18/01/2016
Por Débora Morales, estatística do Instituto das Cidades Inteligentes (ICI)
A tecnologia de aprendizagem mecânica alimenta muitos aspectos da sociedade moderna, desde pesquisas na web, filtragem de conteúdo em redes sociais, até recomendações em sites de comércio eletrônico, e está cada vez mais presente em produtos de consumo, como câmeras e smartphones. Os sistemas de aprendizado de máquina são um subcampo da Inteligência Artificial que permitem o uso de métodos de análises de dados que automatizam o desenvolvimento de modelos analíticos.
Recentemente, as técnicas de aprendizado de máquinas fizeram avanços em uma variedade de áreas de aplicação, como bioinformática, identificação de objetos em imagens, transcrição de mensagens em texto, combinação de itens de notícias, postagens ou produtos com os interesses dos usuários e seleção dos resultados relevantes de pesquisas.
O aprendizado de máquina constrói algoritmos e modelos que possam aprender a tomar decisões diretamente de dados sem seguir regras predefinidas. Os algoritmos se dividem em três categorias: aprendizagem supervisionada, não supervisionada e de reforço.
Especificamente os algoritmos de aprendizagem supervisionada aprendem a conduzir tarefas de classificação ou regressão a partir de dados rotulados, enquanto os não supervisionados se concentram na classificação dos conjuntos de amostras em diferentes grupos (ou seja, clusters) com dados não rotulados.
Já nos algoritmos de aprendizagem de reforço, os agentes aprendem a encontrar as melhores séries de ação para maximizar a recompensa acumulada (ou seja, a função objetiva) interagindo com o meio ambiente.
Os avanços mais recentes incluem aprendizado profundo (deep learning), transferência de aprendizado e redes adversárias generativas (GAN), e fornecem também as investigações e instruções de aplicação da inteligência artificial de formas inimagináveis.
O aprendizado profundo (deep learning) utiliza modelos de redes neurais de múltiplas camadas, sendo usado em uma incrível variedade de aplicações e diferentes combinações de técnicas matemáticas. É um modelo poderoso e diferenciado, pois pode considerar todos os parâmetros e automaticamente determinar a melhor combinação dos valores de entrada, tornando o processo de tomada de decisão muito mais sofisticado, convertendo computadores e dispositivos em sistemas mais inteligentes.
As coisas que os robôs só podiam fazer em filmes de ficção científica podem agora ser realizadas por smartphones. Qualquer linguagem pode ser compreendida e traduzida quase instantaneamente: conversamos com Siri, Cortana, Google Assistant ou Alexa; elas entendem, obedecem e respondem com um discurso natural e uma piada ocasional.
A impressionante “criatividade” das máquinas também é expressa no campo do processamento de imagens e visão. As redes neurais, vagamente inspiradas pela arquitetura hierárquica do sistema visual de primatas, superam rotineiramente os seres humanos em tarefas de reconhecimento de objetos. Agora, cenas complexas podem ser analisadas para localizar e identificar com precisão cada objeto e sua relação com os outros, e ainda fornecer uma descrição por texto.
Pode-se dar à rede uma foto de férias e pintá-la como um quadro impressionista; inserir uma foto em preto e branco antiga, e tê-la colorizada; dar um desenho de linhas e transformá-lo em um objeto real; dar uma descrição de texto e ter uma novela nunca vista antes de imagens geradas a partir do zero. Ao inverter o processo de análise (deconvolução), as imagens novas podem ser sintetizadas, dando a essas redes a capacidade de “sonhar”, mas também de realizar proezas de processamento úteis de imagem. Não parece haver nenhum limite para o que pode ser feito, exceto para a imaginação humana (e o conjunto de dados de treinamento).
Muitos são os avanços no campo da inteligência artificial e deve-se ver o incrível progresso do aprendizado de máquina como um despertador, uma ocasião para abandonar desculpas e uma razão para encorajar novas abordagens.
