Tempo de Leitura: 8 minutos
Entenda o que é aprendizado de máquina, como os computadores aprendem com dados e quais são os três principais tipos de machine learning.
Como uma máquina consegue aprender?
Imagine receber milhares de fotografias de gatos e cachorros. Depois de observar tantos exemplos, você provavelmente conseguiria identificar diferenças entre os animais, mesmo quando encontrasse uma fotografia que nunca tinha visto antes.
Agora imagine ensinar um computador a fazer a mesma coisa.
Como ele poderia reconhecer um gato sem que um programador precisasse escrever uma lista interminável de características, como formato das orelhas, tamanho do focinho, comprimento dos pelos e formato dos olhos?
É justamente esse tipo de desafio que o aprendizado de máquina, conhecido internacionalmente como Machine Learning, procura resolver.
Essa tecnologia representa uma das áreas mais importantes da inteligência artificial. Em vez de depender exclusivamente de instruções previamente escritas por programadores, os sistemas recebem dados, identificam padrões e ajustam seu funcionamento a partir dos exemplos apresentados.
É assim que filtros de spam conseguem reconhecer mensagens suspeitas, plataformas identificam padrões de comportamento e sistemas de reconhecimento de voz transformam palavras faladas em texto.
Mas como esse aprendizado acontece? E será que existem diferentes maneiras de ensinar uma máquina?
O que é aprendizado de máquina?
Na computação tradicional, um programa funciona a partir de instruções definidas por um desenvolvedor. Ele recebe informações, executa as regras estabelecidas e produz um resultado.
Um exemplo simples é um filtro de e-mails baseado em regras. Um programador poderia determinar que mensagens contendo determinadas expressões fossem encaminhadas automaticamente para a caixa de spam.
O problema aparece quando essas regras deixam de funcionar.
Imagine que os responsáveis pelo envio de mensagens indesejadas comecem a substituir letras por números, alterar palavras ou utilizar expressões diferentes para escapar dos filtros. O programador precisaria antecipar essas mudanças e atualizar constantemente as instruções.
O mundo real, entretanto, apresenta situações muito variadas. Nem sempre é possível prever todas as possibilidades e escrever uma regra para cada uma delas.
O aprendizado de máquina propõe uma abordagem diferente: em vez de ensinar todas as regras, fornecemos exemplos para que o próprio sistema encontre padrões nos dados.
O conceito ganhou destaque em 1959, quando o pesquisador Arthur Samuel, da IBM, utilizou a expressão Machine Learning ao desenvolver um programa capaz de jogar damas e melhorar seu desempenho com a prática.
A ideia era permitir que o computador aprendesse sem precisar ser explicitamente reprogramado para cada situação.
Desde então, o crescimento da capacidade computacional, a disponibilidade de grandes volumes de dados e o desenvolvimento de redes neurais mais sofisticadas ampliaram enormemente as possibilidades dessa tecnologia.
Os três principais tipos de aprendizado de máquina
Nem toda máquina aprende da mesma maneira. Dependendo do problema que precisa resolver, o sistema pode utilizar diferentes estratégias de treinamento.
O material da UNIVESP apresenta três modalidades principais: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.
Cada uma possui características próprias e pode ser utilizada em situações diferentes.
1. Aprendizado supervisionado: aprender com respostas conhecidas
Imagine um estudante que recebe uma lista de exercícios acompanhada do gabarito. Ele resolve as questões, compara suas respostas com as soluções corretas e, aos poucos, identifica os padrões necessários para acertar novos exercícios.
O aprendizado supervisionado funciona de maneira semelhante.
Nesse modelo, o computador recebe exemplos acompanhados das respostas corretas. Esses exemplos são chamados de dados rotulados.
Durante o treinamento, o algoritmo compara suas previsões com os resultados esperados e ajusta seus parâmetros para reduzir os erros.
Pense novamente no filtro de spam. Para ensinar o sistema, milhares de mensagens podem ser classificadas previamente por pessoas como spam ou não spam. O algoritmo analisa esses exemplos e aprende a identificar características associadas a cada categoria.
Depois do treinamento, consegue avaliar mensagens novas e estimar em qual grupo elas se encaixam.
Outras aplicações incluem:
- Reconhecimento de voz: o sistema recebe gravações acompanhadas de suas respectivas transcrições.
- Diagnóstico por imagens: modelos podem aprender a identificar padrões em radiografias previamente avaliadas por médicos.
- Classificação de mensagens: o algoritmo aprende a distinguir diferentes categorias de conteúdo.
A principal característica dessa modalidade é a presença de exemplos com respostas conhecidas, que funcionam como uma espécie de gabarito durante o treinamento.
2. Aprendizado não supervisionado: descobrir padrões sem um gabarito
Agora imagine receber centenas de fotografias sem nenhuma legenda. Ninguém informa quais imagens mostram animais, paisagens, pessoas ou objetos.
