Machine learning, ou aprendizado de máquina, é um ramo da inteligência artificial em que os computadores aprendem a realizar tarefas a partir de dados, em vez de seguir regras escritas uma a uma por programadores. O termo foi popularizado pelo pesquisador Arthur Samuel em 1959, que criou um programa capaz de melhorar no jogo de damas jogando contra si mesmo. Este guia traz o machine learning explicado sem fórmulas.
Regras versus exemplos
Imagine criar um filtro de spam. No jeito tradicional, um programador escreveria regras: se o e-mail tiver tal palavra, marque como spam. O problema é que os golpistas mudam as palavras o tempo todo. Com machine learning, mostramos ao sistema milhares de e-mails já classificados como spam ou não spam, e ele descobre sozinho os padrões que separam um do outro, inclusive padrões que nenhuma pessoa teria pensado em escrever.
Os três tipos principais de aprendizado
Aprendizado supervisionado: o modelo aprende com exemplos que têm a resposta certa, como fotos marcadas como gato ou cachorro, ou casas com o preço de venda. Depois, prevê a resposta para casos novos. É o tipo mais usado em empresas.
Aprendizado não supervisionado: o modelo recebe dados sem resposta e procura grupos e padrões, por exemplo para dividir clientes em perfis de consumo parecidos.
Aprendizado por reforço: o modelo aprende por tentativa e erro, recebendo recompensas quando acerta. É usado em jogos, robótica e no ajuste fino de assistentes como o ChatGPT.
Como um modelo é treinado
1. Coleta e preparação dos dados: reunir exemplos, corrigir erros e remover duplicidades. Essa etapa costuma consumir a maior parte do trabalho.
2. Separação dos dados: uma parte é usada para treinar e outra fica guardada para testar se o modelo funciona com dados que nunca viu.
3. Treinamento: o algoritmo ajusta seus parâmetros internos para errar cada vez menos nos exemplos de treino.
4. Avaliação: o modelo é testado com os dados separados. Se vai bem no treino e mal no teste, decorou os exemplos em vez de aprender, um problema chamado overfitting.
5. Uso e monitoramento: o modelo entra em produção e precisa ser acompanhado, porque o mundo muda e os dados novos podem ficar diferentes dos antigos.
Redes neurais e deep learning
Redes neurais são modelos inspirados de forma livre no funcionamento dos neurônios, formados por camadas de unidades matemáticas conectadas. Quando há muitas camadas, fala-se em deep learning, ou aprendizado profundo. Essa abordagem impulsionou os avanços em reconhecimento de imagem, voz e linguagem, e é a base dos modelos de linguagem atuais.
Exemplos de machine learning no dia a dia
Recomendações de séries e produtos, detecção de fraude no cartão de crédito, previsão do tempo de entrega em aplicativos, tradução automática, reconhecimento facial para desbloquear o celular e análise de exames médicos por imagem.
Limitações e cuidados
Um modelo só é tão bom quanto os dados com que foi treinado. Dados incompletos ou enviesados produzem decisões injustas. Muitos modelos também funcionam como caixas-pretas, difíceis de explicar, o que é um problema em decisões sobre crédito, saúde ou emprego. Por isso, explicabilidade, auditoria e supervisão humana são partes essenciais de qualquer projeto sério.
Para continuar
Machine learning depende de dados bem tratados. Leia nosso guia de análise de dados para entender essa base e o guia sobre como funciona o ChatGPT para ver um exemplo de modelo de linguagem em ação.