3o de aprendizagem autom\u00e1tica para transformar o envolvimento do cliente. Neste exemplo, as marcas podem utilizar as recomenda\u00e7\u00f5es de com\u00e9rcio eletr\u00f3nico geradas pela Rosetta para compreender melhor as necessidades dos clientes e melhorar a reten\u00e7\u00e3o. Por \u00faltimo, um exemplo comum de motores de recomenda\u00e7\u00e3o centrados no consumidor s\u00e3o os eds e melhoram a reten\u00e7\u00e3o. Por fim, um exemplo comum de motores 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 utilizar algoritmos de aprendizagem autom\u00e1tica para fazer recomenda\u00e7\u00f5es de produtos relevantes aos clientes no momento da compra, as abordagens de venda cruzada da Amazon visam os clientes num momento em que \u00e9 mais prov\u00e1vel que considerem fazer uma compra adicional. De forma semelhante, os motores de recomenda\u00e7\u00e3o da Amazon recordam as compras anteriores dos clientes, o que tamb\u00e9m melhora a qualidade da previs\u00e3o de recomenda\u00e7\u00f5es de compras futuras. <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n <\/p>\n 1. Perturba\u00e7\u00f5es do atual mercado de trabalho<\/p>\n <\/p>\n <\/p>\n A perturba\u00e7\u00e3o do mercado de trabalho atual \u00e9 a \u00e1rea da IA que os cr\u00edticos da IA mencionam nos debates sobre os contras dos algoritmos de aprendizagem autom\u00e1tica. A aprendizagem autom\u00e1tica j\u00e1 criou um novo paradigma de trabalho, trazendo benef\u00edcios imprevistos da automatiza\u00e7\u00e3o. Embora existam preocupa\u00e7\u00f5es relativamente \u00e0 automatiza\u00e7\u00e3o, esta perturba\u00e7\u00e3o cria novas vias de emprego. Um exemplo \u00e9 a ind\u00fastria autom\u00f3vel, em que muitos fabricantes, como a General Motors<\/a>, est\u00e3o a mudar para a produ\u00e7\u00e3o de ve\u00edculos el\u00e9ctricos para cumprir normas mais ecol\u00f3gicas em termos de objectivos de sustentabilidade. <\/p>\n <\/p>\n <\/p>\n \u00c0 medida que os ve\u00edculos transitam do g\u00e1s para a eletricidade, h\u00e1 uma grande oportunidade para a IA potenciar a transi\u00e7\u00e3o para um novo paradigma. Do mesmo modo, a IA criar\u00e1 uma procura de empregos noutras \u00e1reas, incluindo a necessidade de m\u00e3os humanas para apoiar a gest\u00e3o de sistemas complexos de IA. Al\u00e9m disso, a IA ir\u00e1 moldar a cria\u00e7\u00e3o de novos empregos que abordem problemas t\u00e9cnicos emergentes relacionados com as ind\u00fastrias que afecta. O servi\u00e7o ao cliente \u00e9 um exemplo de uma ind\u00fastria em que a IA ir\u00e1 aproveitar a aprendizagem autom\u00e1tica para mudar a forma como as empresas servem as necessidades dos seus clientes, desde a promo\u00e7\u00e3o de produtos at\u00e9 \u00e0 fideliza\u00e7\u00e3o e reten\u00e7\u00e3o de clientes. Nesta \u00e1rea, existe a possibilidade de as empresas utilizarem as capacidades da IA para automatizar campanhas de marketing de produtos e utilizar a previs\u00e3o de dados para criar uma melhor experi\u00eancia de produto. <\/p>\n <\/p>\n <\/p>\n De um modo geral, o maior desafio da integra\u00e7\u00e3o da IA no mundo do trabalho ser\u00e1 apoiar a transi\u00e7\u00e3o das pessoas para novas fun\u00e7\u00f5es que est\u00e3o a ser procuradas devido ao impacto da IA nas mudan\u00e7as de procura da ind\u00fastria. <\/p>\n <\/p>\n <\/p>\n 2. Seguran\u00e7a dos dados<\/p>\n <\/p>\n <\/p>\n A seguran\u00e7a dos dados \u00e9 outro aspeto da aprendizagem autom\u00e1tica em que as perturba\u00e7\u00f5es do atual paradigma de intera\u00e7\u00e3o digital conduziram a altera\u00e7\u00f5es nas pol\u00edticas recentes. Um exemplo de uma mudan\u00e7a de pol\u00edtica resultante \u00e9 a legisla\u00e7\u00e3o do Regulamento Geral de Prote\u00e7\u00e3o de Dados (RGPD) de 2016 para proteger os dados pessoais das pessoas na Uni\u00e3o