Em 1959, o engenheiro do MIT (Massachusetts Institute of Technology), Arthur Samuel, criou o termo machine learning (MA), e o definiu como: “field of study that gives computers the ability to learn without being explicitly programmed”, traduzindo, o “campo de estudo que dá aos computadores a capacidade de aprender sem terem sido explicitamente programados”.
Dito isto, ML pode ser traduzido como aprendizado de máquina ou aprendizagem de máquina: uma aplicação computacional associada à Inteligência Artificial (IA), que apesar de ganhar cada dia mais destaque na mídia, nem todo mundo compreende o conceito.
Muita gente pensa que machine learning e IA significam a mesma coisa, mas não é bem assim. Na verdade, IA é um conceito tecnológico mais amplo, que inclui o aprendizado de máquina, que tratamos aqui, como um dos seus recursos.
Assim, ML é uma das abordagens da inteligência artificial, que visa ensinar o computador através de treinamento, análise de dados, e detecção de padrões, fornecendo ao sistema computacional uma grande quantidade informações para extrair conhecimento.
Essa tecnologia evoluiu muito, e tomou forma com o advento da internet. Pois, com a gama de informações armazenadas na web, foi preciso criar meios de organizar esse gigantesco conteúdo de forma automatizada – e um dos pilares do machine learning é justamente a análise de dados com finalidade de detectar padrões.
Muitas aplicações que usamos atualmente utilizam a tecnologia, como meio de tornar o computador inteligente. Um exemplo do nosso cotidiano é a Netflix. Quem utiliza o serviço de streaming já deve ter percebido que quanto mais você assiste, mais ele conhece o seu perfil, com base nas suas escolhas, o sistema sugere um filme que tem grandes chances de te agradar.
A MA possui ainda outras abordagens de aprendizado. Uma delas 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 complexos, como reconhecimento de objetos em imagens.
Infinita capacidade de aprendizado
O CEO do Grupo InfoStore, Pedro Henrique Mussi de Amorim Brandão, explica que a machine learning tem capacidade de aprendizado infinita. “É importante frisar que a assertividade e enorme capacidade de aprender dessa aplicação é proporcional a quantidade de vezes que ela foi treinada”, destaca Pedro Mussi.
Em fase final de desenvolvimento, utilizando Machine Learning e Redes Neurais Artificiais, o software Server X-Ray tem acesso a uma carga cotidiana de processos enviados ao servidor dos clientes, analisando esses dados e classificando processos através de um conhecimento prévio, desenvolvendo uma experiência, que evolui para a aquisição de conhecimento e aprendizado.
“Nosso desafio é criar um sistema de gerenciamento e otimização da performance de servidores, que visa atender desde uma pequena empresa até um data center. Para isso, usamos IA, mais especificamente uma machine learning, a qual analisa as requisições ao servidor, compara as tarefas enviadas e classifica-as pela ordem de prioridade”, explica Mussi.
Usos 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 são geradas a cada segundo; contudo, 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; pois 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 MA para analisar o histórico de conteúdo reproduzido ou rejeitado pelo usuário para oferecer recomendações compatíveis com os seus gostos.
Big Data e Machine Learning
Nos últimos tempos, o mundo empresarial tem testemunhado a união de ferramentas de Big Data e machine learning, a fim de se possibilitar uma atuação ainda mais estratégica das empresas por meio do investimento em tecnologia. Na prática, essa combinação, que reúne aprendizado de máquina e o processamento de grandes quantidades de dados, é capaz de trazer uma série de benefícios para as organizações.
Big Data é um termo usado no campo da Tecnologia da Informação que se refere ao grande conjunto de dados (estruturados ou não). A expressão é usada para descrever o processo de análise, processamento e emprego estratégico dos dados existentes. Possibilitando o uso dessas informações complexas para gerar insights e basear decisões estratégicas, por exemplo.
Um dos usos mais comuns da combinação de Big Data e machine learning é a análise preditiva, que consiste no uso de dados e técnicas de aprendizado de máquina para determinar a probabilidade de futuros resultados com base nas informações prévias. Ao usar algoritmos e uma linguagem matemática, a ciência de dados pode criar soluções transformadoras para as empresas. Com uso de análises preditivas, o big data e o machine learning associados permitem traçar estratégias, otimizar ações, interagir com os clientes e, claro, impulsionar vendas.
