Introdução ao Machine Learning: Conceitos Básicos

Olá pessoal! Tudo bem com todo mundo aí do outro lado? Espero que sim! Estou de volta aqui no Embarcados com uma nova série de artigos técnicos. Como vocês sabem, aqui neste portal tenho algumas séries de artigos que já ajudaram muita gente, entre elas, a de Introdução a Algoritmos e Assembly MIPS. Gosto de compartilhar o que aprendo, de um jeito que seja fácil para todos entenderem e, no momento, eu tenho muito a compartilhar com vocês sobre este assunto que está fervendo no mercado: MACHINE LEARNING (ML ou Aprendizado de Máquina – AM). Então, estão prontos para aprender ainda mais junto comigo?

Definição de Machine Learning

As pesquisas em Inteligência Artificial começaram, aproximadamente, no início da década de 40. Um Engenheiro do MIT chamado Arthur Samuel mencionou o termo Machine Learning pela primeira vez em 1959. No entanto, existem várias definições e não há um consenso na comunidade sobre qual é exatamente a definição correta do termo aprendizado de máquina. Seguem duas definições que considero interessantes:

Um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido programados para tal (Arthur Samuel)

A capacidade de melhorar o desempenho na realização de alguma tarefa por meio da experiência (Tom Mitchell)

Ao longo da série, nós vamos discutir mais a respeito dessas definições.

Breve resumo histórico

Resumindo a vasta timeline da área:

• Dos anos 40 a 60 foi o início formal da I.A;
• Dos anos 70 a 80 a área passou pelo primeiro inverno, isto é, houve um congelamento das pesquisas na área;
• Dos anos 80 a 90 começaram a surgir os sistemas especialistas;
• Dos anos 90 a 2000 aconteceu o segundo inverno;
• Finalmente, dos anos 200 em diante houve a retomada da área com um enorme crescimento nos últimos 10 anos.

Todo esse avanço na área só foi possível graças ao desenvolvimento em outras áreas. Para os modelos de I.A. é necessário que haja muita informação disponível, e bem sabemos que isso é o que não falta com a Internet. Além disso, para processar tanta informação, é necessário microprocessadores potentes e esta área também vem evoluindo muito. Portanto, sem evolução em microprocessadores e sem o crescimento/disponibilidade de dados, o aprendizado de máquina também não teria evoluído. A Figura 1 ilustra essas e mais áreas de tecnologia que também foram essenciais para o advento e agora estável área de aprendizado de máquina.

Aplicações

As aplicações do aprendizado de máquina são muitas, isto é, podemos utilizar os algoritmos para resolver os mais diversos problemas. Agronomia, biotecnologia, medicina, psicologia, economia, finanças, esportes, indústria fonográfica, cinematográfica, energia, ecologia, robótica, varejo e comércio, astronomia, livros, enfim, qualquer setor! Por exemplo, técnicas de aprendizado de máquina podem ser usadas para cuidar de plantas treinando Veículos Aéreos Terrestres Não Tripulados, os famosos drones. Depois que os drones forem treinados, a partir dos dados coletados e pré-processados, eles então eliminar ervas daninhas, automatizar a semeadura, aplicar pesticidas, automatizar irrigação e colheita, entre muitas outras tarefas de forma muito eficaz e precisa – principalmente se comparado com a ação manual e humana.

Spotify, Netflix, entre outros streamings de música e vídeo também utilizam técnicas de aprendizado de máquina para melhorar o sistema de recomendação. Podemos falar o mesmo de sistemas de e-commerce como a Amazon, por exemplo. Na área de fármacos, muitos pesquisadores estão tentando encontrar relações entre os dados que podem levar a novas descobertas importantes. Por exemplo, qual a relação de determinados sintomas de uma doença, com os agentes da droga e seus efeitos colaterais nas pessoas. A partir disso, a equipe de Biotecnologia pode pensar em formas de evitar e detectar problemas nessas drogas quando ministradas.

Bom, tem muita coisa que eu poderia colocar aqui, mas o artigo tem um limite! Então, para saber mais sobre o uso de modelos de aprendizado nos diversos setores, recomendo que você vá ao google schoolar e digite: “aprendizado de máquina” + “nome do setor”. Exemplo: “aprendizado de máquina” + “agropecuária. Você também pode usar as palavras chaves survey, ou review, para encontrar artigos que sumarizam tudo o que é importante sobre o assunto. Vou deixar no final do artigo também, alguns artigos científicos legais sobre essas aplicações de machine learning.

Aprendizado de Máquina é bruxaria?