Europeia e no Espa\u00e7o Econ\u00f3mico Europeu<\/a>. Al\u00e9m disso, no Estado da Calif\u00f3rnia, nos EUA, as autoridades introduziram uma lei de prote\u00e7\u00e3o de dados espec\u00edfica para os consumidores, a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA). A CCPA<\/a> exige que as empresas informem os consumidores sobre a recolha de dados relativos \u00e0s suas Informa\u00e7\u00f5es Pessoais Identific\u00e1veis (IPI). <\/p>\n <\/p>\n <\/p>\n Apesar dos inconvenientes da adapta\u00e7\u00e3o a um novo paradigma, em que o impacto dos algoritmos de aprendizagem autom\u00e1tica na prote\u00e7\u00e3o dos dados e na privacidade coloca desafios complexos, h\u00e1 vantagens na emerg\u00eancia da IA e da aprendizagem autom\u00e1tica neste dom\u00ednio. Por exemplo, embora a IA acrescente uma camada de complexidade e vulnerabilidade aos modelos existentes de seguran\u00e7a dos dados, existem igualmente v\u00e1rias oportunidades para utilizar algoritmos de IA e modelos de previs\u00e3o para resolver os desafios da ciberseguran\u00e7a. <\/p>\n <\/p>\n <\/p>\n Quando utilizados habilmente, os algoritmos de aprendizagem autom\u00e1tica podem resolver os mesmos desafios que colocam \u00e0 seguran\u00e7a. Embora os cibercriminosos possam manipular o ChatGBT para os seus pr\u00f3prios fins e perturbar os sistemas empresariais internos, os criadores de IA, as empresas e os decisores pol\u00edticos podem colaborar na forma\u00e7\u00e3o de uma gera\u00e7\u00e3o de novos profissionais de ciberseguran\u00e7a para melhorar a infraestrutura global de ciberseguran\u00e7a. Desta forma, pode surgir um novo sector de fun\u00e7\u00f5es dentro do sector da ciberseguran\u00e7a e tornar-se um percurso profissional atrativo para os solucionadores de problemas, com uma escassez global estimada em 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\u00f3mico Mundial<\/a>, o continente africano tem a maior procura de forma\u00e7\u00e3o para prevenir amea\u00e7as de cibercrime relacionadas com a IA. Esta estat\u00edstica \u00e9 importante porque reflecte a import\u00e2ncia da ciberseguran\u00e7a como uma quest\u00e3o global que tem implica\u00e7\u00f5es estruturais nas economias locais e internacionais num mundo hiperconectado. <\/p>\n <\/p>\n <\/p>\n 3. Preconceitos, discrimina\u00e7\u00e3o e zonas cinzentas \u00e9ticas<\/p>\n <\/p>\n <\/p>\n O preconceito, a discrimina\u00e7\u00e3o e as zonas cinzentas \u00e9ticas s\u00e3o uma terceira preocupa\u00e7\u00e3o relacionada com a utiliza\u00e7\u00e3o generalizada de algoritmos de aprendizagem autom\u00e1tica no mundo atual. A principal preocupa\u00e7\u00e3o com a discrimina\u00e7\u00e3o relacionada com a aprendizagem autom\u00e1tica \u00e9 o facto de os modelos de aprendizagem autom\u00e1tica poderem herdar preconceitos da influ\u00eancia humana e amplific\u00e1-los nos principais aspectos da sociedade [1]<\/a>. <\/p>\n <\/p>\n <\/p>\n
Os m\u00e9todos de aprendizagem supervisionada utilizam conjuntos de dados rotulados, que consistem em dados brutos aos quais s\u00e3o atribu\u00eddos r\u00f3tulos para fornecer contexto, no processo de forma\u00e7\u00e3o 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 \u00e9 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 precis\u00e3o. Ferramentas como a classifica\u00e7\u00e3o de spam numa caixa de correio eletr\u00f3nico s\u00e3o um exemplo de aprendizagem supervisionada. Os m\u00e9todos de aprendizagem supervisionada tamb\u00e9m podem envolver redes neurais. No caso da focalx, o nosso software de dete\u00e7\u00e3o de ve\u00edculos com IA melhora a precis\u00e3o \u00e0 medida que mais dados de ve\u00edculos entram no sistema, permitindo que os algoritmos afinem exponencialmente as suas capacidades de dete\u00e7\u00e3o. <\/p>\n
