O que Machine Learning ?

Machine learning a prtica de aprender com dados, mas no caso, quem aprende so as mquinas.

possvel que um computador faa uma anlise de uma imagem qualquer e seja capaz de indicar se aquela imagem a de um animal ou de um ser humano, ou ainda, se a pessoa X ou Y ?

Sim, isso possvel com a utilizao de algoritmos de machine learning, onde so inseridos muitos dados de imagens de animais e seres humanos para que o computador aprenda o que uma coisa ou outra criando um modelo que tem como funo a capacidade de distinguir novas imagens.

Nos tempos atuais esse assunto est bem aquecido, porque estamos vivendo uma poca onde os dados so produzidos em larga escala, as pessoas esto cada vez mais conectadas no mundo digital e produzindo dados a todo momento, esse cenrio o que chamam de Big Data.

Com uma grande quantidade de dados, comea a busca de como tirar valor deles, de como extrair conhecimento e utiliz-lo para evoluir, inovar, criar.

A tcnica de machine learning esta totalmente relacionada a esse cenrio de big data, porque essa grande quantidade de dados pode ser utilizada para ensinar as mquinas a simular a forma como humanos tomam decises em determinadas situaes e com isso, automatizar tarefas com essas decises, auxiliar os seres humanos em anlises para trazer mais conforto, habilitar o foco em outras tarefas que mquinas no precisem ou no possam fazer como por exemplo o relacionamento, a busca de mais conhecimento, a busca da verdade, as tomadas de decises reais baseadas em conhecimento humano e de suas prticas e relaes.

Falando um pouco mais da tcnica de machine learning... Existem algumas categorias (que abrangem outras) utilizadas de acordo com determinado contexto. As categorias so:

• Aprendizado supervisionado;
• Aprendizado no supervisionado;
• Aprendizado por reforo;

Aprendizado supervisionado

Vou imaginar uma situao hipottica e simples. Se eu tivesse uma loja de vdeo games e trabalhasse com a venda de 2 consoles concorrentes...

Tenho alguns clientes cadastrados em uma base de dados que compraram um dos consoles, esses clientes tem suas caractersticas como, idade, endereo, jogo preferido, etc. E de fato o vdeo game que comprou e se ele est satisfeito ou no com a sua escolha.

Eu gostaria de atender um novo cliente e reconhecer qual vdeo game (ou quais) ele provavelmente vai ficar satisfeito, eu cadastro os dados dele na minha base e por experincia, por j ter efetuado o cadastro de diversos outros clientes e aprendido alguns padres das suas caractersticas relacionados a sua satisfao ou no com o vdeo game X ou Y, eu posso classificar esse novo cliente como satisfeito ou no com determinado vdeo game.

Com essas classificaes eu posso entender melhor o meu pblico e fazer previses com futuros possveis clientes para fazer campanhas publicitrias direcionadas, com estoques do vdeo game X ou Y preparados para atende-los.

Um computador pode fazer essa tarefa, eu posso utilizar uma base de dados que possui caractersticas de determinado objeto ou situao com um objetivo explcito e aplicar em um algoritmo supervisionado, os dados e o objetivo vo ensinar a mquina a generalizar e ser capaz de receber a entrada de um novo registro, determinar o objetivo, fazer uma predio e classificar o novo registro.

Imaginando uma base de dados com registros de um modelo de carro, com caractersticas como marca, cor, comprimento, largura, altura, portas, motor, etc. E com o objetivo, a informao se ele do modelo X ou no.

Posso inserir essa base em um algoritmo supervisionado e trein-lo para que ao informar um novo registro de um modelo de carro, o algoritmo retorne se ele do modelo X ou no.

Assim funciona o aprendizado supervisionado, o algoritmo precisa de dados em que seja informado caractersticas e o objetivo para assim, classificar novas entradas.

Esse tipo de aprendizado bastante utilizado em reconhecimento de imagens, diagnsticos, previses de mercado, etc.

Aprendizado no supervisionado

Se eu quisesse pegar uma base de dados contendo registros com diversas caractersticas e criar grupos de registros que sejam semelhantes, eu poderia analisar uma base de dados de animais e criar grupos de animais aquticos, terrestres, hbridos, areos , etc. Poderia utilizar um algoritmo de aprendizado no supervisionado.

No aprendizado no supervisionado, eu no tenho a definio do que o registro, somente suas caractersticas, e ao inserir os dados de uma base no algoritmo, vou ter uma sada de agrupamentos baseado nas caractersticas semelhantes, gerando um modelo treinado que ir informar qual grupo um novo registro pertence analisando suas caractersticas.

Esse tipo de aprendizado bastante utilizado em sistemas de recomendao, segmentao de clientes, etc.

Por exemplo, em um site de e-commerce eu poderia identificar a compra ou o interesse do cliente e verificar o grupo em que o produto est inserido e assim recomendar outros produtos do mesmo grupo.

Aprendizado por reforo

Aqui existe um determinado agente como por exemplo, em um jogo de vdeo game geralmente existe alguns NPCs (personagem no jogvel, controlado por computador), imagino esse NPC realizando algumas tarefas dentro do ambiente do jogo, como andar at um ponto especfico, "lanar uma bola de fogo", etc. Na medida que o NPC vai realizando aes existe um sistema que vai atribuindo ou diminuindo pontos desse agente, para que ele aprenda que determinada ao ruim (tira pontos) e outra boa (ganha pontos).

Com bastante treinamento e uma boa quantidade de pontos acumulados, o agente pode tomar decises por conta prpria em um cenrio.

Algumas aplicaes: Decises em real-time, IA para vdeo games, etc.

Coleta e preparo de dados

A utilizao de machine learning depende de dados, mas eles no esto sempre prontos para serem utilizados, preciso uma coleta e preparao, tem que existir o trabalho de anlise em diversas bases para identificar possveis situaes de utilizao e assim preparar os dados para se encaixarem nos algoritmos e para isso, necessrio entender qual algoritmo ser utilizado. Essa tarefa de preparao no simples e rpida, demanda muito conhecimento e trabalho, e atribuio de cientistas de dados, estes so os grandes agentes da prtica de machine learning, por isso, uma alta demanda no cenrio atual.

Existem muitos desafios nessa tarefa, entre eles, a identificao de dados com potencial de gerar algum valor importante, no big data, muitos dados armazenados e espelhados podem no ter relevncia para determinadas solues.

Atuar com machine learning faz parte da profisso de um cientista de dados e essa prtica faz parte do "guarda-chuva" de assuntos que a inteligncia artificial cobre.

Existe muita coisa a ser explorada nesse segmento, muitas tendncias, muitas perguntas e eu acredito que ainda iro surgir grandes inovaes baseadas em machine learning e/ou auxiliadas por ela.