Inteligência Artificial e Machine Learning: entenda as diferenças

Inteligência Artificial e Machine Learning: entenda as diferenças

Cérebro com redes neurais e chip

Estratégias analíticas tornam-se cada vez mais determinantes para que as empresas consigam compreender melhor seus clientes e seus mercados, para tomar decisões mais assertivas referentes aos seus negócios. Entender o que seu público-alvo deseja não é tarefa fácil, e com o volume cada vez maior de dados disponíveis, a dificuldade passou a esbarrar também na forma de processá-los, analisá-los e compreendê-los.

Nessa revolução, a grande aliada para dar celeridade e escala a esses processos é a Inteligência Artificial. Com o intuito de fazê-la superar a capacidade humana, as evoluções em Inteligência Artificial possibilitaram ao longo dos anos que máquinas entendessem, aprendessem e executassem tarefas, a partir dos dados que recebe.

Classificação de sistemas inteligentes

Os sistemas de Inteligência Artificial podem ser classificados de duas formas: gerais ou limitados. Os sistemas gerais fazem referência às maquinas com ampla capacidade cognitiva de atuação. São sistemas complexos, com capacidade geral de processamento de dados e que exigem uma grande capacidade computacional.

Nos anos 1970, período posterior às primeiras aplicações com redes neurais e a caminho da popularização do Machine Learning, que se daria a partir dos anos 1980, pesquisadores constataram que para se conseguir sistemas que, efetivamente, resolvessem de maneira satisfatória problemas gerais, era preciso abastecê-los com um grande volume de informações a respeito desses problemas.

Daí surgiram o que conhecemos por sistemas limitados, ou especialistas, que são aqueles sistemas inteligentes aplicados a funções específicas, com intuito de resolver problemas complexos atrelados a uma especialidade.

Essa é a grande vertente das aplicações comerciais de Inteligência Artificial. Exemplos disso são parte do nosso dia a dia, como: reconhecimento de rostos no Facebook, sugestões de produtos na Amazon, classificação de imagens no Pinterest, entre outros.

Os sistemas inteligentes também podem ser classificados pelas técnicas que utilizam, como Machine Learning e Deep Learning.

Entendendo o Machine Learning

O Machine Learning é uma técnica de Inteligência Artificial que se vale de um método de análise de dados a partir da construção e automatização de modelos analíticos. Nessa linha, compreende-se que uma máquina é capaz de aprender com os dados que recebe, identificar padrões e coerências entre eles, e tomar decisões a partir disso.

Como esclareceu o fundador da NeuralMind e professor titular aposentado da Faculdade de Engenharia Elétrica e de Computação da Unicamp, Roberto Lotufo, no post “Você sabe a diferença entre Machine Learning e Deep Learning?”, o Machine Learning não faz essas análises com base em regras previamente estabelecidas. Machine Learning é um método baseado no que chamamos de “características do objeto”, a partir das quais é possível analisar o que está sendo classificado e gerar inteligência sobre isso.

Vale destacar que há um processo humano atrelado à escolha dessas características, o que torna o sistema ainda dependente da capacidade intelectual humana.

Outro ponto importante a ser ressaltado é que o Machine Learning – diferentemente do Deep Learning, como vimos no post “Afinal de contar, o que é Deep Learning?” – trabalha exclusivamente com dados estruturados. Ou seja, há a necessidade de estruturação e tratamento dessas informações em bancos de dados. Lembrando que, no caso do Deep Learning, há a possibilidade de inserção de dados brutos.

Os mercados que comumente usam Machine Learning são: bancos e indústria financeira, especialmente para a detecção de fraudes; órgãos do governo, para tratamento das diversas fontes de dados; departamentos comerciais e de marketing, para tratar histórico de vendas e predição de comportamentos; segmento de transporte, com o traçado de rotas mais eficientes, entre outros.

Na semana que vem, vamos falar sobre a Inteligência Artificial por trás da análise de imagens. Você vai compreender melhor como isso funciona. Até lá!