O que é machine learning (ML)?

As empresas de hoje estão inundadas de dados, e entender esses dados pode ajudar muito as empresas a tomar decisões melhores. No entanto, o volume enorme associado à complexidade muitas vezes dificulta a análise dos dados usando ferramentas tradicionais. Criar, testar, iterar e implantar modelos analíticos para identificar padrões e insights em dados consome o tempo dos funcionários de uma forma muito escalonável. O machine learning pode permitir que uma organização gere insights rapidamente à medida que os dados são escalonados.

Clientes novos ganham até US$ 300 em créditos para testar a Vertex AI e outros produtos do Google Cloud.

Machine learning no Google Cloud

Definição de machine learning

Machine learning é um subconjunto da inteligência artificial que permite que um sistema aprenda e melhore de maneira autônoma usando redes neurais e aprendizado profundo, sem ter sido programado explicitamente para isso, ao ser alimentado com grandes quantidades de dados.

O aprendizado de máquina permite que os sistemas de computador se ajustem e se aperfeiçoem continuamente à medida que acumulam mais "experiências". Assim, o desempenho desses sistemas pode ser melhorado, fornecendo conjuntos de dados maiores e mais variados para processamento.

A importância do machine learning

A taxa de geração de dados está acelerando, criando mais dados do que nunca, e o machine learning ajuda a analisar e encontrar valor nessa vasta quantidade de dados. Por isso, o machine learning está abrindo um novo horizonte do que os humanos podem fazer com computadores e outras máquinas. O machine learning ajuda as empresas com funções importantes, como detecção de fraudes, identificação de ameaças à segurança, personalização e recomendações, atendimento ao cliente automatizado por meio de chatbots, transcrição e tradução, análise de dados e muito mais. O aprendizado de máquina também está impulsionando a inovação empolgante do futuro, como veículos autônomos, drones e aviões, realidade aumentada e virtual e robótica. 

Qual é a diferença entre machine learning, inteligência artificial e aprendizado profundo?

Embora inteligência artificial (IA) e machine learning (ML) sejam usados como sinônimos, eles não são termos intercambiáveis

A inteligência artificial é uma área da ciência da computação que se concentra na criação de computadores e máquinas capazes de raciocinar, aprender e agir de maneira semelhante à inteligência humana, ou sistemas que envolvem dados cuja escala excede o que os humanos podem analisar. O campo inclui muitas disciplinas diferentes, incluindo análise de dados, estatística, engenharia de hardware e software, neurociência e até mesmo filosofia. 

Enquanto a inteligência artificial é uma categoria ampla da ciência da computação, machine learning é uma aplicação de IA que envolve o treinamento de máquinas para executar uma tarefa sem programação específica. O machine learning é mais usado para extrair conhecimento dos dados com técnicas como redes neurais, aprendizado supervisionado e não supervisionado, árvores de decisão e regressão linear.

Assim como machine learning é um subconjunto da inteligência artificial, o aprendizado profundo é um subconjunto do machine learning. O aprendizado profundo treina redes neurais em conjuntos de dados. Uma rede neural é um modelo que usa um sistema de neurônios artificiais que são nós computacionais usados para classificar e analisar dados. Os dados são inseridos na primeira camada de uma rede neural, e cada nó toma uma decisão e passa essa informação para vários nós na camada seguinte. Os modelos de treinamento com mais de três camadas são conhecidos como "redes neurais profundas" ou "aprendizado profundo". Algumas redes neurais modernas têm centenas ou milhares de camadas. 

Como funciona o machine learning?

O machine learning treina algoritmos em conjuntos de dados para alcançar um resultado esperado, como identificar um padrão ou reconhecer um objeto. Machine learning é o processo de otimização do modelo para que ele possa prever a resposta correta com base nas amostras de dados de treinamento. 

Supondo que os dados de treinamento sejam de alta qualidade, quanto mais amostras de treinamento o algoritmo de machine learning receber, mais preciso será o modelo. O algoritmo ajusta o modelo aos dados durante o treinamento, no que é chamado de "processo de ajuste". Esse processo envolve o uso de uma função de perda para medir os erros do modelo e uma técnica de otimização, como o gradiente descendente, para ajustar os parâmetros do modelo e minimizar esses erros. Quando o resultado não corresponde ao esperado, o algoritmo é treinado repetidamente até gerar uma resposta precisa. Essencialmente, o algoritmo aprende com os dados e alcança resultados com base na adequação da entrada e da resposta a uma linha, cluster ou outra correlação estatística.

