O já falecido cientista computacional, Arthur Samuels, define aprendizado de máquina (ou machine learning, no termo em inglês) como “o campo de estudos que dá a habilidade de uma máquina aprender sem estar explicitamente programada”. Em outras palavras, seria a capacidade de uma máquina aprender tarefas e resolver problemas sem a interferência de humanos.
Você se recorda daqueles programas televisivos, no qual o apresentador dá algumas pistas aos participantes, que têm que adivinhar qual a pessoa ou o objeto ao qual o apresentador se refere? Suponhamos que o apresentador diga: é alaranjada e é comida pelos coelhos. Um participante que não se deixe levar pelo nervosismo, rapidamente saberá que a solução para a charada é a palavra “cenoura”.
O reconhecimento de padrões, uma das principais vertentes da aprendizagem de máquina, trabalha justamente com essa metodologia: tendo como base diversas características (também chamadas de “atributos”) fornecidas, o computador precisa “adivinhar” ao que o usuário se refere. “Este é o princípio básico dos métodos de reconhecimento de padrões”, explica Luciano da Fontoura Costa, docente do Grupo de Computação Interdisciplinar do Instituto de Física de São Carlos (GCI-IFSC/USP).
Porém, diferente dos humanos, um computador tipicamente não usa palavras em reconhecimento de padrões, mas principalmente números (a famosa “linguagem binária”). Por essa razão, os atributos são normalmente apresentados como medidas numéricas, como peso, comprimento, área etc. Objetos com atributos semelhantes formam os chamados agrupamentos, ou “clusters”, que nada mais são do que um conjunto de elementos com características comuns. “Os algoritmos de classificação são aqueles que sabem diferenciar, com base nos atributos fornecidos, a diferença entre maçãs e laranjas, por exemplo”, exemplifica Luciano. “Esses algoritmos podem ser de dois tipos principais: supervisionados ou não supervisionados. No primeiro caso, o computador é ‘treinado’ para identificar um objeto e atribuir uma categoria a ele, tendo como base diversos atributos já fornecidos pelos usuários e também as respectivas categorias. Esta é a fase de treinamento, que é seguida pela fase de classificação, no qual objetos com classe desconhecida são, então, identificados pela máquina. No caso de algoritmos não supervisionados, o usuário fornece apenas os atributos dos objetos, sem dizer as respectivas categorias, e a máquina faz as classificações automaticamente, com base somente nas semelhanças e diferenças entre os atributos fornecidos. Na prática, os algoritmos não supervisionados podem levar à descoberta de novos grupos, como uma nova doença, por exemplo”.
Um dos maiores desafios para estudiosos da área é “treinar” as máquinas para escolher atributos da melhor maneira possível, que seria justamente uma das características do deep learning (clique aqui para mais informações). “Deep learning caracteriza-se como procedimentos de reconhecimento de padrões utilizando muitos recursos computacionais e de dados: várias camadas, muitos neurônios e muitos exemplos. Um aspecto complementar desta pesquisa é buscar que a máquina escolha os atributos de modo eficiente, e diversos resultados demonstram bom progresso nesta direção”, observa o docente.
As Perspectivas para o Futuro
Por envolver diversas áreas de pesquisa, machine learning tem virtualmente aplicações em todas as áreas, de agronomia até música.
Uma família importante de abordagens em machine learning, no entanto, tem como base as chamadas redes neuronais (clique aqui para saber mais), que tem grande afinidade com a física, através de conceitos como redes de spins, domínios magnéticos, redes de Hopfield, entre outros. “A estatística também é muito importante. Na realidade, é uma das grandes áreas que estão por trás do conceito de aprendizagem de máquina”, explica o docente.
A importância do reconhecimento de padrões é novamente destacada nesse contexto. “Os seres humanos estão continuamente criando modelos mentais para reconhecer situações, possibilidades, objetos, inclusive para tarefas mais corriqueiras”, afirma Luciano.
Mas, mesmo com as inúmeras pesquisas na área, as máquinas ainda estão aquém da inteligência humana. Veículos autônomos e buscas eficientes na Internet são alguns dos exemplos mais famosos, onde ainda permanecem alguns desafios, como a ambiguidade de palavras e situações críticas de trânsito. Essas são apenas algumas de diversas questões que deixam as máquinas ainda distantes de alcançar os seres humanos.
Assessoria de Comunicação- IFSC/USP