Mesmo assim, você poderia começar a organizá-las por semelhança: fotografias com cores parecidas, imagens de ambientes semelhantes ou grupos que apresentam características em comum.
O aprendizado não supervisionado segue uma lógica parecida.
Nesse caso, o sistema recebe dados sem classificações previamente estabelecidas e procura identificar estruturas, agrupamentos e padrões por conta própria.
Não existe um gabarito indicando qual deveria ser a resposta correta para cada exemplo.
Uma aplicação possível é a segmentação de clientes. Uma empresa pode analisar informações sobre o comportamento de compra de seus consumidores e identificar grupos com características semelhantes, mesmo sem ter definido essas categorias antecipadamente.
Outros exemplos incluem:
- Detecção de anomalias: identificação de movimentações financeiras que apresentam comportamentos diferentes do padrão habitual.
- Organização de informações: agrupamento de documentos ou textos que tratam de assuntos semelhantes.
- Segmentação de consumidores: descoberta de grupos de clientes com hábitos de compra parecidos.
A diferença fundamental é que, enquanto o aprendizado supervisionado utiliza exemplos previamente classificados, o não supervisionado procura descobrir relações e estruturas que ainda não foram identificadas.
3. Aprendizado por reforço: aprender por tentativa e recompensa
Você provavelmente já percebeu que aprender uma atividade nova exige experimentar, cometer erros e ajustar o comportamento até conseguir um resultado melhor.
Pense em alguém aprendendo a andar de bicicleta. No início, manter o equilíbrio pode ser difícil. Com a prática, a pessoa percebe quais movimentos ajudam a continuar pedalando e quais provocam desequilíbrio.
O aprendizado por reforço utiliza um princípio semelhante.
Nesse modelo, um agente interage com um ambiente, realiza ações e recebe recompensas ou penalidades de acordo com os resultados obtidos.
Com o tempo, aprende quais decisões tendem a produzir resultados melhores.
O objetivo é desenvolver uma estratégia de ações que maximize a recompensa acumulada ao longo do tempo.
Um exemplo conhecido é o AlphaGo, sistema desenvolvido pela DeepMind que aprendeu a jogar Go e venceu jogadores humanos de alto nível.
Outro caso interessante envolve o uso de aprendizado por reforço no controle de sistemas de refrigeração de centros de processamento de dados.
O material da UNIVESP também apresenta o RLHF (Reinforcement Learning from Human Feedback), uma técnica utilizada no ajuste de modelos de linguagem. Nesse processo, avaliadores humanos classificam respostas e ajudam a orientar o comportamento do sistema.
Afinal, quem ensina a inteligência artificial?
Existe um detalhe importante que costuma passar despercebido quando falamos sobre aprendizado de máquina: muitas vezes, o treinamento depende diretamente do trabalho de pessoas.
No aprendizado supervisionado, por exemplo, alguém precisa preparar os dados e indicar quais respostas são consideradas corretas.
Esse processo é conhecido como rotulagem de dados.
Quando uma pessoa identifica fotografias, classifica mensagens como spam ou transcreve gravações de voz, está ajudando a produzir exemplos que podem ser utilizados no treinamento de sistemas de inteligência artificial.
O material da UNIVESP destaca que parte desse trabalho é realizada por trabalhadores de plataformas digitais, frequentemente remunerados por tarefa. Mary Gray e Siddharth Suri documentaram essa atividade no livro Ghost Work, publicado em 2019.
É um aspecto interessante porque revela que, por trás de muitas tecnologias aparentemente autônomas, existe uma participação humana que nem sempre é visível para quem utiliza o produto.
Além disso, algumas interações cotidianas também podem produzir dados úteis. Quando alguém corrige uma sugestão automática do teclado, por exemplo, está fornecendo uma informação sobre a previsão realizada pelo sistema.
Isso levanta questões importantes sobre privacidade, consentimento e utilização de dados pessoais, especialmente diante de legislações como a Lei Geral de Proteção de Dados (LGPD).
Da inteligência artificial baseada em regras à IA generativa
O aprendizado de máquina também ajuda a compreender a evolução histórica da própria inteligência artificial.
O material da UNIVESP apresenta três grandes gerações de sistemas, classificadas de acordo com a maneira como representam e processam o conhecimento.
IA simbólica: quando o conhecimento estava nas regras
Nos primeiros sistemas, predominava uma abordagem baseada em regras explícitas, geralmente organizadas em estruturas do tipo SE… ENTÃO….
Um exemplo histórico foi o MYCIN, desenvolvido na Universidade Stanford durante a década de 1970. O sistema utilizava centenas de regras elaboradas por especialistas para auxiliar no diagnóstico de infecções sanguíneas.
A vantagem era a transparência: era possível consultar as regras e entender por que o sistema havia chegado a determinada conclusão.
