Aprendizado de máquina é um tipo de programa de computador que pode aprender a executar tarefas sem instruções definidas.
Após ler este artigo, você será capaz de:
Conteúdo relacionado
O que é aprendizado profundo?
O que é inteligência artificial (IA)?
IA preditiva
O que é IA generativa?
O que é um LLM?
Assine o theNET, uma recapitulação mensal feita pela Cloudflare dos insights mais populares da internet.
Copiar o link do artigo
Aprendizado de máquina se refere a um tipo de algoritmo estatístico que consegue aprender sem instruções definidas. Isso permite que execute por conta própria determinadas tarefas, como a identificação de padrões, ao generalizá-las a partir de exemplos. Aprendizado de máquina é uma parte da inteligência artificial (IA) que se refere à capacidade que um computador tem de reproduzir as atividades cognitivas humanas.
O aprendizado de máquina tem uma ampla gama de usos, incluindo:
Aprendizado de máquina e IA não são exatamente a mesma coisa; na verdade, como disciplina, o aprendizado de máquina está incluído no âmbito da IA, mas nem toda IA envolve aprendizado de máquina, já que a IA também pode incluir uma série de outras habilidades.
O aprendizado de máquina é baseado em entradas e saídas. Um algoritmo de aprendizado de máquina é alimentado com dados (entrada) que são usados para produzir um resultado (saída). Um modelo de aprendizado de máquina "aprende" qual tipo de resultados deve produzir e pode fazer isso por meio de três métodos principais:
Para o tipo mais básico de programa de aprendizado de máquina, o programador seleciona um conjunto de exemplos de entradas e as saídas corretas. O algoritmo de aprendizado de máquina tenta generalizar a partir desses exemplos para que, quando for alimentado com uma entrada isolada, consiga produzir a saída desejada.
Imagine um chef que recebe uma cozinha cheia de ingredientes (a entrada) e um cardápio com um grande número de exemplos de pratos prontos (o resultado). Ao combinar os ingredientes de diferentes maneiras e comparar o produto final aos exemplos de pratos, o chef conseguirá, eventualmente, desenvolver as receitas necessárias para criar os itens do cardápio. Da mesma forma, o aprendizado supervisionado permite que um algoritmo aprenda como produzir os resultados corretos sem instruções programadas (ou uma receita).
O aprendizado não supervisionado ocorre quando um algoritmo de aprendizado de máquina mais avançado é alimentado com dados brutos e, em seguida, identifica os padrões por conta própria. Pense em um chef que seja habilidoso o suficiente para simplesmente olhar um cardápio e criar as receitas para preparar esses itens.
Nesse estilo de aprendizado, o algoritmo de aprendizado de máquina é treinado por meio de feedback. Existem "saídas" boas e "saídas" ruins e com o tempo, o algoritmo aprende a evitar as saídas ruins.
O aprendizado por reforço é um processo de tentativa e erro. Imagine que o chef não tem um cardápio para começar, mas, em vez disso, tudo o que ele cozinha é avaliado por um crítico de gastronomia. Eventualmente, o chef será capaz de selecionar uma lista de pratos que o crítico de gastronomia aprecia, depois de descartar todos os itens dos quais o crítico não gosta.
Um algoritmo é um conjunto de etapas pré-programadas; um modelo de aprendizado de máquina é o resultado da aplicação de um algoritmo a uma coleção de dados. Apesar dessa distinção, os termos "modelo de aprendizado de máquina" e "algoritmo de aprendizado de máquina" são às vezes usados como sinônimos. Mas a diferença é importante: dois modelos de aprendizado de máquina podem produzir resultados diferentes mesmo que usem o mesmo algoritmo, desde que cada modelo tenha sido alimentado com dados diferentes como ponto de partida.
Aprendizado profundo é um tipo de aprendizado de máquina que usa redes neurais para aprender a reconhecer padrões e fazer associações em dados brutos e não estruturados. O aprendizado profundo não é supervisionado e pode realizar tarefas extremamente complexas, sendo frequentemente utilizado para reconhecimento de fala, dirigir carros autônomos e outros aplicativos avançados.
Uma rede neural é um método de aprendizado de máquina que imita a estrutura do cérebro humano. As redes neurais são compostas de nós que se conectam entre si. Esses nós estão distribuídos por pelo menos três camadas: uma camada de entrada, uma camada de saída e uma ou mais camadas ocultas.
Cada camada contém vários nós que se conectam entre si. Se um nó perceber que alguns dados são significativos, irá repassá-lo para o próximo nó.
