Como a IA Aprende?
Já usamos soluções de IA há muitos anos, e prova disso é o nosso uso de redes sociais, tradutores, e outros diversos serviços das big techs. Mas nos últimos meses temos visto uma corrida para entender como aplicar a Inteligência Artificial em praticamente todos as indústrias e profissões. Entender como a IA aprende é importante para mapear os seus usos.
Antes de prosseguirmos, vamos recuperar a definição de IA dada por Arthur Samuel.
O campo de estudo que permite aos computadores terem a habilidade de aprender sem serem explicitamente programados. Arthur Samuel, 1959.
Mas como a IA aprende?
Neste artigo farei um resumo das abordagens de aprendizado em IA. Contamos com três principais estratégias:
1. APRENDIZADO SUPERVISIONADO
Nesta abordagem, o modelo aprende recebendo como entrada um conjunto de dados com características definidas. Para cada entrada, um rótulo é fornecido e define a saída esperada.
O modelo deve aprender a mapear as entradas para as saídas esperadas.
Durante o treinamento, o modelo ajusta seus parâmetros internos para minimizar a diferença entre suas previsões e os rótulos que identificam as saídas esperadas.
Após o treinamento, o modelo pode ser usado para fazer previsões em novos dados não rotulados.
Vamos a um exemplo clássico: identificação de imagens de gatos.
Neste exemplo, os dados para treinar o modelo estão em um conjunto de imagens. Para cada imagem, temos um rótulo previamente associados para a saída esperada, que pode ser "É Gato" ou "Não é Gato".
As características de cada imagem de entrada são os pixels da imagem (números em uma matriz).
O modelo, considerando parâmetros internos que inicialmente podem ser aleatórios, aplica funções matemáticas que traduzem o conjunto de pixels em uma saída: "Não é Gato" ou "É Gato".
No processo de treinamento, sempre que o modelo erra a classificação (por exemplo concluindo que "Não é Gato" em uma imagem rotulada como "É Gato"), os parâmetros internos do modelo (pesos e outros valores aplicados nas funções matemáticas) são ligeiramente modificados para que o mapeamento se aproxime da resposta esperada.
Os parâmetros são ajustados a cada passo do treinamento e, após um grande número de interações, o modelo passa a ter assertividade e classificar corretamente a imagem.
Ou seja, as funções matemáticas têm seus parâmetros ajustados de tal forma que dada uma entrada, a saída está de acordo com o rótulo de saída esperada.
Uma vez que o modelo está ajustado (treinado), pode ser usado para que reconheça e classifique novas imagens, não utilizadas no treinamento. Ou seja, temos uma IA que aprendeu a reconhecer imagens de gatos.
Vejam que o treinamento é feito com informações rotuladas, ou seja, fornecemos o resultado que esperamos para cada entrada. E daí o nome Aprendizado Supervisionado.
Recomendados pelo LinkedIn
Uma IA treinada com um número suficientemente grande de dados pode superar a capacidade humana em uma determinada tarefa, como já aconteceu para a capacidade de reconhecimento de imagens.
Exemplos de aplicações:
2. APRENDIZADO NÃO SUPERVISIONADO
A IA também pode nos ajudar a entender a informação através de insights, nos ajudando a entender padrões nos dados que ainda não entendemos, e podem nos ajudar a tomar decisões.
Aqui entra o aprendizado não supervisionado.
O modelo é treinado com dados de entrada não rotulados, ou seja, não informamos ao modelo o que esperamos da avaliação.
Por exemplo, digamos que queremos descobrir perfis de consumo de clientes, e temos dados do comportamento de compra de milhares de clientes em diversos canais. Ao passar estes dados para um modelo de aprendizado não supervisionado, as interações podem encontrar padrões estatísticos tais como grupos de clientes (clusters) com base em características similares e outras relações entre suas características.
Podemos descobrir que clientes compram fraldas, também costumam comprar cerveja. Através de aplicações estatísticas sobre os dados, a IA aprendeu que esta é uma relação objetiva.
Cabe ao usuário, ou processos automatizados, tomar decisões sobre os insights gerados.
3. APRENDIZADO POR REFORÇO
Aqui a chave para o treinamento e aprendizagem está no mecanismo de retorno (feedback) negativo ou positivo para uma determinada decisão do modelo. Para entender, vamos a um exemplo de treinamento de robô autônomo.
Em um cenário em que um robô autônomo precisa navegar em um ambiente desconhecido, evitando obstáculos e alcançando um destino específico podemos usar o aprendizado por reforço.
O robô pode ser treinado para aprender a executar ações de movimento e receber recompensas positivas quando chegar ao destino, e recompensas negativas quando colidir com obstáculos. Com o tempo, o robô aprende a navegar de forma mais eficiente e segura no ambiente.
Nesse tipo de abordagem, o modelo aprende a tomar decisões sequenciais em um ambiente dinâmico com o objetivo de maximizar uma recompensa acumulada ao longo do tempo. O robô interage com o ambiente, observando estados e realizando ações, recebendo feedback positivo ou negativo em resposta a suas ações. O aprendizado por reforço requer um sistema de recompensas para indicar o desempenho em uma tarefa.
Conclusão
A IA tem formas distintas para aprender, que estão associadas a diferentes perfis de casos de uso. Um modelo treinado pode ser utilizado desde a automação de processos operacionais, passando pela avaliação de cenários e indo até as decisões estratégicas orientadas a dados.
A qualidade da IA está associada à qualidade e quantidade de dados disponíveis. Não é sem razão que já se fala há muito tempo que os dados são novo petróleo.
Bem, esta é uma visão básica das abordagens de aprendizagem de máquina.
Tratarei de outras perspectivas da IA em futuros artigos.
IT Digital Leader @ SKY | Ajudo líderes de TI a transformarem seus resultados enquanto se tornam mais estratégicos | Agilista Pragmático | Consultor | Mentor
1 aÓtimo texto Rodrigo. Visto que aprender não necessariamente significa melhorar nesse caso, como você mesmo mencionou nos seus parágrafos finais, a qualidade dos dados é findamental para evitar as alucinações.