A limitação estava na dificuldade de lidar com situações que não haviam sido previstas pelos programadores.
IA conexionista: quando as máquinas começaram a aprender com dados
A abordagem conexionista utiliza redes neurais artificiais, formadas por unidades interligadas que possuem pesos numéricos.
Durante o treinamento, esses pesos são ajustados para reduzir os erros produzidos pelo sistema. Uma das técnicas utilizadas nesse processo é a backpropagation, que permite calcular como os erros da saída devem influenciar os ajustes realizados nas conexões da rede.
Um marco importante aconteceu em 2012, quando a AlexNet, uma rede neural profunda, alcançou resultados expressivos na competição ImageNet, voltada ao reconhecimento e à classificação de imagens.
Esse resultado ajudou a impulsionar o desenvolvimento do Deep Learning, ou aprendizado profundo.
IA generativa: quando as máquinas passaram a produzir conteúdo
A geração mais recente é marcada pelos grandes modelos de linguagem, conhecidos como LLMs.
Sistemas dessa categoria são treinados para identificar padrões em enormes quantidades de textos e prever quais fragmentos de texto, chamados tokens, devem aparecer em seguida.
A partir desse treinamento, conseguem produzir textos, códigos e outros conteúdos.
Uma tecnologia fundamental para esse avanço foi a arquitetura Transformer, apresentada em 2017 por Ashish Vaswani e outros pesquisadores no artigo Attention Is All You Need.
Essa arquitetura utiliza mecanismos de atenção para analisar as relações entre diferentes partes de uma sequência de informações.
É uma das bases tecnológicas que permitiram o desenvolvimento de muitos dos modelos de linguagem utilizados atualmente.
Como os modelos de linguagem são treinados?
O treinamento de grandes modelos de linguagem não acontece de uma única vez. O material da UNIVESP apresenta três etapas principais.
1. Pré-treinamento
Na primeira fase, o modelo é exposto a enormes coleções de textos, livros digitalizados, documentos disponíveis na internet e códigos de programação.
Seu objetivo é aprender padrões e prever os tokens que aparecem nas sequências.
É uma etapa que exige grande capacidade computacional e consumo significativo de energia.
2. Fine-tuning
Depois do pré-treinamento, o modelo pode passar por um ajuste fino, conhecido como fine-tuning.
Nessa fase, são utilizados conjuntos de dados menores e mais controlados para refinar seu comportamento e melhorar seu desempenho em determinadas tarefas.
3. Aprendizado por feedback humano (RLHF)
Na terceira etapa, avaliadores humanos analisam diferentes respostas produzidas pelo modelo e indicam quais consideram melhores.
Essas avaliações são utilizadas em um processo de aprendizado por reforço para orientar o sistema a produzir respostas mais próximas das preferências humanas.
Essa etapa contribui para tornar os modelos mais preparados para seguir instruções e manter conversas.
Uma máquina que aprende também pode errar
Existe uma característica importante que precisamos compreender antes de utilizar ferramentas de inteligência artificial: aprender padrões não significa necessariamente compreender o mundo como uma pessoa.
Os modelos generativos produzem respostas com base nas relações estatísticas identificadas durante o treinamento.
Isso significa que uma resposta pode parecer extremamente convincente e, mesmo assim, apresentar informações incorretas.
Esse fenômeno é conhecido como alucinação da inteligência artificial.
Um modelo pode, por exemplo, apresentar uma referência bibliográfica inexistente ou responder com segurança sobre um acontecimento que não conhece adequadamente.
Isso acontece porque seu funcionamento não corresponde simplesmente à recuperação de informações em uma biblioteca. Ele produz conteúdo a partir dos padrões aprendidos.
Por esse motivo, verificar informações, conferir referências e consultar fontes confiáveis continua sendo indispensável.
Por que entender o aprendizado de máquina é importante?
O aprendizado de máquina está presente em diversas tecnologias que utilizamos diariamente, mesmo quando não percebemos.
Ele ajuda a explicar como sistemas conseguem reconhecer padrões, classificar informações, identificar comportamentos e produzir previsões.
Também permite compreender por que a inteligência artificial depende tanto de dados, capacidade computacional e participação humana.
Mais do que conhecer nomes técnicos, entender esses processos nos ajuda a utilizar a tecnologia com maior consciência e senso crítico.
Afinal, quando uma inteligência artificial apresenta uma resposta, existe uma história por trás dela: dados que foram coletados, exemplos que foram preparados, algoritmos que foram treinados e parâmetros que foram ajustados.
A máquina não aprende exatamente como uma pessoa. Mas consegue identificar relações em grandes volumes de informações e utilizar esses padrões para resolver problemas que seriam extremamente difíceis de tratar apenas com regras escritas manualmente.
E é justamente essa capacidade que transformou o aprendizado de máquina em um dos pilares da inteligência artificial moderna.