Ebook - Machine Learning - Principais conceitos e tendências

Prévia do material em texto

Machine Learning: principais
conceitos e tendências
2
PROIBIDA A REPRODUÇÃO TOTAL OU PARCIAL, SEM AUTORIZAÇÃO.
Lei nº 9610/98 – Lei de Direitos Autorais
3
O Machine Learning (aprendizado de máquina, em tradução para o português) é uma
subárea da inteligência artificial (IA) que se concentra no desenvolvimento de algoritmos e
modelos que permitem que os computadores aprendam e tomem decisões com base em
dados, sem serem explicitamente programados. Ao invés de seguir regras predefinidas, os
modelos de Machine Learning são treinados em grandes conjuntos de dados para
reconhecer padrões e, assim, fazer previsões ou tomar decisões com base nesses
padrões. De forma didática, Homem (2020, p. 19) faz a seguinte analogia:
Uma criança aprende a identificar um brinquedo, por exemplo, uma vez que a mesma é
exposta ao objeto várias vezes e, assim, consegue identificar padrões que o caracteriza.
Um modelo de aprendizagem, por sua vez, é exposto a um conjunto de dados robusto e
utiliza os exemplos ali contidos para identificar padrões relevantes à tarefa que lhe é
destinada.
Crescimento e impacto do Machine Learning na
sociedade
Aumento da Automação: Espera-se que haja um maior foco na automação do
ciclo de vida do Machine Learning, desde a preparação e limpeza dos dados até o
treinamento, avaliação e implantação de modelos. Isso inclui o uso de técnicas
como AutoML (Machine Learning Automático) e MLOps (Operações de Machine
Learning) para simplificar e acelerar o processo de desenvolvimento de modelos.
Interpretabilidade e Ética: À medida que os modelos de Machine Learning e Deep
Learning se tornam mais complexos e são aplicados em áreas críticas, a
interpretabilidade e a ética se tornam preocupações importantes. Haverá um foco
crescente no desenvolvimento de métodos para explicar e entender as decisões dos
modelos, bem como garantir a justiça, transparência e privacidade nos sistemas de
IA.
Aprendizado Federado: O aprendizado federado é uma técnica que permite
treinar modelos em dados distribuídos em várias localidades, mantendo a
privacidade dos dados sensíveis. Essa abordagem promissora pode permitir avanços
significativos em áreas como saúde, finanças e Internet das Coisas (IoT), onde a
colaboração em dados sensíveis é necessária.
Explicabilidade em Deep Learning: O desenvolvimento de métodos para
aumentar a explicabilidade das redes neurais profundas é uma área de pesquisa em
crescimento. Entender como as redes neurais tomam decisões e fornecer
explicações confiáveis é fundamental para a adoção de modelos de Deep Learning
em domínios críticos, como saúde e justiça.
Aprendizado por Transferência e Meta-aprendizado: A aplicação de técnicas
de aprendizado por transferência e meta-aprendizado está ganhando destaque.
Essas abordagens permitem que os modelos aproveitem o conhecimento adquirido
em tarefas anteriores para melhorar o desempenho em novas tarefas, levando a
uma melhor eficiência de treinamento e generalização.
Aumento da Integração de Domínio Específico: À medida que o Machine
Learning e o Deep Learning se tornam mais maduros, haverá um aumento na
integração de técnicas e algoritmos de domínio específico. Isso inclui o
desenvolvimento de modelos personalizados para áreas como medicina, finanças,
4
manufatura e agricultura, levando a soluções mais adaptadas e eficazes para
problemas específicos.
Avanços em Hardware Especializado: O desenvolvimento de hardware
especializado, como GPUs, TPUs e FPGAs, continua a impulsionar o desempenho e a
eficiência dos modelos de Machine Learning e Deep Learning. O surgimento de
novas arquiteturas e tecnologias, como computação quântica e neuroprocessadores,
também pode abrir caminho para avanços ainda mais significativos.
