SCRIPT DE IA

This is a file preview. Join to view the original file.

MACHINE LEARNING
Algumas tecnologias passam a fazer parte do nosso dia a dia de um jeito tão silencioso que a gente dificilmente percebe. Um exemplo é o machine learning, que pode ser traduzido como aprendizado de máquina ou aprendizagem de máquina: esse é um conceito associado à inteligência artificial, razão pela qual é cada vez mais destacado pela mídia. Apesar disso, pouca gente compreende a ideia.
Vamos começar esclarecendo um detalhe que causa confusão: muita gente pensa que machine learning e inteligência artificial significam a mesma coisa, mas não é bem assim. Na verdade, a inteligência artificial é um conceito amplo que inclui o aprendizado de máquina como um dos seus recursos.
Machine learning também é um conceito com várias definições possíveis. Aqui vai uma que nos permite assimilar bem sua essência: aprendizado de máquina é um sistema que pode modificar seu comportamento autonomamente tendo como base a sua própria experiência — o treinamento que abordamos anteriormente. A interferência humana aqui é mínima.
A tal modificação comportamental consiste, basicamente, no estabelecimento de regras lógicas, vamos dizer assim, que visam melhorar o desempenho de uma tarefa ou, dependendo da aplicação, tomar a decisão mais apropriada para o contexto. Essas regras são geradas com base no reconhecimento de padrões dentro dos dados analisados.
Pense em uma pessoa que digita a palavra bravo em um site de busca. O serviço precisa analisar uma série de parâmetros para decidir se exibe resultados equivalentes a enfurecido ou a corajoso, dois significados possíveis. Entre os numerosos parâmetros disponíveis está o histórico de pesquisa do usuário: se minutos antes ele tiver buscado por coragem, por exemplo, o segundo significado é o mais provável.
Esse é um exemplo muito simples, mas que ilustra alguns aspectos importantes do machine learning. Para começar, é importante que sistemas do tipo façam análises com base em uma quantidade significativa de dados, coisa que os buscadores têm de sobra por conta dos milhões de acessos que recebem e que, consequentemente, servem de treinamento.
O uso do machine learning nas mais diversas aplicações só tende a crescer. Não é por capricho, mas por necessidade: muitos recursos tecnológicos que temos hoje só funcionam ou são viáveis por conta da inteligência artificial. Eis alguns exemplos:
– Banco de dados autônomo: com auxílio do machine learning, bancos de dados autônomos lidam de modo automatizado com várias tarefas até então realizadas por um administrador (DBA), permitindo que o profissional cuide de outras atividades e diminuindo o risco de indisponibilidade da aplicação por falha humana;
– Combate a fraudes em sistemas de pagamento: diversas tentativas de fraudes com cartões de crédito e outros meios de pagamentos são geradas a cada segundo no mundo todo; felizmente, o machine learning tem permitido que sistemas de combate a fraudes barrem a maior parte dessas ações;
– Tradução de textos: uma tradução nunca pode ser feita ao pé da letra; é preciso levar em conta contextos, expressões regionais e outros parâmetros. Graças ao machine learning, os tradutores automáticos estão ficando cada vez mais precisos;
– Recomendação de conteúdo: plataformas de streaming de vídeo e áudio usam o machine learning para analisar o histórico de conteúdo reproduzido ou rejeitado pelo usuário para dar a ele recomendações condizentes com os seus gostos.
				Deep Learning
Falando de uma forma bem simples de entender, Deep Learning (aprendizagem profunda, em português) é um tema emergente dentro do campo da Inteligência Artificial. Uma subcategoria de aprendizado de máquina que diz respeito a oportunidades de aprendizagem profundas com o uso de redes neurais para melhorar as coisas, tais como reconhecimento de fala, visão computacional e processamento de linguagem natural. Isso está rapidamente se tornando um dos mais estudados e procurados campos dentro da ciência da computação moderna.
