O aprendizado de máquina ou, em inglês, machine learning, funciona a partir do acesso a um grande volume de dados, sendo capaz de aprender e executar tarefas com autonomia. Desse modo, máquinas otimizam processos, evitam desconfortos perante o consumidor e agem conforme a identificação de padrões, com o mínimo de intervenção humana.
Fato é que iniciativas como essas têm ganhado espaço no cenário internacional, como foi o caso de pesquisa da Universidade de São Paulo (USP) que envolve reconhecimento facial e melhorias no processo de classificação em aprendizado de máquina, premiada em 2019 pelo Google Research Awards for Latin America.
Em 2010, pesquisadores do Massachusetts Institute of Technology (MIT) também já previam o avanço nesse setor. Eles aplicaram algoritmos de machine learning em dados de crédito e transações dos clientes de um banco comercial dos EUA entre 2005 e 2009 para prever o risco de crédito de pessoas físicas.
Eles obtiveram resultados muito melhores usando um modelo simples de aprendizado de máquina do que de regressão linear, e estimaram que isso geraria para o banco uma redução entre 6% e 25% no valor das perdas com calotes.
A evolução do aprendizado de máquina
O aprendizado de máquina pode ser considerado uma ramificação da inteligência artificial dedicada a melhorar o desempenho de alguma tarefa por meio da experiência passada, tendo conjuntos de dados e algoritmos como principais matérias-primas.
Dessa forma, o modelo permite criar regras de respostas e soluções para cada situação de forma automatizada, bem como possibilitar o aprendizado contínuo.
O objetivo é colocar a tecnologia à serviço da melhoria da qualidade de vida das pessoas. Entretanto, no início, tudo era rudimentar, como explica Patrick Silva, mestre em Ciência da Computação e docente dos cursos de tecnologia do Unisagrado.
“O processo de aquisição de conhecimento envolvia entrevistas com especialistas para descobrir quais regras eles usavam para determinada decisão. Hoje, com problemas mais complexos e a presença massiva de dados buscam-se técnicas que reduzam a intervenção humana.”
Atualmente, esse sistema evoluiu e existem três tipos de aprendizado de máquina, são eles:
- Supervisionado: realizado com o uso de um banco de dados disponibilizado por um ser humano. A partir de inúmeros testes, a máquina passa a entender quando há semelhanças e discrepâncias;
- Não supervisionado: um dos métodos menos utilizados e mais demorados, pois se confia na máquina do começo ao fim, sendo ela a responsável por todos os processos de reconhecimento, interpretação e ação;
- Reforçado: ensinamento por meio da experiência, ou seja, identificando erros para não os repetir e criar a abordagem correta.
Além disso, com a tecnologia em desenvolvimento e aprimoramento constante, é possível esperar diversos avanços nos próximos anos. “Ainda estamos no começo de uma revolução. A demanda por serviços está proporcionando grandes avanços em um ritmo recorde, porque a demanda por máquinas eficientes, altamente produtivas e inteligentes também está crescendo”, pontua o docente.
Especialistas acreditam que, apesar desse investimento ainda estar mais focado em laboratórios e grandes corporações, o aprendizado de máquina, daqui alguns anos, também chegará às casas das pessoas de forma mais acessível. E quando isso acontecer, será um processo quase que irreversível.
Exemplos de aplicação do aprendizado de máquina
O uso de machine learning no cotidiano mundial é mais comum do que parece e perpassa os processos mais simples até os complexos.
Para Fernando Lemos, Chief Technology Officer (CTO) da Microsoft Brasil, as aplicações do aprendizado de máquina estão ficando cada vez mais sofisticadas e com diferentes propósitos, como jogos, ações no setor corporativo e produtos para o consumidor final. Sua evolução possibilita a criação de novas tecnologias, como Internet das Coisas (IoT) e ferramentas de análise.
Na própria Microsoft, como parte da evolução do machine learning, há o investimento e implementação de várias plataformas nesse sentido, como a IA do Azure e o Azure Cognitive Services, que utilizam o aprendizado reforçado. “Essa abordagem permite que os agentes interajam com o seu ambiente em tempo real. Os desenvolvedores podem conectar aplicativos e sites a sistemas autônomos”, descreve o executivo.
