Aprendizagem automática (ML)
Descobrir a aprendizagem automática: Explore os seus principais conceitos, tipos e aplicações reais em IA, visão computacional e aprendizagem profunda. Saiba mais agora!
A aprendizagem automática (AM) é um subcampo da inteligência artificial (IA) que dá aos computadores a capacidade de aprender sem serem explicitamente programados. Definidos pela primeira vez por pioneiros como Arthur Samuel, os algoritmos de aprendizagem automática utilizam dados históricos para identificar padrões, fazer previsões e melhorar o seu desempenho ao longo do tempo, à medida que são expostos a mais informações. Em vez de depender de um programador para escrever código estático para uma tarefa, um modelo de ML aprende a sua própria lógica diretamente a partir dos dados com que é treinado. Esta capacidade de adaptação faz do ML a força motriz de muitas das tecnologias mais sofisticadas da atualidade.
Distinguir o ML de termos relacionados
Compreender o ML significa também saber como se relaciona com outros conceitos-chave no domínio:
- Inteligência Artificial (IA): A IA é o conceito alargado de criação de máquinas capazes de um comportamento inteligente. O ML é a abordagem mais proeminente e bem sucedida para alcançar a IA. Enquanto a IA é o objetivo global, o ML é a metodologia prática que permite aos sistemas aprender e adaptar-se.
- Aprendizagem profunda (DL): A aprendizagem profunda é um subcampo especializado de ML que utiliza redes neurais (NNs) complexas e multicamadas, muitas vezes chamadas de redes neurais profundas. A DL tem sido responsável por grandes avanços no tratamento de dados complexos, como imagens, som e texto, e alimenta a maioria dos modelos de visão de última geração.
- Extração de dados: Embora ambos os campos analisem dados, os seus objectivos são diferentes. A extração de dados, tal como definida por líderes da indústria como o SAS, centra-se na descoberta de padrões previamente desconhecidos em grandes conjuntos de dados para gerar conhecimentos para utilização humana. Em contrapartida, o ML utiliza padrões para criar modelos preditivos que podem tomar decisões autónomas sobre dados novos e desconhecidos.
Tipos de aprendizagem automática
Os modelos de ML são normalmente categorizados com base na forma como aprendem com os dados:
- Aprendizagem supervisionada: O tipo mais comum, em que o modelo aprende a partir de dados rotulados que consistem em pares de entrada-saída. O objetivo é aprender uma função de mapeamento que possa prever a saída para novas entradas. A classificação de imagens e a deteção de spam são exemplos clássicos.
- Aprendizagem não supervisionada: O modelo recebe dados não rotulados e deve encontrar padrões ou estruturas intrínsecas por si próprio, como o agrupamento de pontos de dados em clusters. A deteção de anomalias e a segmentação de clientes são casos de utilização comuns.
- Aprendizagem por reforço: Um agente aprende através da interação com um ambiente. Recebe recompensas por acções desejáveis e penalizações por acções indesejáveis, com o objetivo de maximizar a sua recompensa cumulativa. Esta abordagem é amplamente utilizada na robótica e em jogos estratégicos.
Relevância na IA e na visão computacional
A aprendizagem automática é um pilar fundamental da IA moderna e é particularmente transformadora no domínio da visão computacional (CV). Tarefas como a deteção de objectos, a segmentação de imagens e a estimativa de pose dependem fortemente de modelos de aprendizagem automática para interpretar e compreender a informação visual. Os modelos mais avançados, como o Ultralytics YOLO, tiram partido das técnicas de AM, nomeadamente da aprendizagem profunda, para obter uma elevada precisão e velocidade em aplicações em tempo real.
Aqui estão dois exemplos de ML em ação:
- Análise de imagens médicas: Na IA para os cuidados de saúde, os modelos de ML treinados em conjuntos de dados como o conjunto de dados de tumores cerebrais podem analisar exames de ressonância magnética ou de tomografia computorizada para detetar e delinear potenciais anomalias. Isto ajuda os radiologistas ao destacar áreas de preocupação, levando a diagnósticos mais rápidos e precisos. Organizações como o National Institute of Biomedical Imaging and Bioengineering (NIBIB) estão a explorar ativamente estas aplicações.
- Veículos autónomos: Os automóveis autónomos utilizam um conjunto de modelos de ML para processar dados de câmaras, LiDAR e radar em tempo real. Na AI para automóveis, esses modelos são usados para detetar e classificar objetos como outros veículos, pedestres e sinais de trânsito, permitindo que o carro navegue em seu ambiente com segurança. Plataformas tecnológicas como o DRIVE da NVIDIA são construídas em torno de poderosos recursos de ML.