O Deep Learning é a tecnologia base para ferramentas como o Google Translate (Google Tradutor) e a Cortana (assistente personalizado da Microsoft), por exemplo. Em suma, com enorme quantidade de poder computacional, as máquinas podem agora reconhecer objetos e traduzir voz em tempo real. O Deep Learning, portanto, torna finalmente a Inteligência Artificial de fato inteligente e aplicável.
Tecnicamente falando, o Deep Learning faz o “treinamento” de um modelo computacional para que ele possa decifrar a linguagem natural. O modelo relaciona termos e palavras para inferir significado, uma vez que é alimentado com grandes quantidades de dados.
Tecnicamente falando, o Deep Learning faz o “treinamento” de um modelo computacional para que ele possa decifrar a linguagem natural. O modelo relaciona termos e palavras para inferir significado, uma vez que é alimentado com grandes quantidades de dados.
Tradicionalmente, a qualidade dos algoritmos depende muito da representação dos dados em certas características (as chamadas features). Assim, Feature Engineering e pré-processamento consomem grande parte dos esforços dos especialistas e são específicos para cada domínio — na análise de imagens, por exemplo, é comum fazer o pré-processamento com algoritmos de detecção de fronteiras (os chamados edges) para facilitar a identificação de objetos.
Já os algoritmos do tipo Deep Learning têm uma abordagem inovadora, pois dispensam grande parte desse pré-processamento e geram automaticamente propriedades invariantes em suas camadas hierárquicas de representação.
compreensão do comportamento do cliente, realizado por sites de e-commerce robustos (Amazon e eBay). Durante todo o tempo no site, os dados do consumidor são coletados. Quanto maior a experiência no local, maiores serão as chances de efetivar a compra. Assim, o site é otimizado a cada acesso por meio dos dados gerados, para que a experiência para aquele cliente seja mais envolvente;
O Deep Learning pode ser um aliado essencial para potencializar as inovações no setor de TI do seu negócio. Isso porque, pela sua capacidade de resolver o entendimento de dados, consegue-se analisar um grande volume de informações que chegam até o sistema, facilitando o entendimento sobre suas soluções atuais e encontrando possíveis gargalos, de forma a criar soluções para resolvê-los.
Também é possível, por meio desse conceito, automatizar atividades que são rotineiras e mecânicas dentro do setor de TI, de forma que possam ser executados sem a necessidade de intervenção humana no processo. Ganha-se assim em eficiência, agilidade e precisão nesses processos. Os profissionais que seriam responsáveis por essas tarefas podem ter seus esforços direcionados para questões mais analíticas, o que permitiria aumentar o grau de criatividade no desenvolvimento e, também, melhorar as partes analíticas dos processos de desenvolvimento, criação e testes.
Também auxilia na tomada de decisões dentro do setor de TI. Por meio de uma gestão orientada a dados, com os insights oferecidos pelo Deep Learning, os indicadores e relatórios apresentam uma maior precisão, permitindo otimizar as operações internas e, até mesmo, operações externas, oferecendo subsídios para outras áreas da empresa (como marketing e vendas).
Conclusao
O resultado de todos os pontos anteriores, junto com uma otimização da infraestrutura de TI, são operações realizadas de forma mais analítica (já que as atividades técnicas ficam direcionadas para serem realizadas de forma automatizada pelos algoritmos). Com isso, há uma maior produtividade dos especialistas, seja de forma individual, seja da equipe como um todo. Com melhores resultados, o gestor de TI consegue ter um maior embasamento para negociar prazos e condições com clientes, empreendedores e gestores da empresa, o que também auxilia o setor como um todo.
Todas as grandes empresas de software estão investindo fortemente na construção de capacidades de aprendizagem profunda e incorporando-as
em muitos dos seus produtos. O Facebook está lançando, de forma gratuita, os desenhos de um novo servidor com a intenção de melhor executar suas aplicações de inteligência artificial; a IBM abriu seu código de aprendizagem de máquina, o SystemML, entre inúmeros outros exemplos.