Também há a expansão dos recursos para ambientes de nuvem híbridos e multinuvem, por meio do Azure Arc, conjunto de tecnologias que estende o gerenciamento e os serviços do Azure. “É possível executar modelos de treinamento em qualquer infraestrutura, o que reduz o movimento de dados e a latência da rede, ao mesmo passo que atende aos requisitos de segurança”, comenta Fernando Lemos.
Veja mais exemplos de medidas e ações geradas a partir do aprendizado de máquina.
1. Filtros de spam e respostas automáticas
Interpretar aspectos visíveis (assunto da mensagem, palavras repetitivas e remetente) e invisíveis (metadados, de onde o e-mail foi enviado, informações sobre o servidor e etc.) é uma das funções do aprendizado da máquina. Dessa forma, filtra-se e-mails indesejados ou até mesmo vírus.
Outra possibilidade, já comum em algumas plataformas, é a elaboração de respostas automáticas, como “o anexo não chegou”, “agradeço a sua mensagem” com base no corpo do e-mail recebido.
2. Recomendações de conteúdos e de produtos
Já reparou que, ao comentar sobre algo durante uma conversa, rapidamente conteúdos ou produtos relacionados a aquilo começam a pipocar no feed de suas redes sociais digitais? Essas ofertas são recomendadas com base em suas pesquisas nas assistentes de voz, por exemplo, e sugerem que há o interesse naquele segmento.
3. Aplicativos de transporte
A mediação da tecnologia para se locomover dentro das cidades já é realidade, como é o caso do aplicativo Uber. Mas o que acontece até o preço da corrida chegar até o cliente? Existem diversas análises de rotas e trânsito, além do mapeamento dos motoristas mais próximos ao local em questão de segundos. Tudo para oferecer a experiência mais agradável dentro das melhores condições disponíveis no momento.
4. Detecção de fraudes
A partir dos algoritmos estabelecidos por determinado modelo de machine learning, é possível identificar padrões ou comportamentos incomuns e bloquear cartões de crédito, prevenindo fraudes e grandes desfalques bancários.
O impacto dessa tecnologia no mercado
Não importa o tamanho do negócio, o aprendizado de máquina pode representar uma vantagem competitiva, uma vez que substitui o trabalho manual e atende demandas de forma massiva. Quantitativamente, a implementação da inteligência artificial representa ganhos em termos econômicos, de acordo com estudo da FrontierView encomendado pela Microsoft.
“Foram avaliados dois cenários com relação ao impacto no PIB da adoção da Inteligência Artificial no Brasil. O primeiro cenário avalia o benefício mínimo da adoção da IA no país e resultou em um acréscimo de 1,8 ponto percentual no PIB até 2030. Já no segundo, foi avaliado o benefício máximo a partir da adoção plena da IA e este resultou em um crescimento de 4,2 pontos percentuais no PIB no mesmo período”, revela Fernando Lemos.
Desse modo, cada vez mais se faz necessário que as empresas examinem com atenção seus processos e encontrem maneiras de começar a integrar essas tendências tecnológicas. “O mercado como um todo tende a se beneficiar, seja pela descoberta de novos produtos ou pela possibilidade de melhorar a experiência e o relacionamento com o cliente”, afirma Patrick Silva.
O que o futuro reserva?
É difícil prever exatamente o que o aprendizado de máquina pode proporcionar daqui para frente, mas Patrick Silva e Fernando Lemos elencam possíveis avanços que já podem ser percebidos em muitos casos:
- Reconhecimento de voz: interação muito mais humanizada e democrática com as máquinas;
- Medicina: diagnósticos médicos e desenvolvimento de tratamentos e medicamentos;
- Logística: manipulação de produtos em centros de distribuição por robôs;
- Jogos: interfaces e personagens mais atrativos;
- Marketing: predição de hábitos dos consumidores e personalização de produtos e serviços;
- Tecnologias de realidade mista: carros autônomos e soluções de cidades inteligentes.
Independentemente do que pode acontecer, é primordial fazer o uso responsável dessas tecnologias, pois elas podem ser utilizadas para fins desejáveis e indesejáveis. Faz parte do papel social de cada um adotar princípios que garantam que estes sistemas sejam justos, transparentes, inclusivos e seguros.