Essas são apenas algumas das tendências emergentes em Machine Learning e Deep
Learning. O campo continua a evoluir rapidamente, e é provável que haja muitos outros
avanços e descobertas emocionantes nos próximos anos, impulsionando a aplicação e a
adoção
Tipos de Aprendizado
Segundo Ludermir (2021), existem três principais tipos de aprendizado de máquina:
Aprendizado Supervisionado: Nesse tipo de aprendizado, os modelos são
treinados usando pares de entrada e saída rotulados. Ludermir destaca (2021, p.
88): "O objetivo do algoritmo é construir um classificador que possa determinar
corretamente a classe de novos exemplos ainda não rotulados. Para rótulos de
classe discretos, esse problema é chamado de classificação e para valores contínuos
como regressão"; este é o tipo mais comum de Machine Learning. Segundo Homem
(2020), os problemas de classificação envolvem a seleção de um rótulo específico
entre várias opções, como identificar a presença de um gato em uma imagem,
enquanto a regressão tem como objetivo prever um valor numérico dentro de um
intervalo contínuo, como determinar o preço de uma casa com base em sua idade,
tamanho e outros parâmetros.
Aprendizado Não Supervisionado: Aqui, os modelos são treinados em dados de
entrada não rotulados e o objetivo é descobrir padrões ou estruturas ocultas nos
dados Após a determinação desses padrões, os modelos fazem agrupamentos; "em
geral, é necessária uma análise para determinar o que cada agrupamento significa
no contexto problema sendo analisado" (LURDERMIR, 2021, p. 89). O aprendizado
não supervisionado é comumente usado para tarefas como segmentação de
clientes, agrupamento de documentos e redução de dimensionalidade.
Aprendizado por Reforço: Nesse tipo de aprendizado, os modelos aprendem por
meio de interações com um ambiente. O modelo toma ações em um ambiente e
recebe feedback em forma de recompensas ou penalidades. O objetivo é aprender
uma política que maximize as recompensas ao longo do tempo. O aprendizado por
reforço é usado em jogos, robótica e otimização de processos.
Principais Conceitos de Machine Learning
Aprendizagem de máquina, também conhecida como machine learning, é, portaanto, um
campo que tem ganhado cada vez mais destaque e aplicação nas mais diversas áreas.
Essa abordagem tem se mostrado extremamente promissora e está revolucionando a
forma como lidamos com problemas complexos e tomamos decisões; neste contexto, é
5
fundamental compreender alguns dos principais conceitos relacionados à aprendizagem
de máquina para aproveitar todo o seu potencial e explorar as inúmeras oportunidades
que essa área proporciona. A seguir, alguns destes conceitos serão esmiuçados:
Conjunto de dados: uma massa de informações utilizadas para ensinar as
máquinas. Devem ser divididos em três grupos: treinamento, validação e teste, que
constituem as fases da aprendizagem. No treinamento, a mesma massa de dados é
apresentada à máquina, enquanto nas fases de validação e testes, dados diferentes
são apresentandos, afim de comprovar o aprendizado do sistema.
Pré-processamento de Dados: no processo de aprendizagem, é necessário
garantir uma qualidade dos dados selecionados para o processo. Por isso, deve-se
fazer uma limpeza e formatação dos dados, isto, é padronizar, evitar erros,
selecionar e extrair as informação.
Avaliação e Seleção de Modelos: a partir do pré-procesamente, é possível
realizar o treinamento e teste das máquinas. Estas etapas constituem-se de
validação cruzada (Cross-validation) das informações, métricas de avaliação dos
modelos, otimização de hiperparâmetros (Grid Search, Random Search, etc.) e
técnicas de regularização (Regularization) destas informações. Por meio destes
testes, é possível verificar se a máquina pode ser utilizada para a resoução de
problemas.
Tendências em Machine Learning
Ao se discutir as tendências da aprendizagem de máquinas, é importante mencionar o
Deep Learning, uma subárea do Machine Learning que se concentra no treinamento de
redes neurais artificiais profundas, utilizando "uma grande quantidade de dados e obtém
diferentes interpretações para realizar a classificação desses dados" (HAMAGUTI; BREVE,
2022, p. 3). Esta é uma abordagem que permite explorar múltiplas camadas de
processamento de informações não-lineares usando técnicasde Machine Learning, dessa
forma capacitando os algoritmos a aprenderem vários níveis de representação e
abstração, o que proporciona uma compreensão mais significativa dos dados. Por isso,
enquanto o Machine Learning possui diversas etapas de aprendizagem, como a extração e
classificação de características, "o Deep Learning consegue aprender e classificar em uma
única etapa" (HAMAGUTI; BREVE, 2022, p. 5).
