Machine Learning - conheça!
Os computadores nos ajudaram a calcular a vastidão do espaço e os minuciosos detalhes das partículas subatômicas. Quando se trata de contar e calcular, ou seguindo algoritmos lógicos sim / não - os computadores superam os seres humanos graças aos elétrons que se deslocam através de seus circuitos à velocidade da luz. Mas, geralmente, não os consideramos "inteligentes" porque, tradicionalmente, os computadores não conseguiram fazer nada por si mesmos, sem os ensinarem (programados) primeiro.
Até agora, mesmo que um computador tivesse acesso a todas as informações do mundo, não poderia fazer nada "inteligente" com ele. Poderia encontrar uma foto de um gato - mas só porque dissemos que certas imagens contêm gatos.
Isso tem várias implicações que limitam sua utilidade - não menos importante que uma grande quantidade de tempo humano tenha que ser gasto dizendo o que cada imagem contém. Os dados (imagens) precisam passar por um gargalo humano, onde eles são rotulados, antes que o computador possa, com precisão rápida, identifica-la como uma imagem de gato e mostrar-lhe quando a solicitamos.
Enquanto isso funciona bem, se estamos apenas procurando fotos de gato no Google para passar nosso tempo, se quisermos fazer algo mais avançado - como monitorar um feed de vídeo ao vivo e nos informar quando um gato vagueia na frente da câmera - é não tão bom.
São problemas como esse que o machine learning está tentando resolver. Na sua mais simples, o aprendizado automático da máquina é sobre ensinar os computadores a aprender da mesma forma que fazemos, interpretando dados do mundo que nos rodeia, classificando e aprendendo com seus sucessos e falhas. Na verdade, o machine learning é um subconjunto, ou melhor, a vantagem da inteligência artificial.
Como ocorreu o machine learning?
Construir algoritmos capazes de fazer isso, usando a lógica binária "sim" e "não" dos computadores, é o alicerce do machine learning - uma frase que provavelmente foi usada pela pesquisa de Arthur Samuel na IBM durante a década de 1950. Os primeiros experimentos de Samuel envolveram ensinar máquinas para aprender a jogar damas.
Como o conhecimento - algo para descobrir e uma base para tomar decisões - é profundamente fundamental para a aprendizagem, esses primeiros computadores foram severamente prejudicados devido à falta de dados à sua disposição. Sem toda a tecnologia digital que temos hoje para capturar e armazenar informações do mundo analógico, as máquinas só podem aprender com os dados inseridos lentamente através de cartões perfurados e, posteriormente, fitas magnéticas e armazenamento.
Hoje, as coisas são um pouco diferentes - graças à implantação da internet, à proliferação de celulares, dispositivos de coleta de dados e outros dispositivos e à adoção do "online", também através das conexão no segmento industrial, nós literalmente temos mais dados do que sabemos como lidar .
Nenhum cérebro humano pode tentar processar até uma fração da informação digital disponível. Mas, com sua velocidade de relâmpago e lógica binária infalível, um computador poderia?
A rede neural e deep learning
A idéia de que se pode, é metade do que está gerando os avanços que mudam o mundo que estamos vendo hoje. A outra metade é o "cérebro" do learning machine. Porque assim como simplesmente ingerir dados, uma máquina precisa processá-la para aprender.
Várias estruturas diferentes foram experimentadas ao longo dos anos, ao construir algoritmos projetados para permitir que as máquinas lidem com dados da mesma maneira que os humanos. Isso muitas vezes extraiu do campo de estatísticas, empregando métodos como regressão linear e amostragem para atribuir probabilidades a vários resultados, permitindo assim que as previsões sejam feitas.
No entanto, o quadro que, nos últimos anos, superou todos os outros em popularidade, comprovando consistentemente sua utilidade e adaptabilidade, é a rede neural artificial.
Ao lançar a neurociência na mistura, os pesquisadores descobriram que os modelos de computador que parecem funcionar de forma mais semelhante a um cérebro humano do que qualquer coisa desenvolvida anteriormente, eram possíveis. As redes neurais artificiais, como os cérebros reais, são formadas a partir de "neurônios" conectados, todos capazes de realizar uma tarefa relacionada a dados - como reconhecer algo, não reconhecê-lo, combinando uma informação com outra peça e respondendo a uma pergunta sobre a relação entre eles.
Cada neurônio é capaz de transmitir os resultados de seu trabalho a um neurônio vizinho, que pode processá-lo ainda mais. Como a rede é capaz de mudar e adaptar com base nos dados que a atravessam, de modo a lidar mais eficientemente com o próximo bit de dados, ele pode ser pensado como "aprendendo", da mesma forma que nossos cérebros fazem.
"Deep Learning" - outra palavra-chave - é simplesmente aprendizado de máquina que é derivado de redes neurais "profundas". Estes são construídos por camadas em várias redes, umas sobre as outras, transmitindo informações através de uma rede de algoritmos emaranhados para permitir uma simulação mais complexa da aprendizagem humana. Devido ao aumento do poder e à queda do preço dos processadores de computador, máquinas com grunt suficiente para executar essas redes estão se tornando cada vez mais acessíveis.
O que pode ser feito com o machine learning?
A aplicação do machine learning à sociedade e à indústria está levando a avanços em vários campos do empreendimento humano.
Por exemplo, em medicina, o aprendizado de máquina está sendo aplicado a dados genômicos para ajudar os médicos a entender e prever como o câncer se espalha, o que significa que tratamentos mais eficazes podem ser desenvolvidos.
Os dados do espaço sideral estão sendo coletados aqui na Terra através de grandes telescópios de rádio - e depois de serem analisados com o machine learning, está nos ajudando a desbloquear os segredos dos buracos negros.
No varejo, o machine learning combina com os compradores com produtos que querem comprar on-line e no mundo dos tijolos e argamassa, permite aos assistentes de loja personalizar o serviço que eles oferecem aos seus clientes.
Na guerra contra o terror e o extremismo, o machine learning é usado para prever o comportamento daqueles que desejam prejudicar os inocentes.
No nosso dia-a-dia, o machine learning agora alimenta os algoritmos de busca e imagem do Google, para combinar com mais precisão as informações que precisamos em nossas vidas, no momento em que a precisamos.
O processo de permitir que os computadores compreendam e se comuniquem com nós em linguagem humana, graças ao machine learning, é conhecido como processamento de linguagem natural (NLP) e isso levou a avanços na tecnologia de tradução e nos dispositivos controlados por voz que usamos cada dia, incluindo Echo da Amazon.
Sem dúvida, o machine learning está provando ser uma tecnologia com potenciais transformadores de longo alcance. O sonho de ficção científica de robôs capazes de trabalhar ao nosso lado e aumentar nossa própria inventividade e imaginação com sua lógica perfeita e velocidade sobre-humana não é mais um sonho - está se tornando uma realidade em muitos campos. O machine learning é a chave que a desbloqueou, e suas possíveis aplicações futuras são quase ilimitadas.
