Machine learning também é um conceito com várias definições possíveis, uma que nos permite assimilar bem sua essência: aprendizado de máquina é um sistema que pode modificar seu comportamento autonomamente tendo como base a sua própria experiência. A interferência humana aqui é mínima.
A tal modificação comportamental consiste, basicamente, no estabelecimento de regras lógicas, vamos dizer assim, que visam melhorar o desempenho de uma tarefa ou, dependendo da aplicação, tomar a decisão mais apropriada para o contexto. Essas regras são geradas com base no reconhecimento de padrões dentro dos dados analisados.
Pense em uma pessoa que digita a palavra bravo em um site de busca. O serviço precisa analisar uma série de parâmetros para decidir se exibe resultados equivalentes a enfurecido ou a corajoso, dois significados possíveis. Entre os numerosos parâmetros disponíveis está o histórico de pesquisa do usuário: se minutos antes ele tiver buscado por coragem, por exemplo, o segundo significado é o mais provável.
Esse é um exemplo muito simples, mas que ilustra alguns aspectos importantes do machine learning. Para começar, é importante que sistemas do tipo façam análises com base em uma quantidade significativa de dados, coisa que os buscadores têm de sobra por conta dos milhões de acessos que recebem e que, consequentemente, servem de treinamento.
Outro aspecto ilustrado ali é a constante entrada de dados que favorece a identificação de novos padrões. Suponha que a palavra bravo passe a ser uma gíria associada a um movimento cultural. Com o machine learning, o mecanismo de pesquisa conseguirá identificar padrões que apontam para o novo significado do termo e, depois de algum tempo, estará apto a considerá-lo nos resultados das buscas.
Há várias abordagens para o machine learning. Uma bastante conhecida é chamada de deep learning ou aprendizagem profunda. Nela, grandes quantidades de dados são tratadas a partir de várias camadas de redes neurais artificiais (algoritmos inspirados na estrutura de neurônios do cérebro) que resolvem problemas muito complexos, como reconhecimento de objetos em imagens.
Exemplos de uso do machine learning
O uso do machine learning nas mais diversas aplicações só tende a crescer. Não é por capricho, mas por necessidade: muitos recursos tecnológicos que temos hoje só funcionam ou são viáveis por conta da inteligência artificial. Eis alguns exemplos:
– Banco de dados autônomo: com auxílio do machine learning, bancos de dados autônomos lidam de modo automatizado com várias tarefas até então realizadas por um administrador (DBA), permitindo que o profissional cuide de outras atividades e diminuindo o risco de indisponibilidade da aplicação por falha humana;
– Combate a fraudes em sistemas de pagamento: diversas tentativas de fraudes com cartões de crédito e outros meios de pagamentos são geradas a cada segundo no mundo todo; felizmente, o machine learning tem permitido que sistemas de combate a fraudes barrem a maior parte dessas ações;
– Tradução de textos: uma tradução nunca pode ser feita ao pé da letra; é preciso levar em conta contextos, expressões regionais e outros parâmetros. Graças ao machine learning, os tradutores automáticos estão ficando cada vez mais precisos;
– Recomendação de conteúdo: plataformas de streaming de vídeo e áudio usam o machine learning para analisar o histórico de conteúdo reproduzido ou rejeitado pelo usuário para dar a ele recomendações condizentes com os seus gostos.
