O Machine Learning está muito mais presente em nossas vidas do que imaginamos, desde o reconhecimento de padrões utilizados em larga escala pela indústria de automóveis autônomos até as suas preferências em plataformas de entretenimento como o Netflix, Youtube e até mesmo aqueles indesejáveis spams que recebemos com muita frequência em nossas caixas de email. Esses algoritmos foram programados para, acima de tudo, entender nossos gostos e preferências e aprender com eles, oferecendo conteúdos que estão mais de acordo com o o que gostamos de ouvir e ver, ou os dois juntos. Mas calma, o machine learning vai muito além disso, e é a base de toda inteligência artificial desenvolvida até e hoje e claro, que está em desenvolvimento. A inteligência artificial tem como princípio o aprendizado da máquina não é mesmo?

Para irmos um pouco mais além, podemos comparar a estrutura da programação como nossa estrutura cerebral, uma cadeia de milhões e milhões de neurônios, cada um com sua complexidade e responsável por determinada tarefa, que resulta em nossas ações, nossas escolhas e na essência de cada ser humano. Pois é, esse mesmo padrão de processamento está sendo utilizado também pela tecnologia, e esse assunto não é nada recente! Já em meados de 1959, Arthur Samuel, um dos pioneiros dos campos de inteligência artificial, jogos de computador e aprendizado de máquinas, propôs que o aprendizado de máquinas seria o campo de estudos que permitiria aos computadores aprender, sem ao menos terem sido propositalmente programados para isso.

Nós seres humanos, possuímos podemos dizer, dois tipos de aprendizado, o supervisionado e o não supervisionado. Veja só: quando ainda somos bem jovens, nossos pais, parentes e pessoas ao nosso redor nos ensinam o que é cada coisa no mundo: Isso é um cachorro, isso é um gato, isso é um carro, isso é um ônibus e assim por diante, até que vamos acumulando informações em nossos cérebros e guardando-as, conhecendo cada ser vivo ou objeto que permeiam nossas vidas. Porém, após aguns anos, nos tornamos capazes de reconhecer, assimilar e comparar o mundo por si próprios, baseado em nossas experiências adquiridas ao passar dos anos. É aqui que está a grande sacada do Machine Learning…E se as máquinas ou programas pudessem aprender e tomar decisões baseadas em suas próprias experiências de acerto e erro, tornando-se cada vez melhores e cometendo cada vez menos erros? Pois bem, isso é possível hoje, e surgiu de uma estrutura que nós seres humanos temos, as chamadas redes neurais. Em outras palavras, as linhas de código são escritas imitando as nossas redes neurais, sendo capazes então de aprender baseado nas informações que são coletadas (Lembra do exemplo da Netflix e Youtube que citamos no início?).

Essas redes neurais artificiais são organizadas em camadas, cada uma com uma função pré-estabelecida e ao final, um algoritmo é responsável por analisar os dados gerados ou coletados pelas camadas inferiores e oferecer respostas coerentes com o contexto da situação.

Essas camadas  inferiores são programadas para reconhecer padrões (podemos dizer também que o machine learning é a evolução do reconhecimento de padrões ou da teoria de aprendizado computacional em inteligência artificial), e nesse estágio do processo, entramos em um outro tópico, não menos importante e totalmente relacionado ao assunto: O Deep Learning. Não entraremos tão à fundo nesse assunto, mas o Deep Learning basicamente corresponde às técnicas responsáveis pelo aprimoramento das capacidades de um algoritmo em entender, reconhecer, classificar ou descrever, resumindo, compreender as ações e/ou oferecer os resultados esperados, tais como nós. 

As evoluções do Machine Learning permitem as esses algoritmos além do que já falamos, fazer previsões de dados baseado em informações recebidas e prevendo situações ou resultados sem que as linhas de código tenham sido programadas para os mesmos, ou seja, o programa está literalmente analisando e “pensando”, antes de dar uma resposta. Experimentos com o Machine Learning vem sendo realizados há muito anos, e exemplos simples são os computadores capazes de vencer adversários reais em jogos antes disputados apenas por seres humanos, como o xadrez. Em termos comparativos, os primeiros programas dessa classe foram escritos baseando seus passos em probabilidades, sendo que cada passo era dado se uma ou outra situação ocorresse. As evoluções do Machine Learning deram um grande salto, e os softwares atuais são programados com todas as regras do jogo, posteriormente o computador joga contra sim mesmo, avaliando e armazenando as “jogadas” mais funcionais e todas as possibilidades existentes, descartando as de menos sucesso, adquirindo determinado “conhecimento” sobre as regras e “macetes” do jogo, vencendo os melhores jogadores do mundo.

Todos esses pontos e exemplos são fundamentais para começarmos a entender e prever o futuro das máquinas e computadores e como elas poderão “pensar” para resolver e evoluir tecnologias que hoje ainda estão em desenvolvimento, mas que com a evolução dessa ciência poderão facilitar as nossas vidas e criar soluções para problemas que talvez hoje talvez não sabemos que temos. Por um outro lado devemos pensar, o quão longe isso pode chegar? Veremos o dia em que máquinas poderão pensar por si próprios? Criar e agir baseadas em interesses próprios? Tais pontos já foram colocados e “ficticionados” em inúmeras produções holywoodianas, onde as máquinas adquirem tal percepção sobre si mesmas e agem de acordo com seus próprios interesses e ideais. Estamos longe disso? Com certeza, essas ilustrações representam um grande salto do que temos hoje, mas não podemos dizer que um dia não será possível, não é mesmo?

O post Machine Learning apareceu primeiro em Stairs Digital.