O que é

“Diz-se que um programa de computador aprende pela experiência E, com respeito a algum tipo de tarefa T e performance P, se sua performance P nas tarefas em T, na forma medida por P, melhoram com a experiência E.” Foi assim que, em 1997, Tom Mitchell conceituou um dos termos mais famosos pelo mundo da tecnologia hoje em dia: Machine Learning, ou, em sua tradução: Aprendizado de Máquina.

Um campo da Inteligência Artificial baseado na ideia de que as máquinas podem ter acesso a quantidades enormes de dados e aprender com eles, fazendo predições, classificações, agrupamentos, isso é o que chamamos de Machine Learning.

Aplicações

Se existem algumas certezas nesse mundo, uma delas é que as aplicações de Machine Learning já revolucionaram, e vão continuar trazendo muita inovação ao universo das tecnologias. Algumas das funcionalidades mais presentes no cotidiano das pessoas são:

  • Os sistemas de busca e pesquisa, utilizados por sites como o Google e o Bing.
  • As recomendações de vídeos, filmes e séries do Youtube, do Netflix, assim como os livros recomendados pela Amazon.
  • Sistemas de reconhecimento facial, presentes em celulares e câmeras espalhadas pelas cidades.
  • Sugestões de escrita, quando você está conversando no WhatsApp.

 

Porém, não é aí que param as aplicações. Alguns outros exemplos clássicos ao falarmos de Machine Learning são a detecção de anomalias, como câncer de mama, e o sistema por trás dos veículos autônomos, além de computadores que são capazes de vencer o melhor jogador de xadrez do mundo em uma partida. E isso é só a ponta do iceberg.

No mês de maio de 2019, a Google anunciou alguns de seus projetos visando a inclusão de pessoas, dentre eles o Project Euphonia. O objetivo aqui é fazer com que pessoas com problemas de fala – ou que perderam completamente a fala, possam ter seus meios de comunicação, diferente da fala habitual, compreendidos, seja essa comunicação a partir de sons, seja a partir de movimentos da boca.

Um outro exemplo, dessa vez uma pesquisa do MIT, é um modelo de Machine Learning que reconstrói o rosto de uma pessoa baseado apenas na voz. O modelo utilizou dados de milhões de vídeos do YouTube para associar atributos vocais com certas características faciais.

Modelos/Técnicas

A grande maioria das aplicações de Machine Learning atualmente são englobadas pelo método de aprendizado supervisionado. Essas aplicações são divididas em problemas de regressão e classificação. Assim como regressões lineares, comuns para predizer valores sob a melhor reta, podemos utilizar regressões para determinar qual o valor ótimo para alugar o seu apartamento, baseado em valores da região. Já as classificações são melhor representadas pelo algoritmo que indica se a pessoa possui, ou não, um câncer – outro exemplo é o indicativo se a pessoa X está propensa a alugar seu apartamento, se ela está em dúvida, ou se provavelmente não possui interesse.

Em contraste com os algoritmos de regressão e classificação, existe também o método de aprendizado não-supervisionado. A técnica mais clássica aqui é o clustering, onde a máquina agrupa os dados de acordo com a semelhança entre eles, ainda que não se tenha informação para distinguir quais são os grupos gerados. Alguns exemplos práticos são a determinação de grupos de consumidores, que ao comprarem um produto X, tendem a comprar um produto Y. Os sistemas de recomendação utilizados pelo YouTube, Netflix e semelhantes também fazem uso de algoritmos não-supervisionados, pois vão compreendendo os interesses do cliente ao longo do processo e sugerindo opções que podem ser de interesse – opções essas relacionadas em um cluster.

De forma bem diferente aos métodos anteriores, no reinforcement learning, ou aprendizado por reforço, a máquina não se baseia em um conjunto de dados e tira conclusões a partir desse. Aqui, um objetivo é dado, e a máquina recebe uma recompensa (0 ou 1) a cada ação realizada. As implementações mais clássicas do reinforcement learning são em máquinas que jogam Mario, Atari, ou outros jogos, sem interferência humana.

Onde aprender

Há muito conteúdo disponível na rede sobre Machine Learning – vídeos, sites, cursos, livros. Para você que está iniciando, uma das melhores opções é o Kaggle, um dos maiores sites quando o tema é Data Science e Machine Learning – conta com inúmeros desafios, competições, além de cursos introdutórios. Outras opções são os renomados e gratuitos sites da edX e Coursera, com cursos das maiores universidades do mundo, não apenas nessa área. Uma outra plataforma com conteúdos mais genéricos, porém muito interessantes da área, é o Google AI.

Uma dica é aprender uma linguagem de programação antes de iniciar os estudos em Machine Learning, sendo as mais utilizadas hoje para essa finalidade o Python e o R. Da mesma forma, existem diversas possibilidades gratuitas para aprender a programar na internet. Também é interessante comentar que tópicos de estatística, probabilidade, cálculo e álgebra linear são abordados nos conceitos de Machine Learning – fique ligado, e, se precisar, estude esses conceitos mais a fundo.

Oportunidades

O crescimento do uso de Machine Learning nas empresas já é uma realidade. Pesquisas indicam taxas altíssimas de crescimento, além de criarem especulações sobre o potencial da tecnologia – dois exemplos são os publicados pela Forbes e pela Delloite.

Marketing digital, transportes, medicamentos, diagnósticos, robótica. Essas são apenas algumas das áreas nas quais o Vale do Silício, a Europa e a Ásia estão repletas de oportunidades nos campos de Machine Learning e Inteligência Artificial. E, por ser uma área em desenvolvimento, a necessidade de profissionais capacitados nessa área é bastante grande – e a quantidade de ofertas é ainda maior. Uma das melhores formas para ficar antenado às novidades no ramo é acompanhar jornais e blogs da área, e um dos grandes aqui é o Towards Data Science.

No Brasil as oportunidades de trabalho ainda não são tão abundantes como no exterior, mas, já estão bem presentes – e tendem a crescer de forma exponencial nos próximos anos. Se você tem interesse na área, não deixe de acompanhar as vagas ofertadas pelo LinkedIn – tanto no Brasil como no exterior. A nível nacional, alguns dos sites mais populares são a Catho e o Vagas. Não podemos deixar de citar grandes sites internacionais como o Indeed, CareerBuilder e Monster.