O que é aprendizado de máquina?

Em dezembro de 2017, o DeepMind, o laboratório de pesquisa adquirido pelo Google em 2014, lançou o AlphaZero, um programa de inteligência artificial que poderia derrotar os campeões mundiais em vários jogos de tabuleiro.

Curiosamente, AlphaZero recebeu zero instruções de humanos sobre como jogar os jogos (daí o nome). Em vez disso, usou o aprendizado de máquina, um ramo da IA ​​que desenvolve seu comportamento por meio da experiência, em vez de comandos explícitos.

Em 24 horas, o AlphaZero alcançou um desempenho sobre-humano no xadrez e derrotou o programa de xadrez campeão do mundo anterior. Logo depois, o algoritmo de aprendizado de máquina do AlphaZero também dominou o Shogi (xadrez japonês) e o jogo de tabuleiro chinês Go, e derrotou seu antecessor, o AlphaGo, de 100 a zero.

O aprendizado de máquina tornou-se popular nos últimos anos e está ajudando os computadores a resolver problemas que antes se pensava serem o domínio exclusivo da inteligência humana. E mesmo que ainda esteja muito longe da visão original da inteligência artificial, o aprendizado de máquina nos aproximou muito do objetivo final de criar máquinas pensantes.

Qual é a diferença entre inteligência artificial e aprendizado de máquina?

As abordagens tradicionais para o desenvolvimento da inteligência artificial envolvem a codificação meticulosa de todas as regras e conhecimentos que definem o comportamento de um agente de IA. Ao criar a IA baseada em regras, os desenvolvedores devem escrever instruções que especifiquem como a AI deve se comportar em resposta a todas as situações possíveis. Essa abordagem baseada em regras, também conhecida como boa IA antiquada (GOFAI) ou AI simbólica, tenta imitar as funções de raciocínio e representação do conhecimento da mente humana.

Um exemplo perfeito de IA simbólica é o Stockfish, um mecanismo de xadrez de código aberto de alto escalão, há mais de 10 anos em desenvolvimento. Centenas de programadores e jogadores de xadrez contribuíram para o Stockfish e ajudaram a desenvolver sua lógica codificando suas regras - por exemplo, o que a IA deveria fazer quando o oponente move seu cavaleiro de B1 para C3.

Mas a IA baseada em regras geralmente quebra quando se lida com situações em que as regras são muito complexas e implícitas. O reconhecimento de fala e objetos em imagens, por exemplo, são operações avançadas que não podem ser expressas em regras lógicas.

Ao contrário da IA ​​simbólica, os modelos de IA de aprendizado de máquina são desenvolvidos não escrevendo regras, mas reunindo exemplos. Por exemplo, para criar um mecanismo de xadrez baseado no aprendizado de máquina, um desenvolvedor cria um algoritmo básico e o "treina" com dados de milhares de jogos de xadrez jogados anteriormente. Ao analisar os dados, a IA encontra padrões comuns que definem estratégias vencedoras, que podem ser usados ​​para derrotar oponentes reais.

Quanto mais jogos a IA analisar, melhor será a previsão de movimentos vencedores durante o jogo. É por isso que o aprendizado de máquina é definido como um programa cujo desempenho melhora com a experiência.

O aprendizado de máquina é aplicável a muitas tarefas do mundo real, incluindo classificação de imagens, reconhecimento de voz, recomendação de conteúdo, detecção de fraude e processamento de linguagem natural.

Aprendizado supervisionado e não supervisionado

Dependendo do problema que eles desejam resolver, os desenvolvedores preparam dados relevantes para criar seu modelo de aprendizado de máquina. Por exemplo, se eles quisessem usar o aprendizado de máquina para detectar transações bancárias fraudulentas, os desenvolvedores compilariam uma lista de transações existentes e as rotulariam com seus resultados (fraudulentos ou válidos). Quando eles alimentam os dados com o algoritmo, ele separa as transações fraudulentas e válidas e encontra as características comuns em cada uma das duas classes. O processo de modelos de treinamento com dados anotados é chamado de "aprendizado supervisionado" e atualmente é a forma dominante de aprendizado de máquina.

Já existem muitos repositórios online de dados rotulados para diferentes tarefas. Alguns exemplos populares são o ImageNet, um conjunto de dados de código aberto com mais de 14 milhões de imagens rotuladas e o MNIST, um conjunto de dados de 60.000 dígitos manuscritos rotulados. Os desenvolvedores de aprendizado de máquina também usam plataformas como o Mechanical Turk, da Amazon, um centro de contratação on-line sob demanda para executar tarefas cognitivas, como rotular imagens e amostras de áudio. E um setor crescente de startups é especializado em anotação de dados.

Mas nem todos os problemas exigem dados rotulados. Alguns problemas de aprendizado de máquina podem ser resolvidos por meio de "aprendizado não supervisionado", em que você fornece dados brutos ao modelo de IA e permite que ele descubra por si mesmo quais padrões são relevantes.

Um uso comum do aprendizado não supervisionado é a detecção de anomalias. Por exemplo, um algoritmo de aprendizado de máquina pode treinar os dados brutos de tráfego de rede de um dispositivo conectado à Internet - por exemplo, uma geladeira inteligente. Após o treinamento, a IA estabelece uma linha de base para o dispositivo e pode sinalizar comportamentos fora de linha. Se o dispositivo for infectado por malware e começar a se comunicar com servidores mal-intencionados, o modelo de aprendizado de máquina poderá detectá-lo, porque o tráfego da rede é diferente do comportamento normal observado durante o treinamento.