Tipos de machine learning

Quando falamos sobre diferentes tipos de machine learning, estamos nos referindo aos modelos de treinamento usados. Em geral, há 4 tipos de modelos usados em machine learning.

O aprendizado supervisionado é um modelo de machine learning que usa dados de treinamento rotulados (dados estruturados) para mapear um atributo específico a um rótulo. No aprendizado supervisionado, a saída é conhecida (como o reconhecimento da imagem de uma maçã) e o modelo é treinado com dados da saída conhecida. Em termos simples, para treinar o algoritmo a reconhecer fotos de maçãs, alimente-o com fotos rotuladas como maçãs. Os algoritmos de aprendizado supervisionado mais usados atualmente incluem:

  • Regressão linear
  • Regressão polinomial
  • Vizinhos mais próximos exatos
  • Naive Bayes
  • Árvores de decisão

O aprendizado não supervisionado é um modelo de machine learning que usa dados não rotulados (dados não estruturados) para aprender padrões. Ao contrário do aprendizado supervisionado, a "correção" da saída não é conhecida antecipadamente. Em vez disso, o algoritmo aprende com os dados sem contribuição humana (ou seja, não supervisionado) e os categoriza em grupos com base em atributos. Por exemplo, se o algoritmo receber fotos de maçãs e bananas, ele vai trabalhar sozinho para categorizar qual foto é uma maçã e qual é uma banana. O aprendizado não supervisionado é bom em modelagem descritiva e correspondência de padrões. Os algoritmos de aprendizado não supervisionado mais usados atualmente incluem:

  • Difundido significa
  • Criação de cluster k-means
  • Clustering hierárquico
  • Mínimos quadrados parciais

Há também uma abordagem mista para machine learning, chamada aprendizado semi-supervisionado, em que apenas alguns dados são rotulados. No aprendizado semi-supervisionado, o algoritmo precisa descobrir como organizar e estruturar os dados para chegar a um resultado conhecido. Por exemplo, o modelo de machine learning é informado de que o resultado é uma pera, mas apenas alguns dados de treinamento são rotulados como pera.

O aprendizado por reforço é um modelo de machine learning que pode ser descrito como "aprender fazendo" com uma série de experimentos de tentativa e erro. Um “agente” aprende a realizar uma tarefa definida por meio de um ciclo de feedback até que o desempenho esteja dentro de um intervalo desejável. O agente recebe reforço positivo quando executa a tarefa bem e reforço negativo quando tem um desempenho ruim. Um exemplo de aprendizado por reforço é quando os pesquisadores do Google ensinaram um algoritmo desse tipo a jogar Go. O modelo, que não tinha conhecimento prévio das regras de Go, simplesmente moveu as peças aleatoriamente e “aprendeu” os melhores movimentos a fazer. O algoritmo foi treinado com reforço positivo e negativo até que o modelo de machine learning pudesse vencer um jogador humano no game.four.

Vantagens do machine learning

Reconhecimento de padrões

Quanto mais dados forem consumidos por um algoritmo de machine learning, melhor será a capacidade de encontrar tendências e padrões nesses dados. Por exemplo, um site de e-commerce pode usar machine learning para entender como as pessoas compram e aproveitar essas informações para oferecer recomendações melhores ou encontrar dados de tendências que podem levar a oportunidades de novos produtos.

Automação

O machine learning e a inteligência artificial podem eliminar grande parte do trabalho monótono dos trabalhadores humanos. Utilitários como a automação de processos robóticos podem realizar algumas das tediosas tarefas de negócios que impedem as pessoas de realizar trabalhos mais significativos. Os algoritmos de visão computacional e detecção de objeções podem ajudar os robôs a escolher e embalar itens de uma linha de montagem. O machine learning sempre ativado para detecção de fraudes e avaliação de ameaças pode encontrar falhas de segurança antes que elas se tornem um problema.

