Cinco perguntas sobre machine learning que todo mundo já teve

O termo machine learning aparece em toda parte: no aplicativo de streaming, no banco, no celular e nas manchetes sobre inteligência artificial. Mas poucas pessoas sabem explicar o que ele significa de verdade.

Continua após a publicidade

Reunimos cinco perguntas frequentes sobre o assunto e respondemos cada uma de forma direta. Sem jargão, sem fórmula matemática.

1. O que é machine learning, afinal?

Machine learning, ou aprendizado de máquina, é uma área da computação em que o programa aprende com exemplos em vez de seguir regras escritas por um humano.

Num programa tradicional, o desenvolvedor precisa descrever cada passo: “se acontecer X, faça Y”. No aprendizado de máquina, o caminho é outro. Você mostra milhares de exemplos ao sistema e ele identifica sozinho os padrões que se repetem.

Um exemplo clássico: para ensinar um computador a reconhecer gatos, ninguém descreve o que é um bigode. Mostram-se milhares de fotos de gatos até que o modelo aprenda a diferenciá-los de cachorros. O termo “machine learning” foi popularizado pelo pesquisador Arthur Samuel na década de 1950.

2. Machine learning e inteligência artificial são a mesma coisa?

Não. Pense em círculos concêntricos. A inteligência artificial é o campo maior, que reúne todas as tentativas de fazer máquinas executarem tarefas que exigiriam inteligência humana.

O machine learning é um dos caminhos dentro desse campo, hoje o mais bem-sucedido. E dentro dele existe o deep learning, ou aprendizado profundo, que usa redes neurais artificiais com muitas camadas de processamento.

É o deep learning que está por trás dos chatbots atuais, dos geradores de imagem e do reconhecimento de voz. Ou seja: todo machine learning é inteligência artificial, mas nem toda inteligência artificial usa machine learning.

3. Como a máquina aprende de verdade?

O processo tem três etapas básicas: dados, treinamento e ajuste.

• Dados: o modelo recebe um grande volume de exemplos, que podem ser textos, imagens, áudios ou números.
• Treinamento: o sistema tenta fazer previsões e compara o resultado com a resposta certa.
• Ajuste: a cada erro, o modelo corrige internamente seus parâmetros para acertar mais na próxima tentativa.

Esse ciclo se repete milhões de vezes. No fim, o modelo não guarda uma “regra”, e sim uma configuração numérica que costuma funcionar bem para casos parecidos com os que ele viu.

Existem três grandes tipos de aprendizado: o supervisionado (com respostas corretas rotuladas), o não supervisionado (o modelo agrupa dados sem gabarito) e o por reforço (o sistema aprende por tentativa e erro, com recompensas).

4. Onde eu já uso machine learning sem perceber?

Em muito mais lugares do que imagina. A lista inclui:

• Recomendações de filmes, séries e músicas nos apps de streaming;
• Filtros de spam no e-mail;
• Desbloqueio do celular por reconhecimento facial;
• Correção automática e sugestão de palavras no teclado;
• Detecção de fraude em compras com cartão de crédito;
• Rotas do GPS que consideram o trânsito em tempo real;
• Tradutores automáticos e legendas geradas por voz.

Continua após a publicidade

Boa parte dessa tecnologia funciona em segundo plano. Você só percebe quando ela falha.

5. Por que os algoritmos erram tanto?

Porque eles dependem inteiramente dos dados que receberam. Se o conjunto de treinamento for incompleto, desatualizado ou enviesado, o modelo reproduz esses problemas em escala.

Há também um limite conceitual: o sistema não entende o mundo. Ele calcula probabilidades com base em padrões estatísticos. Por isso, um chatbot pode escrever uma frase perfeita e completamente falsa, fenômeno conhecido como alucinação.

Outro problema comum é o overfitting, quando o modelo decora os exemplos do treino e vai mal diante de situações novas. Pesquisas, como o estudo Gender Shades, do MIT Media Lab, também mostram que sistemas de reconhecimento facial apresentam taxas de erro maiores para pessoas de pele mais escura.

A conclusão prática é simples: machine learning é uma ferramenta poderosa de previsão, não um oráculo. A supervisão humana continua sendo parte essencial do processo.