Rafael NazarO termo machine learning, ou aprendizado de máquina, aparece em aplicativos de streaming, bancos, celulares e notícias sobre inteligência artificial. Apesar da presença cada vez maior no cotidiano, o conceito ainda gera dúvidas. A seguir, veja respostas diretas para cinco perguntas frequentes sobre o tema.
1. O que é machine learning?
Machine learning é uma área da computação na qual os programas aprendem a partir de exemplos, em vez de seguir apenas regras escritas por uma pessoa. Em um sistema tradicional, o desenvolvedor precisa determinar cada etapa, como: “se acontecer X, faça Y”. No aprendizado de máquina, o sistema recebe milhares de exemplos e identifica os padrões que se repetem.
Para ensinar um computador a reconhecer gatos, por exemplo, não é necessário descrever características como os bigodes. O sistema analisa milhares de imagens de gatos e aprende a diferenciá-los de cachorros. O termo “machine learning” foi popularizado pelo pesquisador Arthur Samuel na década de 1950.
2. Machine learning e inteligência artificial são a mesma coisa?
Não. A inteligência artificial é um campo mais amplo, que reúne tentativas de fazer máquinas executarem tarefas que exigiriam inteligência humana. O machine learning é uma das abordagens dentro da inteligência artificial e, atualmente, uma das mais bem-sucedidas.
Dentro do machine learning está o deep learning, ou aprendizado profundo, que utiliza redes neurais artificiais com várias camadas de processamento. Essa tecnologia está por trás de chatbots, geradores de imagens e sistemas de reconhecimento de voz. Portanto, todo machine learning faz parte da inteligência artificial, mas nem toda inteligência artificial utiliza machine learning.
3. Como a máquina aprende?
O processo envolve três etapas principais: dados, treinamento e ajuste. Primeiro, o modelo recebe um grande volume de exemplos, que podem ser textos, imagens, áudios ou números. Depois, tenta fazer previsões e compara os resultados com as respostas corretas. A cada erro, ajusta internamente seus parâmetros para aumentar a chance de acertar nas tentativas seguintes.
Esse ciclo pode se repetir milhões de vezes. Ao final, o modelo não armazena uma regra específica, mas uma configuração numérica que tende a funcionar em situações semelhantes às observadas durante o treinamento.
Há três tipos principais de aprendizado: o supervisionado, que utiliza respostas corretas previamente identificadas; o não supervisionado, no qual o modelo agrupa dados sem um gabarito; e o aprendizado por reforço, baseado em tentativa e erro com o uso de recompensas.
4. Onde o machine learning é usado?
A tecnologia está presente em diversas atividades do dia a dia, muitas vezes sem chamar a atenção. Entre os exemplos estão:
• recomendações de filmes, séries e músicas em serviços de streaming;
• filtros de spam em e-mails;
• desbloqueio de celulares por reconhecimento facial;
• correção automática e sugestão de palavras em teclados;
• identificação de fraudes em compras com cartão de crédito;
• rotas de GPS que levam em conta o trânsito em tempo real;
• tradutores automáticos e legendas geradas a partir de voz.
Grande parte dessas ferramentas funciona em segundo plano e costuma ser percebida principalmente quando apresenta algum erro.
5. Por que os algoritmos erram?
Os algoritmos dependem dos dados utilizados no treinamento. Se esse conjunto for incompleto, desatualizado ou apresentar vieses, o modelo pode reproduzir esses problemas em escala.
Também existe uma limitação conceitual: o sistema não compreende o mundo. Ele calcula probabilidades com base em padrões estatísticos. Por isso, um chatbot pode produzir uma frase bem escrita, mas completamente falsa. Esse fenômeno é conhecido como alucinação.
Outro problema é o overfitting, situação em que o modelo memoriza os exemplos do treinamento e apresenta desempenho ruim diante de situações novas. Pesquisas como o estudo Gender Shades, do MIT Media Lab, também indicam que sistemas de reconhecimento facial registram taxas de erro maiores para pessoas de pele mais escura.
Na prática, o machine learning é uma ferramenta de previsão, não um oráculo. Por isso, a supervisão humana continua sendo essencial.