Melhoria contínua

Com os tipos certos de dados, os algoritmos de machine learning vão continuar melhorando para serem mais rápidos e precisos. Essa melhoria pode acontecer de algumas maneiras principais, incluindo a retenção com novos dados e o recebimento de feedback dos usuários no mundo real.

Possíveis desafios do machine learning

Potencial de viés

Muitas vezes, o desempenho do machine learning depende dos dados fornecidos. Se um algoritmo de machine learning for alimentado com um conjunto de dados enviesado, ele vai fornecer resultados enviesados.

Aquisição de dados

O machine learning pode precisar de muitos dados para ser útil. Como muitos casos de uso de machine learning são baseados em aprendizado supervisionado, adquirir e limpar dados estruturados para treinar os algoritmos é uma primeira etapa importante, o que pode ser difícil se os dados estiverem em vários locais isolados dentro de uma organização.

Conhecimentos técnicos necessários

Enquanto o machine learning, a inteligência artificial e os fornecedores de nuvem tentam facilitar ao máximo a configuração e a execução de algoritmos de machine learning, as organizações geralmente precisam de programadores e cientistas de dados para entender e utilizar os algoritmos de treinamento e os resultados deles.

Uso intensivo de recursos

O machine learning pode ser demorado, exigindo muitos recursos de computação e horas dos funcionários para começar a processar dados e alcançar resultados.

Resolva seus desafios comerciais com o Google Cloud

Clientes novos recebem US$ 300 em créditos para usar no Google Cloud.
Fale com um especialista em vendas do Google Cloud para discutir seu desafio exclusivo em mais detalhes.

O machine learning usa

Alguns casos de uso comuns de machine learning incluem:

Automação de processos robóticos (RPA, na sigla em inglês)

A RPA combinada com machine learning pode criar uma automação inteligente capaz de automatizar tarefas complexas, como o processamento de aplicativos de hipoteca. O Google Cloud oferece vários produtos que podem ser usados com RPA, incluindo o Apigee para gerenciamento de API, o AppSheet para desenvolvimento com pouco código e a Vertex AI para fluxos de trabalho de machine learning.

Otimização de vendas

Os dados do cliente podem treinar algoritmos de machine learning para análise de sentimento dos clientes, análise de previsão de vendas e previsão de desligamento de clientes. Ferramentas como o BigQuery para armazenamento em data warehouse, o Looker para visualização de dados e a Vertex AI para criar e implantar modelos de machine learning podem ajudar a otimizar os processos de vendas.

Atendimento ao cliente

Aplicativos de machine learning podem incluir bots de chat e assistentes virtuais automatizados para automatizar tarefas de rotina de atendimento ao cliente e acelerar a resolução de problemas. O Dialogflow ajuda a criar interfaces de conversação para sites, apps para dispositivos móveis e dispositivos. A Contact Center AI também pode ser usada para melhorar as operações de atendimento ao cliente.

Segurança

O machine learning ajuda as empresas a melhorar os recursos de análise de ameaças e como elas respondem a ataques cibernéticos, hackers e malwares. O Security Command Center (SCC) do Google Cloud oferece uma visão consolidada da segurança e do risco nos recursos do Google Cloud. O Google Cloud Armor ajuda a proteger os aplicativos da Web contra ameaças, e o Chronicle SIEM auxilia na detecção e investigação de ameaças.

Marketing digital

O machine learning permite que os profissionais de marketing identifiquem novos clientes e ofereçam os materiais de marketing certos para as pessoas certas no momento certo. Soluções de análise de marketing que se integram ao Google Ads e ao Google Analytics 360, como o BigQuery ML e a Vertex AI, podem ser usadas para criar modelos personalizados de machine learning para marketing personalizado.

Prevenção de fraude

O machine learning ajuda empresas de cartão de crédito e bancos a analisar grandes quantidades de dados transacionais para identificar atividades suspeitas em tempo real. O reCAPTCHA Enterprise ajuda a proteger sites e apps para dispositivos móveis contra atividades fraudulentas. O Google Cloud também fez uma parceria com a Swift para criar tecnologias antifraude, aproveitando a IA avançada e o aprendizado federado.

Vá além

Comece a criar no Google Cloud com US$ 300 em créditos e mais de 20 produtos do programa Sempre gratuito.

Google Cloud