Exame Logo

AI: Três ecossistemas de aprendizado de máquina para o crescimento das empresas

Em nova coluna, o CTO da Falconi, Breno Barros, aborda o extenso (e ainda pouco explorado) campo da inteligência artificial

Ainda há um mundo extenso (e pouco explorado) quando discutimos inteligência artificial (SvetaZi/Getty Images)
Breno Barros

CTO da Falconi

Publicado em 17 de julho de 2023 às 15h02.

Compreender as fronteiras da conexão entre ser humano e máquina deveria ser uma missão cada vez mais relevante para os gestores que sonham - e precisam - posicionar seus negócios para o futuro. Um posicionamento necessário não apenas para seguirem relevantes, mas principalmente para que possam tornar suas companhias aptas a vencer a dificílima corrida por produtividade e crescimento sustentável.

Sem o apoio da inteligência artificial e em cenário tão desafiador, alcançar esse patamar se tornará uma missão improvável – para não dizer impossível. E, vale reforçar, quando falo sobre IA, nada de reduzir o tema ao ChatGPT e as maravilhas das soluções baseadas em inteligência artificial generativa.

Como reforcei na última coluna, a ferramenta ChatGPT é apenas um 'país' no imenso planeta que é a IA. Desta vez, quero explorar com você um pouco mais dos “continentes” no planeta. Para tal, apresentarei de forma breve e objetiva mais detalhes sobre três áreas dentro do conceito de aprendizado de máquina. Afinal, ainda há um mundo extenso (e pouco explorado) quando discutimos inteligência artificial.

1. Aprendizado de Máquina Supervisionado

De um jeito objetivo, este ecossistema de soluções de aprendizado de máquina atua em problemas já conhecidos pelas empresas, como previsões. E nele, sempre os dados disponíveis já estão previamente rotulados - nomenclatura esta usada para informar que o os dados possuem descrição sobre eles.

Assim, temos dois tipos possíveis de soluções aqui: classificação e regressão. Na classificação, o algoritmo classifica os dados de entrada com base em exemplos anteriores (treinamento) usando dados rotulados de classes. Por exemplo, se um e-mail é spam ou não, se uma foto tem algo presente ou não, se uma transação é fraude ou não, se pode haver uma doença ou não. Destaco que em todos esses exemplos, os algoritmos passaram por um treinamento com exemplos de spams, fraudes, doenças e algo na imagem).

Já na regressão, o algoritmo é treinado para prever (previsão é uma palavra-chave da regressão) uma saída a partir de uma faixa contínua de valores possíveis na qual ele foi treinado. Por exemplo, previsão de demanda de vendas, de consumo, previsão de churn etc. Repare que aqui também houve exemplos prévios, uma faixa contínua de valores possíveis.

Por fim, reforço que tanto em previsões, quanto em classificações, a decisão final de usá-las é das pessoas. Quer um exemplo simples? Você pode dizer que um dado e-mail não é spam.

2. Aprendizado de Máquina Não Supervisionado

No ecossistema do Aprendizado de Máquina Não Supervisionado, não se tem exemplos ou referências claras para alimentar os algoritmos. Aqui, o objetivo é realizar análises puras dos dados, explorando insights ocultos e padrões desconhecidos.

Trabalha-se com um enorme volume de dados usando soluções como agrupamento ou associação, nos quais eles processam esses dados e fornecem saídas que podem revelar insights valiosos ou não. Esse ecossistema é adequado quando não há dados pré-existentes sobre os resultados desejados, como determinar o público-alvo de um novo produto em desenvolvimento.

3. Aprendizado por Reforço

Quando falo sobre Aprendizado por Reforço, falo sobre uma IA especializada em encontrar soluções através de tentativa e erro, e é recomendada quando sabe-se qual é o resultado desejado no final, mas não é possível mapear para informar a máquina todos os caminhos ou ações possíveis. Logo, através da tentativa e erro, ela vai encontrar o melhor caminho para atingir o resultado. Exemplos de aplicação desse ecossistema incluem algoritmos para carros autônomos e otimização da produção em fábricas, buscando a máxima qualidade e eficiência.

Ou seja: ao falarmos destes três itens fica evidente o quanto o campo da IA é vasto e diversificado, com cada ecossistema oferecendo especialidades distintas. Cada um desses complexos blocos tem suas próprias características e desafios, e não há uma única solução que seja capaz de resolver todos os problemas. No entanto, juntos, esses ecossistemas nos convidam a explorar um mundo de possibilidades e a avançar cada vez mais no desenvolvimento da IA.

