Introdução ao Machine Learning e a IA Gen - parte 1
Recado Importante: este é primeiro artigo de uma série de artigos sobre Machine Learning, Deep Learning e Gen IA
No boom atual das Gen AI, é fundamental não basta apenas saber os prompts certos para utilizar uma Gen IA, mas entender como ela funciona por dentro. Estudando Machine Learning desde 2022, vejo que é fundamental entender este mecanismo para aplicarmos melhor a Gen IA nas tarefas do cotidiano.
A criação
O termo Machine Learning (ou Aprendizado de Máquina) não é novo, o primeiro artigo falando sobre o assunto é da década de 1940 e o conceito tem como criadores Alan Turing (com seu teste), Geoffrey Hinton, Yann LeCunn e Yoshua Bengio com pesquisa nas décadas entre 80 e 90.
Mas porque somente nas últimas décadas o termo se tornou popular no mundo da tecnologia? Devido a vários fatores:
- o avanço no campo científico – na criação de modelos matemáticos e algoritmos mais complexos;
- a melhoria no desempenho da memória e processamento dos sistemas computacionais
- o aumento dos dispositivos de comunicação e integração (computadores, notebooks, smartphones, tablets, smart TVs e smartwatches) o que criou uma enorme massa de dados;
- e por último - uma consequência do item anterior - o aumento da demanda por soluções customizadas.
Conceito e Pilares do Machine Learning
O Machine Learning pode ser entendido como um sistema computacional que utiliza algoritmos e modelos matemáticos (Cálculo, Álgebra Linear e principalmente Estatística) para realizar uma inferência, chegar a uma conclusão sobre um grande conjunto de dados.
Mas você pode estar perguntando: “a Ciência da Computação não faz isso?” Já que também utilizamos a Matemática e algoritmos para desenvolver sistemas. Sim, é verdade, mas a diferença do Machine Learning da Computação Tradicional está na forma como um sistema é desenvolvido. Veja a imagem abaixo:
No modelo de computação tradicional, o sistema recebe os dados de entrada através do programador (input), segue as instruções do código no algoritmo e retorna com o informações esperadas ou predições (output). Por exemplo, um programador cria um conversor de temperatura de Celsius para Fahrenheit, ele insere os dados (valores de temperatura em Celsius) e já é esperado os valores em Fahrenheit, seguindo o algoritmo que foi criado pelo programador.
Já em um modelo de Machine Learning, o sistema recebe os dados de entrada através de padrões observados do comportamento humano, busca um melhor modelo (matemático) para o problema em questão e retorna as conclusões, predições esperadas. Por exemplo, um banco quer analisar o risco de fraudes em cartões de crédito, então ele envia ao sistema de os dados das transações em cartões de crédito, o sistema analisa os padrões no conjunto de dados e retorna qual modelo é o mais adequado para esta situação e a predições de quais transações implicam em fraudes.
Classificações do Machine Learning
O Machine Learning é classificado em quatro áreas:
- Aprendizagem Supervisionado (Supervised Learning): modelo clássico e preditivo, onde o conjunto de dados estão rotulados, auxiliando como exemplos para máquina no seu aprendizado, que busca um padrão para aproximar as entradas e saídas rotuladas e medir a precisão dessa aproximação. É muito utilizado em classificação e regressão.
- Aprendizagem Não Supervisionado (Unsurpervised Learning): outro modelo preditivo, mas a diferença está no fato da máquina encontrar padrões ocultos nos dados sem a necessidade de rótulos ou qualquer intervenção humana.
- Aprendizagem de Reforço (Reinforcement Learning): um agente (pode ser um robô ou um carro autônomo) toma decisões com base no ambiente ao seu redor. O agente não utiliza dados rotulados e aprende por tentativa e erro, por meio de recompensas.
- IA Generativa (Gen AI): é a Inteligência Artificial que cria conteúdo multimídia (texto, imagem, vídeo ou áudio) em resposta a um comando (prompt) do usuário. Baseia-se no Deep Learning – algoritmos que simulam o processo de aprendizagem do cérebro humano.
O que é um modelo?
Como citado anteriormente, modelo é um termo muito utilizado em Machine Learning, e nada mais é do que uma representação matemática de um sistema do mundo real. Traduzindo: é uma fórmula matemática aplicada em um algoritmo que transforma os dados em informações significativas. Temos vários tipos de algoritmos para situações diversas do cotidiano (prever e prevenir uma fraude, indicar um produto para um cliente em um site de e-commerce ou recomendar um filme em um serviço de streaming, para citar alguns exemplos). Entre os algoritmos que existem, podemos citar:
- Regressão Linear e Logística
- Árvore de Decisão
- Random Forest
- Naive Bayes
- SVM (Support Vector Machine)
- K-Vizinhos mais próximos
- Clustering
- Redes Neurais
