Como a maioria da terminologia no campo da inteligência artificial, não há uma definição única de machine learning.

Em poucas palavras, o que o ML faz é usar os dados para responder perguntas. Mais formalmente, refere-se ao uso de algoritmos que aprendem padrões a partir de dados e são capazes de executar tarefas sem estarem explicitamente programados para isso. 

Além disso, um recurso definidor dos sistemas de machine learning é que eles melhoram o seu desempenho com a experiência e os dados. Em outras palavras: eles aprendem.

O machine learning é parte de uma coleção de tecnologias que são agrupadas sob o termo mais amplo de “inteligência artificial” (IA).

Os conceitos de IA e machine learning frequentemente parecem ser usados de forma intercambiável, mas de fato o mais correto é considerar o machine learning como um subcampo da IA – que, por sua vez, é um subcampo da ciência da computação.

IA tem um significado diferente para cada indivíduo, mas podemos dizer que a Inteligência Artificial se refere ao conceito mais amplo de máquinas que são capazes de executar tarefas que normalmente requeriam a inteligência humana.

Nesse contexto, o machine learning refere-se a aplicativos específicos que usam os dados para treinar um modelo a fim de executar uma tarefa determinada e aprender com a experiência. 

IA e machine learning tornaram-se palavras de ordem nos últimos anos. Mas esses temas não são novos. Os cientistas têm trabalhado com a IA e o ML há algum tempo. 

A Inteligência Artificial foi debatida pela primeira vez na década de 1950. O termo foi cunhado pelo cientista da computação americano John McCarthy em um workshop no Dartmouth College, New Hampshire, em 1956.

Desde então, a IA passou por muitas evoluções e experimentou épocas melhores e piores. O machine learning entrou em cena na década de 1980, mas foi somente na década de 2010 que os progressos na área começaram a acelerar exponencialmente. O que explica esta mudança de atitude?

Na última década, dois fatores principais contribuíram para avanços significativos na área da IA:

Primeiro, quantidades enormes de dados estão sendo criadas a cada minuto. As máquinas precisam dos dados para “aprender” e a disponibilidade crescente significa que podem ser usados conjuntos de dados maiores para melhorar o treinamento de modelos existentes e também que esses modelos podem ser testados e aplicados a novas áreas.

O segundo fator está relacionado com os avanços recentes nas velocidades de processamento que permitem aos computadores processar toda essa informação muito mais rapidamente. Isso permitiu que as empresas tecnológicas e outros atores na área justificassem investimentos cada vez maiores em pesquisa e desenvolvimento.

Na velocidade atual, a IA se tornará em breve um pouco menos artificial e muito mais inteligente.

Há uma confusão fundamental sobre o que a pesquisa em IA tenta alcançar. Estamos muito longe de que as máquinas pensem sozinhas, como o computador HAL 9000 em 2001, uma odisseia no espaço, nem você deveria ter medo de um robô substituí-lo no seu trabalho em um futuro próximo.

Isso só aconteceria se alcançássemos a Inteligência Artificial Geral (AGI): máquinas hipotéticas que podem realizar qualquer tarefa intelectual de uma forma similar à humana e sem supervisão. Mas, por enquanto, isso ainda é um tema de ficção científica.

Com exceção de algumas poucas empresas e laboratórios de pesquisa – DeepMind e OpenAI, por exemplo – a pesquisa em IA atual concentra-se na inteligência limitada, com grandes avanços sendo feitos em ensinar as máquinas a realizar tarefas específicas de forma independente.

A popularidade do machine learning às vezes dificulta separar o que é real do que é apenas especulação. A falta de uma definição oficialmente consensual, o legado da ficção científica e o baixo nível geral de informação sobre assuntos relacionados com a IA são fatores que contribuem para isso.

Esperamos que esta lição tenha servido para uma melhor compreensão do que é o machine learning e como ele está relacionado com a inteligência artificial. Mas mesmo no campo do machine learning, há diferentes tipos de modelos e métodos que são importantes reconhecer.

Este é o assunto da próxima lição.