Três equívocos comuns sobre o aprendizado de máquina

O aprendizado de máquina (ML) é uma área da ciência da computação que usa os dados para extrair modelos de aprendizado e algoritmos e aplicar generalizações “aprendidas” a novas situações, inclusive a realização de tarefas sem programação humana direta. Com cada vez mais casos de uso na análise de dados moderna, é preciso desmistificar equívocos comuns sobre o aprendizado de máquina para entender como podemos aproveitar o potencial transformador das máquinas.

As máquinas não roubarão o seu trabalho. Na realidade, é mais provável que o aprendizado de máquina e a inteligência artificial (IA) ajudem você a fazer seu trabalho melhor e a se concentrar mais em elementos gratificantes e essencialmente humanos da sua função, como criatividade e estratégia.

Embora o ML e a IA sejam úteis em muitas aplicações, há inúmeras áreas em que essas tecnologias não são particularmente fortes e precisam da influência, da intervenção e da supervisão humanas. Isso inclui:

• Planejamento de longo prazo
• Pensamento abstrato ou criativo
• Compreensão de causa e efeito
• Tomada de decisões que requerem conhecimento especializado ou interpretação do contexto

O bom senso humano também é necessário para combater o viés inerente aos algoritmos de ML. Mesmo com os avanços tecnológicos, é possível que nunca existam soluções completamente algorítmicas perfeitas. A possibilidade de explicação e a transparência são importantes para que os humanos possam confiar nos resultados e nas recomendações das máquinas. Precisamos entender o que acontece dentro da “caixa preta” para confiar plenamente e incorporar tomadas de decisões influenciadas por máquinas em nossos negócios e em nossas vidas.

Ao contrário da crença popular, o aprendizado de máquina não depende de experiências, mas sim de dados. Um computador é incapaz de resolver um problema sozinho: as máquinas precisam de dados para aprender e criar algoritmos para aplicar a situações futuras, o que inclui:

• Um método para classificar ou representar os componentes do conjunto de dados
• Métricas para pontuar ou avaliar o sucesso
• Otimização dos parâmetros do modelo com base nos dados

Isso funciona extraindo uma explicação generalizada, como uma história abstrata, do conjunto de dados, que pode envolver padrões complexos ou regularidades ocultas que uma pessoa teria dificuldade para identificar. As instituições financeiras hoje usam o ML para analisar dados transacionais de modo a detectar e sinalizar irregularidades que podem consistir em cobranças fraudulentas ou avaliar riscos e fazer recomendações de empréstimos.

Um exemplo mais simples seria apresentar fotografias de laranjas a uma máquina para que ela possa determinar se uma nova foto contém ou não uma laranja. Primeiro apresentamos fotos com e sem laranjas e contamos para o classificador de imagens quais fotos mostram o quê. Isso fornece os dados que a máquina usará para criar um modelo para fazer uma previsão lógica a fim de distinguir “laranjas” de “não laranjas”. Em seguida, podemos apresentar uma nova imagem para que a máquina aplique seu modelo algorítmico e tome uma decisão: há uma laranja nesta foto ou não?

A inteligência artificial e o aprendizado de máquina são conceitos diferentes, mas relacionados. Uma forma de encarar a relação entre a IA e o ML é o fato de que a primeira é um problema e o segundo é uma solução para tentar resolvê-lo. Se o objetivo final é que um computador possa resolver um problema com as faculdades cognitivas da inteligência (humana), o processo de desenvolver algoritmos com os dados para aplicar a situações novas e mais amplas é um método de chegar lá.

Para ajudar na distinção, pense na IA como uma forma de resolver problemas que são fáceis para os humanos e difíceis para as máquinas, como a visão computacional. Partindo do exemplo da laranja, apresentaremos um novo desafio: ensinar um computador a diferenciar maçãs e laranjas. Isso é algo muito mais simples para um humano, mas muito mais difícil para um computador. Aqui, a IA é a capacidade da máquina de distinguir com sucesso maçãs de laranjas (o problema), enquanto o ML é a forma como o computador pode aprender a tirar uma conclusão quando recebe uma nova foto (a solução).

Por outro lado, o ML se destaca e é frequentemente empregado em situações que são mais fáceis para máquinas do que para humanos, como a execução de algoritmos matemáticos complexos ou o uso de cálculos de probabilidade. A capacidade de processamento das máquinas ajuda a executar tarefas mais difíceis com rapidez ou a descobrir padrões que poderiam ser ignorados por um humano.

Muitas organizações estão incorporando o ML em suas práticas corporativas de análise de dados para ajudar a identificar informações ocultas e fazer recomendações mais inteligentes para orientar as decisões comerciais. Isso é particularmente útil na análise de Big Data e para lidar com conjuntos de dados cada vez maiores e mais complexos. O aprendizado de máquina também pode identificar tendências comportamentais em uma organização para fazer sugestões a usuários que parecem semelhantes a outros, como fontes de dados a serem usadas na análise ou na preparação de dados ou qual conteúdo analítico é o mais relevante para ajudar o usuário a responder a determinada pergunta.

Outras áreas de desenvolvimento contínuo incluem a análise avançada e preditiva. O aprendizado de máquina pode ajudar a automatizar análises estatísticas avançadas e aplicar modelos automaticamente com máxima confiança, permitindo que usuários menos avançados aproveitem os benefícios de modelos complexos. Os usuários mais avançados podem explorar e modificar cálculos, o que não só resolve as questões de confiança e transparência, mas também permite testar diferentes cenários hipotéticos.

O aprendizado de máquina também está sendo usado na análise para ajudar os usuários a consultar seus dados com linguagem natural. Isso basicamente significa aprender a interpretar a intenção humana e a semântica por trás das perguntas e a traduzir as solicitações em uma linguagem de consulta estruturada. Com os avanços na linguagem natural e em outros recursos analíticos inteligentes impulsionados pela AI e pelo ML, pessoas sem capacitação formal em dados poderão trabalhar com os dados de maneiras novas e inspiradoras para descobrir novas informações.