Recentemente, as técnicas de aprendizado de
máquinas fizeram avanços em uma variedade de áreas de aplicação, como
bioinformática, identificação de objetos em imagens, transcrição de mensagens
em texto, combinação de itens de notícias, postagens ou produtos com os
interesses dos usuários e seleção dos resultados relevantes de pesquisas.
O aprendizado de máquina constrói algoritmos e
modelos que possam aprender a tomar decisões diretamente de dados sem seguir
regras predefinidas. Os algoritmos se dividem em três categorias: aprendizagem
supervisionada, não supervisionada e de reforço.
Especificamente os algoritmos de aprendizagem
supervisionada aprendem a conduzir tarefas de classificação ou regressão a
partir de dados rotulados, enquanto os não supervisionados se concentram na
classificação dos conjuntos de amostras em diferentes grupos (ou seja, clusters)
com dados não rotulados.
Já nos algoritmos de aprendizagem de reforço, os
agentes aprendem a encontrar as melhores séries de ação para maximizar a
recompensa acumulada (ou seja, a função objetiva) interagindo com o meio
ambiente.
Os avanços mais recentes incluem aprendizado
profundo (deep learning), transferência de aprendizado e redes
adversárias generativas (GAN), e fornecem também as investigações e instruções
de aplicação da inteligência artificial de formas inimagináveis.
O aprendizado profundo (deep learning)
utiliza modelos de redes neurais de múltiplas camadas, sendo usado em uma
incrível variedade de aplicações e diferentes combinações de técnicas
matemáticas. É um modelo poderoso e diferenciado, pois pode considerar todos os
parâmetros e automaticamente determinar a melhor combinação dos valores de
entrada, tornando o processo de tomada de decisão muito mais sofisticado,
convertendo computadores e dispositivos em sistemas mais inteligentes.
As coisas que os robôs só podiam fazer em filmes de
ficção científica podem agora ser realizadas por smartphones. Qualquer
linguagem pode ser compreendida e traduzida quase instantaneamente: conversamos
com Siri, Cortana, Google Assistant
ou Alexa;
elas entendem, obedecem e respondem com um discurso natural e uma piada
ocasional.
A impressionante “criatividade” das máquinas também
é expressa no campo do processamento de imagens e visão. As redes neurais,
vagamente inspiradas pela arquitetura hierárquica do sistema visual de
primatas, superam rotineiramente os seres humanos em tarefas de reconhecimento
de objetos. Agora, cenas complexas podem ser analisadas para localizar e
identificar com precisão cada objeto e sua relação com os outros, e ainda fornecer
uma descrição por texto.
Pode-se dar à rede uma foto de férias e pintá-la
como um quadro impressionista; inserir uma foto em preto e branco antiga, e
tê-la colorizada; dar um desenho de linhas e transformá-lo em um objeto real;
dar uma descrição de texto e ter uma novela nunca vista antes de imagens
geradas a partir do zero. Ao inverter o processo de análise (deconvolução), as
imagens novas podem ser sintetizadas, dando a essas redes a capacidade de
“sonhar”, mas também de realizar proezas de processamento úteis de imagem. Não
parece haver nenhum limite para o que pode ser feito, exceto para a imaginação
humana (e o conjunto de dados de treinamento).
Muitos são os avanços no campo da inteligência
artificial e deve-se ver o incrível progresso do aprendizado de máquina como um
despertador, uma ocasião para abandonar desculpas e uma razão para encorajar
novas abordagens.
Débora Morales - mestra em Engenharia de Produção
(UFPR) na área de Pesquisa Operacional com ênfase a métodos estatísticos
aplicados à engenharia e inovação e tecnologia, especialista em Engenharia de
Confiabilidade (UTFPR), graduada em Estatística e em Economia. Atua como
estatística no Instituto das Cidades Inteligentes (ICI).
Nenhum comentário:
Postar um comentário