Vejo muita gente dizendo isso, que machine learning é bruxaria. Bom, se a gente pensar em tanta coisa estranha que acontece quando usamos um dispositivo baseado em computação, realmente é como bruxaria. Uma hora o computador ta funcionando ok, do nada pára, ai do nada volta a funcionar. Existem mesmo coisas inexplicáveis. Mas sabe, o aprendizado de máquina não é assim tão medonho. Costumo dizer em minhas palestras que o aprendizado de máquina possui uma trindade, assim como a Trindade da Liga da Justiça é composta pela Mulher Maravilha, o Superman e o Batman, e essa trindade do ML é a Estatística, a Matemática e a Computação. E como sempre, não podemos nos esquecer do inglês, pois muitos dos materiais na área, e toda a documentação das linguagens de programação envolvidas, estão em inglês. Tem até uma tirinha que ironiza isso, vejam:

A verdade é que um modelo de aprendizado de máquina é pensado e desenvolvido por alguém ou uma equipe e, tudo o que é feito por humanos está sujeito a falhas. Às vezes tenho a impressão de que as pessoas endeusam demais a área, considerando ela perigosa inclusive. Existe a possibilidade? Me ensinaram a nunca dizer nunca, mas no momento em que estamos aqui no Brasil, o aprendizado de máquina está sendo usado de uma forma muito aplicada, para resolver problemas das empresas e ajudá-las a tomar melhores decisões, aumentar o lucro e por aí vai. Portanto, devemos sim tomar cuidado com várias coisas, e vou falar sobre elas ao longo desta série. Mas se você está começando agora, saiba que tudo começa de algo mais simples e alcançável, que você já estudou na escola, ou na graduação, e agora esse conhecimento vai evoluir — talvez como acontece com os pokemons.

Saber um pouco de matemática, estatística, algoritmos, programação é essencial. A teoria por trás de cada modelo de aprendizado de máquina também é muito importante. Você precisa saber o que acontece para ser capaz de interpretar corretamente o resultado do modelo. Fazer as coisas mecanicamente qualquer um faz, criar um pipeline, executar o pipeline, limpar os dados, etc., isso é mecânico – mas são coisas importantes ok. O diferencial pra você como profissional da área é entender o problema e buscar o melhor modelo para solucioná-lo. Isso é algo tão básico, tão básico que aprendemos lá no primeiro ano da graduação em computação, mas com o tempo esquecemos completamente, pois queremos apenas aprender novas linguagens e outras coisas, e esquecemos completamente a essência do que estamos fazendo, que é resolver os problemas dos outros com uma solução em computação.

Vou fazer uma analogia com os esportes, no vôlei se você não recepciona bem, a bola não vai na mão do levantador e consequentemente, o levantador não consegue armar bem a jogada e o atacante também terá dificuldades em marcar o ponto, muitas vezes não marcando mesmo. Então, treinar recepção que é algo extremamente básico e simples (e chato muitas vezes), é algo que deve ser repetido diariamente pelos jogadores, pois assim eles conseguem aprimorar esse fundamento e o resultado aparecerá durante jogos oficiais, levando o time a vitória.

Com a computação é o mesmo, os fundamentos nunca devem ser esquecidos, precisam sempre estar frescos na nossa mente. Na área de aprendizado de máquina isso é ainda mais crucial: receber um problema, analisá-lo, entendê-lo, conversar com a pessoa que te trouxe o problema, fazer todas as perguntas possíveis e inimagináveis sobre o problema e então projetar a melhor solução, esse é o caminho. Programar a coisa toda depois é apenas consequência! Portanto, não, machine learning não é bruxaria!

Conclusão

No próximo artigo começarei a falar sobre os tipos de aprendizado de máquina, e em seguida, entrarei na preparação dos dados. Espero que tenha gostado deste artigo introdutório e sou muito grata por ler até aqui. Se tiver algo legal para adicionar, deixe aí nos comentários, tá bom? Ficarei muito feliz com a sua participação. A gente se vê!

Sugestão de leitura

Towards leveraging the role of machine learning and artificial intelligence in precision agriculture and smart farming

Internet of Thing and Machine Learning Approach for Agricultural Application: A Review

Machine learning in landscape ecological analysis: a review of recent approaches

Machine learning and deep learning—A review for ecologists

Astronomical big data processing using machine learning: A comprehensive review

Machine learning in astronomy

Machine learning in medical applications: A review of state-of-the-art methods

Application of radiomics and machine learning to thyroid diseases in nuclear medicine: a systematic review

Artificial intelligence and machine learning in energy systems: A bibliographic perspective

Machine Learning and Deep Learning in Energy Systems: A Review

Artificial intelligence, machine learning and deep learning in advanced robotics, a review

Human–robot collaboration and machine learning: A systematic review of recent research

Using machine learning for healthcare challenges and opportunities

Multimodal machine learning in precision health: A scoping review