Veja também

Compreender as fronteiras da conexão entre ser humano e máquina deveria ser uma missão cada vez mais relevante para os gestores que sonham - e precisam - posicionar seus negócios para o futuro. Um posicionamento necessário não apenas para seguirem relevantes, mas principalmente para que possam tornar suas companhias aptas a vencer a dificílima corrida por produtividade e crescimento sustentável.

Sem o apoio da inteligência artificial e em cenário tão desafiador, alcançar esse patamar se tornará uma missão improvável – para não dizer impossível. E, vale reforçar, quando falo sobre IA, nada de reduzir o tema ao ChatGPT e as maravilhas das soluções baseadas em inteligência artificial generativa.

Como reforcei na última coluna, a ferramenta ChatGPT é apenas um 'país' no imenso planeta que é a IA. Desta vez, quero explorar com você um pouco mais dos “continentes” no planeta. Para tal, apresentarei de forma breve e objetiva mais detalhes sobre três áreas dentro do conceito de aprendizado de máquina. Afinal, ainda há um mundo extenso (e pouco explorado) quando discutimos inteligência artificial.

1. Aprendizado de Máquina Supervisionado

De um jeito objetivo, este ecossistema de soluções de aprendizado de máquina atua em problemas já conhecidos pelas empresas, como previsões. E nele, sempre os dados disponíveis já estão previamente rotulados - nomenclatura esta usada para informar que o os dados possuem descrição sobre eles.

Assim, temos dois tipos possíveis de soluções aqui: classificação e regressão. Na classificação, o algoritmo classifica os dados de entrada com base em exemplos anteriores (treinamento) usando dados rotulados de classes. Por exemplo, se um e-mail é spam ou não, se uma foto tem algo presente ou não, se uma transação é fraude ou não, se pode haver uma doença ou não. Destaco que em todos esses exemplos, os algoritmos passaram por um treinamento com exemplos de spams, fraudes, doenças e algo na imagem).

Já na regressão, o algoritmo é treinado para prever (previsão é uma palavra-chave da regressão) uma saída a partir de uma faixa contínua de valores possíveis na qual ele foi treinado. Por exemplo, previsão de demanda de vendas, de consumo, previsão de churn etc. Repare que aqui também houve exemplos prévios, uma faixa contínua de valores possíveis.

Por fim, reforço que tanto em previsões, quanto em classificações, a decisão final de usá-las é das pessoas. Quer um exemplo simples? Você pode dizer que um dado e-mail não é spam.

2. Aprendizado de Máquina Não Supervisionado

No ecossistema do Aprendizado de Máquina Não Supervisionado, não se tem exemplos ou referências claras para alimentar os algoritmos. Aqui, o objetivo é realizar análises puras dos dados, explorando insights ocultos e padrões desconhecidos.

Trabalha-se com um enorme volume de dados usando soluções como agrupamento ou associação, nos quais eles processam esses dados e fornecem saídas que podem revelar insights valiosos ou não. Esse ecossistema é adequado quando não há dados pré-existentes sobre os resultados desejados, como determinar o público-alvo de um novo produto em desenvolvimento.

3. Aprendizado por Reforço

Quando falo sobre Aprendizado por Reforço, falo sobre uma IA especializada em encontrar soluções através de tentativa e erro, e é recomendada quando sabe-se qual é o resultado desejado no final, mas não é possível mapear para informar a máquina todos os caminhos ou ações possíveis. Logo, através da tentativa e erro, ela vai encontrar o melhor caminho para atingir o resultado. Exemplos de aplicação desse ecossistema incluem algoritmos para carros autônomos e otimização da produção em fábricas, buscando a máxima qualidade e eficiência.

Ou seja: ao falarmos destes três itens fica evidente o quanto o campo da IA é vasto e diversificado, com cada ecossistema oferecendo especialidades distintas. Cada um desses complexos blocos tem suas próprias características e desafios, e não há uma única solução que seja capaz de resolver todos os problemas. No entanto, juntos, esses ecossistemas nos convidam a explorar um mundo de possibilidades e a avançar cada vez mais no desenvolvimento da IA.

Acompanhe tudo sobre:Inteligência artificialEmpresas

Mais lidas

exame no whatsapp

Receba as noticias da Exame no seu WhatsApp

Inscreva-se