6
Figura 1 - Relação entre a inteligência Artificial, o Machine Learning e o Deep Learning
Fonte: HAMAGUTI; BREVE, 2022.
Destaca-se que as redes neurais profundas, previamente mencionadas pois é a partir
destas que funciona o modelo deep learning, são modelos compostos por múltiplas
camadas de neurônios aritificiais interconectados, que são capazes de aprender
representações hierárquicas dos dados como o cérebro humano. Assim como acontece
nos neurônios humanos, nos neurônios artificiais "existem os estímulos de entrada, as
ligações sinápticas e as saídas" (HAMAGUTI; BREVE, 2022, p. 5). Mesmo que estes
neurônios não sejam tão complexos quanto os humanos, são capazes de lidar com
problemas mais complicados, como o reconhecimento de imagem, processamento de
linguagem natural e compreensão de fala.
O Deep Learning é especialmente eficaz quando há grandes quantidades de dados
disponíveis para treinamento. Ele usa algoritmos de retropropagação para ajustar os
pesos das conexões entre os neurônios, permitindo que a rede neural aprenda a partir dos
dados e faça previsões ou tomem decisões com base neles. Por isso, este tem alcançado
resultados impressionantes em várias tarefas, superando outras abordagens de Machine
Learning em termos de desempenho. No entanto, esses modelos geralmente exigem um
grande poder computacional e conjuntos de dados significativos para treinamento.
Desafios em Machine Learning
A disponibilidade e qualidade dos dados são desafios cruciais em machine learning.
Para que os modelos sejam eficazes, é essencial ter acesso a conjuntos de dados
abrangentes e representativos. No entanto, muitas vezes os dados disponíveis são
limitados em quantidade ou qualidade, o que pode resultar em modelos enviesados,
imprecisos ou com desempenho insatisfatório.
7
Além disso, é fundamental garantir a qualidade dos dados, evitando ruídos,
inconsistências ou viéses que possam comprometer a precisão e confiabilidade dos
resultados.
Outro desafio importante é lidar com o viés e a equidade em modelos de machine
learning. Os modelos de aprendizagem de máquina são alimentados com dados históricos,
que podem refletir preconceitos e desigualdades existentes na sociedade. Isso pode levar
a decisões discriminatórias ou injustas, perpetuando os vieses presentes nos dados de
treinamento. É essencial desenvolver estratégias e técnicas para mitigar esses viéses e
garantir a equidade nos resultados produzidos pelos modelos de machine learning,
promovendo a justiça e a igualdade em sua aplicação.
A privacidade e a segurança dos dados também representam um desafio significativo
em machine learning. O treinamento de modelos de aprendizagem de máquina muitas
vezes requer o acesso a grandes quantidades de dados sensíveis e pessoais. É necessário
implementar medidas robustas para proteger esses dados contra ameaças de vazamento,
ataques cibernéticos e mau uso. Além disso, é importante considerar a ética e a legislação
relacionadas à privacidade dos dados, garantindo o consentimento adequado e a
conformidade com as regulamentações vigentes.
A interpretabilidade de modelos complexos é outro desafio enfrentado em machine
learning. À medida que os modelos se tornam mais complexos, como redes neurais
profundas, sua capacidade de tomar decisões com base em padrões complexos aumenta,
mas sua interpretabilidade diminui. Compreender como os modelos chegam a
determinadas decisões pode ser crucial em áreas como medicina e direito, onde a
explicação dos resultados é essencial. Desenvolver métodos e técnicas para tornar os
modelos mais interpretáveis ​​e transparentes é um desafio ativo na área de machine
learning.
Por fim, a escalabilidade e a eficiência computacional são desafios relevantes em
machine learning. À medida que a quantidade de dados e a complexidade dos modelos
aumentam, é necessário garantir que os algoritmos e as infraestruturas de computação
possam lidar eficientemente com essas demandas. O treinamento e a inferência dos
modelos podem exigir recursos computacionais significativos, e a capacidade de
dimensionar e otimizar o desempenho dos sistemas de machine learning é fundamental
para aproveitar todo o potencial dessa tecnologia em larga escala.
