Aprendizado de máquina
O aprendizado de máquina é útil quando seria difícil definir regras fixas para todas as situações. Um modelo pode prever valores, classificar informações, identificar semelhanças ou gerar conteúdo. Para funcionar na prática, precisa de um objetivo claro e de avaliação com dados parecidos com os do uso real.
Texto revisto em
← Voltar aos 7 pilares
Quando surgiu
A ideia de fazer programas melhorarem com a experiência ganhou forma antes do uso atual do termo IA. Em 1959, Arthur Samuel descreveu seu programa de damas que ajustava a maneira de jogar com base em partidas anteriores. Esse trabalho é um marco do aprendizado de máquina, não a data de criação de todos os métodos da área.
O que é
Modelos ajustam parâmetros a partir de dados ou feedback para reconhecer padrões, prever resultados ou gerar conteúdo. O desenvolvimento ainda exige escolhas humanas de dados, objetivo e avaliação. Deep learning é uma família de métodos baseada em redes neurais com múltiplas camadas.
Como funciona
Primeiro se define uma tarefa e uma forma de medir o resultado. Depois, dados de treinamento ajudam a ajustar um modelo; dados separados servem para avaliar se o padrão encontrado também funciona em casos novos. Na aprendizagem supervisionada, exemplos trazem respostas conhecidas; na não supervisionada, o sistema procura agrupamentos. Redes neurais são uma das famílias possíveis, ao lado de árvores, regressões e outros métodos.
Para que serve
O aprendizado de máquina é útil quando seria difícil definir regras fixas para todas as situações. Um modelo pode prever valores, classificar informações, identificar semelhanças ou gerar conteúdo. Para funcionar na prática, precisa de um objetivo claro e de avaliação com dados parecidos com os do uso real.
Onde é utilizado
Filtros de spam, previsão de demanda, recomendações e detecção de padrões em imagens são usos comuns. Em um filtro de mensagens, a equipe reúne exemplos rotulados, treina o classificador, verifica falsos positivos e acompanha mudanças no tipo de spam depois da implantação.
Limites e cuidados
Aprender com dados não significa aprender sozinho sem projeto, supervisão ou testes. Uma conversa comum não retreina o modelo. Um modelo pode reproduzir vieses dos dados ou perder qualidade quando o contexto muda. Treinamento, validação e monitoramento são etapas diferentes; uma conversa comum com um assistente não modifica automaticamente os parâmetros do modelo.