O aprendizado por esforço se baseia em um ser humano como avaliador

Em IA, o conceito de aprendizagem não supervisionada – em inglês, unsupervised learning – elimina a figura do supervisor e requer que os aprendizes formem e avaliem seus conceitos por si sós. Já o conceito de aprendizagem supervisionada pressupõe a presença de um supervisor, que consideraremos como algum critério ou medida de adequação, ou qualquer outro tipo de processo que oriente o treinamento ou aprendizado. Sobre o aprendizado por esforço, por sua vez, analise as afirmações a seguir:

I. O aprendizado por esforço se baseia em recompensas, caso o computador realize uma atividade certa.

II. Caso o computador realize uma atividade errada, é dada uma “punição” ao computador.

III. O aprendizado por esforço se baseia em um ser humano como avaliador.

A principal diferença do machine learning é que, igualmente modelos estatísticos, o objetivo é entender a estrutura dos dados – encaixar distribuições teóricas em dados bem entendidos. Assim, há uma teoria por trás de modelos estatísticos que é comprovada matematicamente, mas isso requer que os dados também atendam a certos pressupostos. O aprendizado de máquina foi desenvolvido a partir da capacidade de usar computadores para examinar a estrutura dos dados, mesmo se não soubermos como essa estrutura se parece. O teste para um modelo de machine learning é um erro de validação em dados novos e não um teste teórico que prova uma hipótese nula. Como machine learning geralmente usa uma abordagem iterativa para aprender com os dados, o aprendizado pode ser facilmente automatizado. As etapas são executadas através dos dados até que um padrão robusto seja encontrado.

De acordo com o especialista Steven Choi, as máquinas passam por três tipos de aprendizado: supervisionado, não supervisionado e de reforço

A inteligência artificial permite a automação em diversos setores – na mobilidade, com os carros autônomos; no mercado financeiro, com a recomendação de produtos e taxas mais acessíveis de acordo com o histórico do cliente; na saúde, com o reconhecimento de imagens para sugestão de diagnósticos. Independente do setor, algo é essencial: o aprendizado de máquina.

Também chamada de machine learning, a iniciativa é um ramo da inteligência artificial em que os sistemas aprendem padrões a partir da análise milhões de dados. O objetivo é que essa tecnologia se torne capaz de tomar decisões sozinha ou com o mínimo de intervenção humana. O aprendizado de máquina é realizado de três formas: supervisionada, não supervisionada e de reforço.

O aprendizado supervisionado

O aprendizado supervisionado é baseado na regressão básica e classificação. O humano fornece um banco de dados e ensina a máquina a reconhecer o que é uma bicicleta, por exemplo, entre padrões e semelhanças. A cor e tamanho pode variar, mas a máquina aprende que uma bicicleta possui pedais, duas rodas, guidão e outros elementos-chave.

O aprendizado a partir de um conjunto de dados pode induzir um viés — as máquinas podem repetir preconceitos humanos. Já teve caso de uma máquina dizer que um homem negro era um gorila porque o banco de dados analisado não tinha diversidade étnica. A ciência de dados é muito importante, porque a forma como você estabelece os dados é o que define os resultados”, conta Steven Choi, líder de produto na Olivia AI, fintech do Vale do Silício que chegará no Brasil em breve. O especialista em inteligência artificial foi um dos palestrantes no Inteligência Artificial Conference da StartSe que acontece nesta quarta-feira (30).

Quem está apostando na aprendizagem supervisionada é o Walmart e a Amazon nos Estados Unidos. As varejistas estão utilizando a técnica no machine learning na reposição de estoques, em que câmeras identificam os produtos que estão acabando nas prateleiras ao invés de depender de um estoquista. “Ainda há muitos erros. Em países não tão desenvolvidos, é mais barato contratar um funcionário do que usar o machine learning. Essas iniciativas funcionam melhor nos mercados europeus e americanos”, afirma Steven.

O aprendizado não supervisionado

De acordo com Choi, que também foi líder de produto na divisão de carros autônomos da Uber, o aprendizado não supervisionado é a forma menos utilizada pelas empresas. Isso porque a máquina começa a analisar, sozinha, os dados e a identificar os padrões — aprendendo a separar o que é uma lata de uma garrafa, por exemplo. Como é a máquina aprendendo por si só conceitos que nunca viu antes, o processo é mais demorado e, portanto, não tão popular.

Um exemplo do aprendizado não supervisionado na prática são os “matchs” (combinações) em aplicativos como o Tinder e sugestões de conexões no LinkedIn. As companhias não acompanham os resultados do algoritmo.

O aprendizado reforçado

O aprendizado reforçado é semelhante ao que nós, humanos, temos quando somos crianças. “Todos nós passamos pelo reforço de aprendizado – quando você começou a engatinhar e tentou se levantar, caiu várias vezes, mas seus pais estavam ali para te erguer e ensinar”, comentou Choi. É o ensinamento com base na experiência, em que a máquina deve lidar com o que errou antes e procurar a abordagem correta.

Um exemplo do aprendizado reforçado é a recomendação no Youtube, por exemplo. Após assistir um vídeo, a plataforma irá te mostrar títulos semelhantes que acredita que você também irá gostar. No entanto, se você começa a assistir o recomendado e não o termina, a máquina entende que a recomendação não foi boa e irá tentar outra abordagem da próxima vez.

O que é aprendizagem por esforço?

O que é aprendizado por esforço em inteligência artificial?

Quais os tipos de aprendizagens na IA?

Quando utilizamos a expressão machine learning?