Ética em Machine Learning
Os desafiosdiscutidos alinham-se diretamente às questões éticas que envolvem o
aprendizado em máquinas, se entrelaçando em alguns aspectos. Destaca-se que é
fundamental abordar essas questões de forma responsável e consciente.
Uma das questões éticas fundamentais está relacionada à coleta e uso de dados. Os
algoritmos de machine learning dependem de conjuntos de dados para aprender e tomar
decisões. No entanto, a coleta indiscriminada ou invasiva de dados pode levantar
preocupações de privacidade e segurança. É essencial que a coleta de dados seja feita de
forma transparente e legal, com o consentimento adequado dos indivíduos envolvidos.
8
Além disso, é importante garantir que os dados sejam utilizados de maneira ética e
responsável, respeitando os direitos e a dignidade dos indivíduos.
Outro ponto crítico é o viés e a discriminação em algoritmos de machine learning. Os
modelos de aprendizagem de máquina podem ser influenciados pelos vieses presentes
nos dados de treinamento, o que pode levar a resultados discriminatórios ou injustos. Por
exemplo, se um modelo é treinado com dados históricos que refletem desigualdades
sociais, ele pode perpetuar essas desigualdades em suas decisões. É fundamental
desenvolver técnicas e abordagens para mitigar o viés e garantir a equidade nos
resultados produzidos pelos modelos de machine learning, evitando a discriminação e
promovendo a justiça.
A responsabilidade tanto dos desenvolvedores quanto dos usuários de modelos de
machine learning é outro aspecto ético importante. Os desenvolvedores têm a
responsabilidade de criar algoritmos que sejam éticos e justos, levando em consideração
as possíveis consequências negativas de suas aplicações. Eles devem ser transparentes
sobre o funcionamento dos modelos, as limitações e os possíveis vieses envolvidos. Por
sua vez, os usuários dos modelos de machine learning devem ser responsáveis ​​em sua
utilização, garantindo que os resultados sejam interpretados corretamente e que não
sejam tomadas decisões injustas ou discriminatórias com base nos resultados gerados
pelos algoritmos.
O machine learning representa uma revolução na forma como as máquinas podem
aprender e tomar decisões com base em dados. Ao compreender os principais conceitos, é
possível aproveitar o potencial dessa tecnologia em diversas áreas. Além disso, é
importante estar ciente das tendências em constante evolução nesse campo. Avanços
como deep learning, aprendizado por reforço e processamento de linguagem natural
abrem novas possibilidades. No entanto, também é crucial considerar questões éticas
relacionadas à coleta de dados, viés e responsabilidade dos desenvolvedores e usuários. À
medida que o machine learning continua a se expandir e impactar nossa sociedade, é
essencial manter-se atualizado, explorar suas aplicações com responsabilidade e buscar
abordagens éticas para garantir que essa tecnologia seja utilizada para o benefício de
todos.
9
Referências
CERRI, Ricardo; CARVALHO, André Carlos Ponce de Leon Ferreira de. APRENDIZADO DE
MÁQUINA: BREVE INTRODUÇÃO E APLICAÇÕES. Cadernos de Ciência & Tecnologia,
Brasília, v. 34, n. 3, p. 297-313, dez. 2017.
HAMAGUTI, Érika Kayoko; BREVE, Fabricio Aparecido. Introdução Sobre Machine
Learning e Deep Learning. In: XI Jornada Científica e Tecnológica (Jornacitec) 2022,
2022, Botucatu – SP. Anais eletrônicos da Jornacitec, 2022.
HOMEM,William Ludovico. Apostila de Machine Learning. PROGRAMA DE EDUCAÇÃO
TUTORIAL ENGENHARIA MECÂNICA, 2020.
LUDERMIR, Teresa Bernarda. Inteligência Artificial e Aprendizado de Máquina: estado atual
e tendências. Estudos Avançados, [S.L.], v. 35, n. 101, p. 85-94, abr. 2021.