Marketing Digital

Introdução

Nos últimos anos, os termos inteligência artificial e aprendizado de máquina começaram a aparecer com frequência em notícias e sites de tecnologia. Muitas vezes, os dois são usados ​​como sinônimos, mas muitos especialistas argumentam que eles têm diferenças sutis, mas reais.

E, claro, os especialistas às vezes discordam entre si sobre quais são essas diferenças.

Em geral, no entanto, duas coisas parecem claras: primeiro, o termo inteligência artificial (IA) é mais antigo que o termo aprendizado de máquina (ML) e, segundo, a maioria das pessoas considera o aprendizado de máquina um subconjunto da inteligência artificial.

Inteligência Artificial x Aprendizado de Máquina

Embora a IA seja definida de várias maneiras, sendo a definição mais amplamente aceita “o campo da ciência da computação dedicado a resolver problemas cognitivos comumente associados à inteligência humana, como aprendizado, resolução de problemas e reconhecimento de padrões”, em essência, é a ideia que as máquinas podem possuir inteligência.

O coração de um sistema baseado em Inteligência Artificial é o seu modelo. Um modelo nada mais é do que um programa que aprimora seu conhecimento por meio de um processo de aprendizado, fazendo observações sobre seu ambiente. Este tipo de modelo baseado em aprendizagem é agrupado em Aprendizagem supervisionada. Existem outros modelos que se enquadram na categoria de modelos de aprendizagem não supervisionada.

A frase “aprendizado de máquina” também remonta a meados do século passado. Em 1959, Artur Samuel definiu ML como “a capacidade de aprender sem ser explicitamente programado”. E ele criou um aplicativo de damas de computador que foi um dos primeiros programas a aprender com seus próprios erros e melhorar seu desempenho com o tempo.

Como a pesquisa de IA, o ML saiu de moda por um longo tempo, mas tornou-se popular novamente quando o conceito de mineração de dados começou a decolar por volta da década de 1990. A mineração de dados usa algoritmos para procurar padrões em um determinado conjunto de informações. O ML faz a mesma coisa, mas vai um passo além – ele muda o comportamento de seu programa com base no que aprende.

Uma aplicação de ML que se tornou muito popular recentemente é o reconhecimento de imagem. Esses aplicativos primeiro devem ser treinados – em outras palavras, os humanos precisam olhar para um monte de fotos e dizer ao sistema o que está na foto. Depois de milhares e milhares de repetições, o software aprende quais padrões de pixels são geralmente associados a cavalos, cachorros, gatos, flores, árvores, casas, etc., e pode fazer uma boa suposição sobre o conteúdo das imagens.

Muitas empresas baseadas na Web também usam ML para alimentar seus mecanismos de recomendação. Por exemplo, quando o Facebook decide o que mostrar em seu feed de notícias, quando a Amazon destaca produtos que você pode querer comprar e quando a Netflix sugere filmes que você pode querer assistir, todas essas recomendações são baseadas em previsões que surgem de padrões em seus dados existentes.

Fronteiras de inteligência artificial e aprendizado de máquina: aprendizado profundo, redes neurais e computação cognitiva

Obviamente, “ML” e “AI” não são os únicos termos associados a esse campo da ciência da computação. A IBM frequentemente usa o termo “computação cognitiva”, que é mais ou menos sinônimo de IA.

No entanto, alguns dos outros termos têm significados muito exclusivos. Por exemplo, uma rede neural artificial ou rede neural é um sistema projetado para processar informações de maneira semelhante à maneira como os cérebros biológicos funcionam. As coisas podem ficar confusas porque as redes neurais tendem a ser particularmente boas em aprendizado de máquina, então esses dois termos às vezes são confundidos.

Além disso, as redes neurais fornecem a base para o aprendizado profundo, que é um tipo particular de aprendizado de máquina. O aprendizado profundo usa um determinado conjunto de algoritmos de aprendizado de máquina executados em várias camadas. Isso é possível, em parte, por sistemas que usam GPUs para processar uma grande quantidade de dados de uma só vez.

Se você está confuso com todos esses termos diferentes, você não está sozinho. Os cientistas da computação continuam a debater suas definições exatas e provavelmente o farão por algum tempo. E como as empresas continuam investindo dinheiro em inteligência artificial e pesquisa de aprendizado de máquina, é provável que mais alguns termos surjam para adicionar ainda mais complexidade aos problemas.