Pense mais uma vez no chef preparando pratos na cozinha:
Um banco de dados vetorial é um método de armazenamento de dados que aprimora o aprendizado de máquina. Os bancos de dados vetoriais permitem pesquisas por similaridade e a identificação de itens relacionados, em vez de consultas por correspondência exata. Armazenar os dados dessa forma ajuda os modelos de aprendizado de máquina a entenderem o contexto das inserções que recebem.
Um banco de dados vetorial armazena itens em uma matriz com várias dimensões, com vetores especificando a posição de cada item de dados ao longo dessas dimensões. Isso permite que os modelos de aprendizado de máquina localizem dados relacionados a outros dados. Por exemplo, uma plataforma de streaming pode combinar o aprendizado de máquina com um banco de dados vetorial para identificar quais filmes recomendar a um espectador com base em seu histórico de exibição.
Saída de dados: mesmo os modelos de aprendizado profundo mais avançados requerem acesso a conjuntos de dados gigantescos para obter resultados precisos. O armazenamento em nuvem é ideal para salvar esses conjuntos de big data, já que a computação em nuvem é quase infinitamente escalável. No entanto, o acesso a esses dados costuma resultar em taxas de saída, que os provedores de nuvem cobram pela transferência de dados do armazenamento.
Infraestrutura e poder computacional: o aprendizado de máquina, especialmente o aprendizado profundo, requer muito poder computacional, especialmente quando os modelos estão sendo treinados. Os modelos de aprendizado de máquina requerem o uso de hardware ou serviços em nuvem especializados e caros, como, por exemplo, vários servidores rápidos alimentados por GPUs. (Uma GPU, ou unidade de processamento gráfico, é mais poderosa do que uma CPU tradicional). Adaptar um modelo de aprendizado de máquina a novos casos de uso também exige bastante poder de computação, no entanto, técnicas como adaptação de baixa classificação (LoRA) podem diminuir a carga computacional .
A Cloudflare oferece uma coleção de serviços para facilitar o uso do aprendizado de máquina por qualquer pessoa. O Cloudflare Workers AI é uma rede global de GPUs que os desenvolvedores podem usar para executar tarefas de IA generativa. O Cloudflare Vectorize permite que os desenvolvedores usem um banco de dados vetorial distribuído globalmente. Além disso, temos o Cloudflare R2, um armazenamento de objetos sem tarifas de saída, permitindo que os desenvolvedores armazenem grandes conjuntos de dados em nuvem e os transfiram gratuitamente. Saiba mais sobre a Cloudflare para IA.
Aprendizado de máquina é um tipo de algoritmo estatístico que pode aprender com exemplos para realizar certas tarefas, como identificação de padrões, sem a necessidade de instruções explícitas. O aprendizado de máquina é um campo específico que se enquadra no âmbito mais amplo da inteligência artificial (IA).
Um algoritmo de aprendizado de máquina aprende sendo alimentado com dados para produzir um resultado. Existem três métodos principais para este processo de aprendizado: aprendizado supervisionado, no qual o algoritmo é treinado em exemplos selecionados; aprendizado não supervisionado, no qual o algoritmo é treinado em dados brutos; e aprendizado por reforço, no qual o algoritmo aprende quais saídas são desejáveis por meio de tentativa e erro.
Um algoritmo é um conjunto de etapas pré-programadas, enquanto um modelo de aprendizado de máquina é o resultado da aplicação de um algoritmo a uma coleção de dados. Isso significa que dois modelos que usam o mesmo algoritmo podem apresentar resultados diferentes se forem treinados em dados diferentes.
Aprendizado profundo é um tipo avançado de aprendizado de máquina que utiliza redes neurais para aprender com dados brutos e não estruturados. Aprendizado profundo é uma forma de aprendizado não supervisionado frequentemente utilizada para tarefas altamente complexas, como reconhecimento de fala e direção automatizada.
Uma rede neural é um tipo de modelo de aprendizado de máquina que imita a estrutura do cérebro humano. Consiste em múltiplas camadas de nós conectados que transmitem dados uns aos outros. Se um nó perceber que os dados são significativos, ele repassa esses dados para o próximo nó na rede.
O aprendizado de máquina tem uma ampla gama de aplicações, incluindo a identificação de spam por e-mail, a detecção de atividade de bots, a recomendação de conteúdo em plataformas de streaming, o fornecimento de resultados de mecanismos de pesquisa e o funcionamento de chatbots e tradução de idiomas. Além desses usos diretos, o aprendizado de máquina é a base para muitos tipos avançados de aplicações de IA, incluindo grandes modelos de linguagem (LLMs) e agentes de IA.