Paul Downey Flickr
Aprendizado de máquina é uma frase que é usada com frequência cada vez mais, mas muitos ainda não sabem exatamente o que é . Claro, há uma razão para isso. Ainda está em seus estágios iniciais, e muitos assumem que ainda não é algo que afeta a população em geral. De fato, talvez isso não seja tão verdadeiro quanto alguns supõem.
Então, o que é aprendizado de máquina? E o que está sendo usado hoje? Aqui está o nosso guia sobre tudo o que você precisa saber sobre aprendizado de máquina.
O que é aprendizado de máquina?
Simplificando, o aprendizado de máquina é uma forma de inteligência artificial que permite que os computadores aprendam sem nenhuma programação extra. Em outras palavras, o software é capaz de aprender coisas novas por conta própria, sem que um programador ou engenheiro precise 'ensiná-lo'. O aprendizado de máquina é capaz de coletar dados e detectar padrões e encontrar soluções, aplicando essas soluções a outros problemas.
Imagem: K? Rlis Dambr? Ns | Flickr
É importante observar que o aprendizado de máquina como um conceito não é novo - é difícil rastrear as origens precisas do conceito, considerando que ele é mesclado a outras formas de tecnologia. Você poderia argumentar que o aprendizado de máquina data desde a criação do Teste de Turing, que foi usado para determinar se um computador tinha inteligência. O primeiro programa de computador que aprender, no entanto, foi um jogo de damas, desenvolvido em 1952 por Arthur Samuel. Este jogo melhorou quanto mais jogou.
A tecnologia recente, no entanto, melhora drasticamente o aprendizado de máquina. Por exemplo, o aprendizado de máquina exige muito poder de processamento, tanto que apenas começamos a desenvolver o aprendizado de máquina básico na história recente.
Existem algumas maneiras principais de os programadores implementarem o aprendizado de máquina. O primeiro é chamado de 'aprendizado supervisionado'. O que isso significa basicamente é que uma máquina recebe problemas onde a solução para o problema é conhecida. O algoritmo de aprendizado é capaz de receber esses problemas juntamente com os resultados desejados, identificando padrões nos problemas e agindo de acordo. O aprendizado supervisionado é frequentemente usado para prever eventos futuros - como quando uma transação com cartão de crédito pode ser fraudulenta.
A segunda implementação do aprendizado de máquina é chamada de 'aprendizado não supervisionado'. Nesse caso, o resultado de um problema não é dado ao software - em vez disso, ele gera problemas e precisa detectar padrões nos dados. O objetivo aqui é encontrar uma estrutura nos dados que são fornecidos.
Terceiro, é 'aprendizado semi-supervisionado'. Esse método de aprendizado de máquina geralmente é usado para as mesmas coisas que o aprendizado supervisionado, mas leva dados com uma solução e dados sem. O aprendizado semi-supervisionado geralmente é implementado quando os fundos são limitados e as empresas não conseguem fornecer conjuntos completos de dados para o processo de aprendizado.
Por último, mas não menos importante, é o 'aprendizado por reforço', usado especificamente para coisas como jogos e robôs. O aprendizado por reforço é basicamente ensinado por tentativa e erro - a máquina tenta coisas e aprende com base em seus sucessos ou falhas. O objetivo aqui é que a máquina descubra os melhores resultados possíveis.
Obviamente, todos esses métodos de aprendizado de máquina envolvem alimentar uma máquina com centenas de milhares de problemas e grandes quantidades de dados. Realmente, quanto mais dados, melhor.
Onde o aprendizado de máquina é usado hoje?
Fotos de dinheiro | Flickr
Na verdade, existem muitos lugares em que o aprendizado de máquina é usado hoje. Muitos deles estão nos bastidores, no entanto, você pode se surpreender ao saber que muitos deles também são algo que você usa todos os dias.
Talvez o que você mais usa esteja no seu assistente pessoal - isso mesmo, pessoas como Siri e Google Now usam aprendizado de máquina, principalmente para entender melhor os padrões de fala. Com tantos milhões de pessoas usando o Siri, o sistema pode avançar seriamente na maneira como trata idiomas, sotaques e assim por diante.
Obviamente, a Siri não é a única aplicação do consumidor para aprendizado de máquina. Outro uso é no setor bancário, como a detecção de fraudes. Por exemplo, algoritmos de aprendizado de máquina podem rastrear padrões de gastos, determinando quais padrões têm maior probabilidade de serem fraudulentos com base em atividades fraudulentas passadas.
De fato, até seu e-mail pode estar usando aprendizado de máquina. Por exemplo, os emails de spam são um problema e evoluíram com o tempo. Os sistemas de email usam o aprendizado de máquina para rastrear padrões de email de spam e como os emails de spam são alterados, colocando-os na pasta de spam com base nessas alterações.
Conclusões
O aprendizado de máquina deve ser uma grande parte de como usamos a tecnologia no futuro e como a tecnologia pode nos ajudar. Do Siri ao US Bank, o aprendizado de máquina está se tornando cada vez mais difundido, e isso provavelmente continuará.