*Débora Morales é mestra em Engenharia de Produção (UFPR) na área de Pesquisa Operacional com ênfase a métodos estatísticos aplicados à engenharia e inovação e tecnologia, especialista em Engenharia de Confiabilidade (UTFPR), graduada em Estatística e em Economia. Atua como estatística no Instituto das Cidades Inteligentes (ICI).
Recentemente, as técnicas de aprendizado de máquinas fizeram avanços em uma variedade de áreas de aplicação, como bioinformática, identificação de objetos em imagens, transcrição de mensagens em texto, combinação de itens de notícias, postagens ou produtos com os interesses dos usuários e seleção dos resultados relevantes de pesquisas.
O aprendizado de máquina constrói algoritmos e modelos que possam aprender a tomar decisões diretamente de dados sem seguir regras predefinidas. Os algoritmos se dividem em três categorias: aprendizagem supervisionada, não supervisionada e de reforço.
Especificamente os algoritmos de aprendizagem supervisionada aprendem a conduzir tarefas de classificação ou regressão a partir de dados rotulados, enquanto os não supervisionados se concentram na classificação dos conjuntos de amostras em diferentes grupos (ou seja, clusters) com dados não rotulados.
Já nos algoritmos de aprendizagem de reforço, os agentes aprendem a encontrar as melhores séries de ação para maximizar a recompensa acumulada (ou seja, a função objetiva) interagindo com o meio ambiente.
Os avanços mais recentes incluem aprendizado profundo (deep learning), transferência de aprendizado e redes adversárias generativas (GAN), e fornecem também as investigações e instruções de aplicação da inteligência artificial de formas inimagináveis.
O aprendizado profundo (deep learning) utiliza modelos de redes neurais de múltiplas camadas, sendo usado em uma incrível variedade de aplicações e diferentes combinações de técnicas matemáticas. É um modelo poderoso e diferenciado, pois pode considerar todos os parâmetros e automaticamente determinar a melhor combinação dos valores de entrada, tornando o processo de tomada de decisão muito mais sofisticado, convertendo computadores e dispositivos em sistemas mais inteligentes.
As coisas que os robôs só podiam fazer em filmes de ficção científica podem agora ser realizadas por smartphones. Qualquer linguagem pode ser compreendida e traduzida quase instantaneamente: conversamos com Siri, Cortana, Google Assistant ou Alexa; elas entendem, obedecem e respondem com um discurso natural e uma piada ocasional.
A impressionante “criatividade” das máquinas também é expressa no campo do processamento de imagens e visão. As redes neurais, vagamente inspiradas pela arquitetura hierárquica do sistema visual de primatas, superam rotineiramente os seres humanos em tarefas de reconhecimento de objetos. Agora, cenas complexas podem ser analisadas para localizar e identificar com precisão cada objeto e sua relação com os outros, e ainda fornecer uma descrição por texto.
Pode-se dar à rede uma foto de férias e pintá-la como um quadro impressionista; inserir uma foto em preto e branco antiga, e tê-la colorizada; dar um desenho de linhas e transformá-lo em um objeto real; dar uma descrição de texto e ter uma novela nunca vista antes de imagens geradas a partir do zero. Ao inverter o processo de análise (deconvolução), as imagens novas podem ser sintetizadas, dando a essas redes a capacidade de “sonhar”, mas também de realizar proezas de processamento úteis de imagem. Não parece haver nenhum limite para o que pode ser feito, exceto para a imaginação humana (e o conjunto de dados de treinamento).
Muitos são os avanços no campo da inteligência artificial e deve-se ver o incrível progresso do aprendizado de máquina como um despertador, uma ocasião para abandonar desculpas e uma razão para encorajar novas abordagens.
*Débora Morales é mestra em Engenharia de Produção (UFPR) na área de Pesquisa Operacional com ênfase a métodos estatísticos aplicados à engenharia e inovação e tecnologia, especialista em Engenharia de Confiabilidade (UTFPR), graduada em Estatística e em Economia. Atua como estatística no Instituto das Cidades Inteligentes (ICI).
PT 
EN 