Os m\u00e9todos de aprendizagem n\u00e3o supervisionada reflectem os m\u00e9todos de aprendizagem supervisionada na forma fundamental como treinam algoritmos para trabalhar com conjuntos de dados. A diferen\u00e7a em rela\u00e7\u00e3o \u00e0 aprendizagem n\u00e3o supervisionada \u00e9 que os dados com que trabalham n\u00e3o s\u00e3o rotulados e formam conjuntos de dados tamb\u00e9m conhecidos como clusters. No caso da aprendizagem n\u00e3o supervisionada, os algoritmos exp\u00f5em padr\u00f5es ocultos ou clusters de dados, revelando semelhan\u00e7as e diferen\u00e7as de informa\u00e7\u00e3o. Como ferramenta, a aprendizagem n\u00e3o supervisionada presta-se bem \u00e0 an\u00e1lise explorat\u00f3ria de dados (EDA), um m\u00e9todo de investiga\u00e7\u00e3o \u00fatil para testar hip\u00f3teses e detetar anomalias. Neste caso, a an\u00e1lise de componentes principais (PCA) e a decomposi\u00e7\u00e3o do valor singular (SVD) s\u00e3o t\u00e9cnicas comuns de EDA. Num contexto de marketing, a aprendizagem n\u00e3o supervisionada pode informar estrat\u00e9gias de venda cruzada e permitir a segmenta\u00e7\u00e3o de clientes. Tal como os m\u00e9todos de aprendizagem supervisionada, os m\u00e9todos de aprendizagem n\u00e3o supervisionada podem envolver algoritmos como as redes neuronais, bem como m\u00e9todos espec\u00edficos de um dom\u00ednio, como os algoritmos de agrupamento probabil\u00edstico. <\/p>\n
Os m\u00e9todos de aprendizagem semi-supervisionada s\u00e3o um h\u00edbrido de m\u00e9todos de aprendizagem supervisionada e n\u00e3o-supervisionada. Os algoritmos de aprendizagem semi-supervisionada treinam conjuntos de dados rotulados mais pequenos para uma classifica\u00e7\u00e3o direta enquanto extraem de um conjunto de dados maior e n\u00e3o rotulado. A este respeito, os m\u00e9todos de aprendizagem semi-supervisionada podem equilibrar o enviesamento dos r\u00f3tulos que pode surgir nos m\u00e9todos de aprendizagem supervisionada, ao mesmo tempo que d\u00e3o prioridade a um maior grau de exatid\u00e3o na utiliza\u00e7\u00e3o dos resultados-alvo claros dos m\u00e9todos de aprendizagem supervisionada, em contraste com os m\u00e9todos de aprendizagem n\u00e3o supervisionada. Al\u00e9m disso, uma vantagem de dar prioridade aos m\u00e9todos de aprendizagem semi-supervisionada \u00e9 a adapta\u00e7\u00e3o a contextos em que n\u00e3o existem dados rotulados suficientes para treinar algoritmos de aprendizagem supervisionada. Como solu\u00e7\u00e3o para economizar recursos quando a rotulagem de dados se torna dispendiosa, os m\u00e9todos de aprendizagem semi-supervisionada podem permitir a incorpora\u00e7\u00e3o da IA em empresas e organiza\u00e7\u00f5es mais pequenas. <\/p>\n
Os m\u00e9todos de aprendizagem por refor\u00e7o est\u00e3o intimamente ligados aos m\u00e9todos de aprendizagem supervisionada, com a diferen\u00e7a de que os m\u00e9todos de aprendizagem por refor\u00e7o n\u00e3o treinam algoritmos utilizando dados de amostra. Em vez disso, os modelos de aprendizagem por refor\u00e7o aprendem por tentativa e erro, gerando a melhor solu\u00e7\u00e3o para um determinado problema depois de encontrarem v\u00e1rios desajustes pelo caminho. Um exemplo recente de aprendizagem por refor\u00e7o \u00e9 a \u00e1rea da locomo\u00e7\u00e3o dos rob\u00f4s, em que os rob\u00f4s human\u00f3ides seguem a dire\u00e7\u00e3o dos dados da aprendizagem por refor\u00e7o, navegando com \u00eaxito em ambientes interiores e exteriores. <\/p>\nAplica\u00e7\u00f5es comuns da aprendizagem autom\u00e1tica na vida quotidiana<\/h2>\n
1. Tecnologias de reconhecimento da fala<\/h3>\n
2. Chatbots online e agentes virtuais<\/h3>\n
3. Motores de recomenda\u00e7\u00e3o baseados nos dados dos consumidores <\/h3>\n
Pr\u00f3s e contras da aprendizagem autom\u00e1tica: novas oportunidades e impactos imprevistos<\/h2>\n