Aprendizado digital
Os dois termos são muitas vezes confundidos e, de forma incorreta, usados por empresas desejam tornar sua tecnologia sofisticada. De fato, a inteligência artificial e a aprendizagem de máquina são muito diferentes, com implicações diversas para o que os computadores podem fazer e como eles interagem com nós. O aprendizado de máquina é o paradigma de computação que leva ao crescimento de “Big Data” e IA. Ele se baseia no desenvolvimento de redes neurais e aprendizagem profunda. Normalmente, isso é descrito como imitando a forma como os humanos aprendem, mas isso é incorreto. O aprendizado de máquina realmente relaciona-se com análise estatística e aprendizagem iterativa.
Em vez de construir um programa tradicional composto por declarações lógicas e árvores de decisão, uma rede neural é construída especificamente para treinamento e aprendizagem usando uma rede paralela de neurônios, cada um configurado para um propósito específico. A natureza de qualquer rede neural particular pode ser muito complicada, mas a chave para a maneira como elas funcionam é aplicando pesos (ou fatores de importância) a algum atributo da entrada. Usando redes de vários pesos e camadas, é possível produzir uma probabilidade ou estimativa de que sua entrada corresponde a uma ou mais das saídas definidas. O problema com este tipo de computação, assim como a programação regular, é a dependência de como o programador humano o configura e o reajuste de todos esses pesos para refinar a precisão da saída pode levar muitas horas-homem para ser viável. Uma rede neural transita para o domínio da aprendizagem de máquinas uma vez que um loop de feedback corretivo é introduzido.
“Treinando” a máquina
Ao monitorar a saída, comparando-a com a entrada e reduzindo gradualmente os pesos dos neurônios, uma rede pode se treinar para melhorar a precisão. A parte importante aqui é que um algoritmo de aprendizagem de máquina é capaz de aprender e agir sem programadores, especificando todas as possibilidades dentro do conjunto de dados. Treinar uma rede pode ser feito de várias maneiras diferentes, mas todos envolvem uma abordagem iterativa de força bruta para maximizar a precisão de saída e treinar os caminhos ótimos através da rede. No entanto, este auto-treinamento ainda é um processo mais eficiente do que otimizar um algoritmo manualmente e permite que os algoritmos mudem e classifiquem quantidades muito maiores de dados em tempos muito mais rápidos do que seria possível.
Uma vez treinado, um algoritmo de aprendizagem de máquina é capaz de classificar novas entradas através da rede com grande velocidade e precisão em tempo real. Isso torna uma tecnologia essencial para visão por computador, reconhecimento de voz, processamento de linguagem e projetos de pesquisa científica.
O que é e não é IA
O aprendizado de máquina é uma técnica de processamento inteligente, mas não possui nenhuma inteligência real. Um algoritmo não precisa entender exatamente por que ele se auto-corrige, apenas como ele pode ser mais preciso no futuro. Um algoritmo de aprendizagem de máquina que pode peneirar um banco de dados de imagens e identificar o objeto principal na imagem realmente não parece inteligente, porque não está aplicando essa informação de forma “humana”.
As inteligências artificiais podem ser divididas em dois grandes grupos, aplicados ou gerais. A inteligência artificial aplicada é muito mais viável agora. Ele está mais ligado aos exemplos de aprendizado da máquina acima e projetado para executar tarefas específicas. Isso poderia ser estoque comercial, gerenciamento de tráfego em uma cidade inteligente ou ajudar a diagnosticar pacientes. A inteligência artificial geral é, como o nome indica, mais ampla e mais capaz. É capaz de lidar com uma gama mais ampla de tarefas, entender praticamente qualquer conjunto de dados e, portanto, parece pensar de forma mais ampla, assim como os seres humanos. A IA geral, teoricamente, poderia aprender fora do seu conjunto de conhecimento original, potencialmente levando ao crescimento desenfreado em suas habilidades.
De olho no futuro
O aprendizado de máquina usado para o processamento de linguagem é um dos principais capacitadores dos dispositivos inteligentes de hoje, embora eles certamente não sejam inteligentes o suficiente para responder todas as suas perguntas. A casa inteligente é apenas o último caso de uso. O aprendizado de máquinas tem sido empregado no domínio dos grandes dados por um tempo agora, e esses casos de uso estão invadindo cada vez mais o território IA. O Google usa-o para as ferramentas do mecanismo de pesquisa. O Facebook usa para otimizar publicidade. Há uma grande diferença entre o aprendizado da máquina e a inteligência artificial, embora o primeiro seja um componente muito importante do último. Certamente continuaremos a ouvir muitas conversas sobre os dois ao longo de 2018 e além.