Aprendizagem por Reforço

Até agora, você provavelmente já sabe que os dados de treinamento de qualidade desempenham um papel enorme na eficiência dos modelos de aprendizado de máquina. Mas o aprendizado por reforço é um tipo especializado de aprendizado de máquina no qual uma IA desenvolve seu comportamento sem usar dados anteriores.

Os modelos de aprendizado por reforço começam com uma lista limpa. Eles são instruídos apenas sobre as regras básicas de seu ambiente e a tarefa em questão. Por tentativa e erro, eles aprendem a otimizar suas ações para seus objetivos.

O AlphaZero do DeepMind é um exemplo interessante de aprendizado por reforço. Ao contrário de outros modelos de aprendizado de máquina, que devem ver como os seres humanos jogam xadrez e aprender com eles, o AlphaZero começou a conhecer apenas os movimentos das peças e as condições de vitória do jogo. Depois disso, jogou milhões de partidas contra si mesmo, começando com ações aleatórias e desenvolvendo gradualmente padrões comportamentais.

O aprendizado por reforço é uma área importante de pesquisa. É a principal tecnologia usada para desenvolver modelos de IA que podem dominar jogos complexos como Dota 2 e StarCraft 2 e também é usada para resolver problemas da vida real, como gerenciar recursos do datacenter e criar mãos robóticas que podem lidar com objetos com destreza semelhante a humanos.

Aprendizagem Profunda

O aprendizado profundo é outro subconjunto popular de aprendizado de máquina. Ele usa redes neurais artificiais, construções de software que são basicamente inspiradas na estrutura biológica do cérebro humano.

As redes neurais se destacam no processamento de dados não estruturados, como imagens, vídeo, áudio e longos trechos de texto, como artigos e pesquisas. Antes do aprendizado profundo, os especialistas em aprendizado de máquina precisavam se esforçar muito para extrair recursos de imagens e vídeos e executavam seus algoritmos em cima disso. As redes neurais detectam automaticamente esses recursos sem exigir muito esforço de engenheiros humanos.

O aprendizado profundo está por trás de muitas tecnologias modernas de IA, como carros sem motorista, sistemas avançados de tradução e a tecnologia de reconhecimento facial no seu iPhone X.

Os limites do aprendizado de máquina

As pessoas freqüentemente confundem o aprendizado de máquina com inteligência artificial no nível humano, e os departamentos de marketing de algumas empresas usam intencionalmente os termos de forma intercambiável. Mas, embora o aprendizado de máquina tenha feito grandes avanços na solução de problemas complexos, ainda está muito longe de criar as máquinas pensantes previstas pelos pioneiros da IA.

Além de aprender com a experiência, a verdadeira inteligência requer raciocínio, bom senso e pensamento abstrato - áreas nas quais os modelos de aprendizado de máquina têm um desempenho muito ruim.

Por exemplo, embora o aprendizado de máquina seja bom em tarefas complicadas de reconhecimento de padrões, como prever o câncer de mama com cinco anos de antecedência, ele luta com tarefas mais simples de lógica e raciocínio, como resolver problemas matemáticos do ensino médio.

A falta de poder de raciocínio do aprendizado de máquina torna ruim a generalização de seu conhecimento. Por exemplo, um agente de aprendizado de máquina que pode jogar Super Mario 3 como um profissional não dominará outro jogo de plataforma, como Mega Man, ou mesmo outra versão do Super Mario. Precisaria ser treinado a partir do zero.

Sem o poder de extrair conhecimento conceitual da experiência, os modelos de aprendizado de máquina exigem toneladas de dados de treinamento para serem executados. Infelizmente, muitos domínios carecem de dados de treinamento suficientes ou não têm recursos para adquirir mais. O aprendizado profundo, que agora é a forma predominante de aprendizado de máquina, também sofre de um problema de explicabilidade: as redes neurais funcionam de maneiras complicadas, e até seus criadores lutam para seguir seus processos de tomada de decisão. Isso dificulta o uso do poder das redes neurais em ambientes onde há um requisito legal para explicar as decisões da IA.

Felizmente, estão sendo feitos esforços para superar os limites do aprendizado de máquina. Um exemplo notável é uma iniciativa difundida pela DARPA, o braço de pesquisa do Departamento de Defesa, para criar modelos de IA explicáveis.

• O que é inteligência artificial (IA)? O que é inteligência artificial (IA)?
• A maioria dos dólares AI vai para o Machine Learning A maioria dos dólares AI vai para o Machine Learning
• Como você deseja ver a IA usada? Como você deseja ver a IA usada?

Outros projetos visam reduzir a dependência excessiva do aprendizado de máquina em dados anotados e tornar a tecnologia acessível a domínios com dados limitados de treinamento. Pesquisadores da IBM e do MIT recentemente fizeram incursões no campo combinando IA simbólica com redes neurais. Os modelos de IA híbrida requerem menos dados para treinamento e podem fornecer explicações passo a passo de suas decisões.

Ainda não se sabe se a evolução do aprendizado de máquina nos ajudará a alcançar o objetivo sempre indescritível de criar IA em nível humano. Mas o que sabemos com certeza é que, graças aos avanços no aprendizado de máquina, os dispositivos sentados em nossas mesas e descansando em nossos bolsos estão ficando mais inteligentes a cada dia.