1.6 Inteligência Artificial Machine Learning Robótica As expetativas sobre o potencial da IA, machine learning e robótica são enormes. Cada vez mais utilizadas, estas tecnologias disruptivas assumem um papel de destaque na transformação das empresas, da economia e da sociedade em geral, automatizando tarefas repetitivas ou de pequeno valor, evitando erros e libertando as pessoas para processos mais complexos, ao mesmo tempo que aumentam os níveis de produtividade e melhoram a experiência dos clientes. De acordo com os dados do Google Trends, o machine learning é um assunto que desperta cada vez mais interesse, existindo uma procura cada vez maior por informação nesta área. De facto, a definição dos conceitos de inteligência artificial (IA) e de machine learning muitas vezes não é clara, assumindo-se frequentemente como sendo sinónimos. No entanto, existem algumas diferenças importantes: Pode-se definir a inteligência artificial como a capacidade de uma máquina conseguir desempenhar tarefas ou de imitar o comportamento humano de forma inteligente, tomar decisões e resolver problemas; O machine learning é uma subárea da inteligência artificial que permite que uma máquina ou um computador aprenda sem ser programado explicitamente, conseguindo reconhecer padrões, tomar decisões e fazer previsões. De notar que o machine learning não se esgota na parte preditiva com base nos dados existentes, já que estes algoritmos permitem também uma aprendizagem contínua por forma a otimizarem o output/decisão. De forma resumida, podemos definir machine learning como sendo um conjunto de ferramentas ou de algoritmos estatísticos que permitem aprender a partir de dados.
73 a economia digital MACHINE LEARNING, THE FUTURE 100 80 60 40 20 0 2011 2012 2013 2014 2015 2016 2017 2018 Fonte: Google Trends Dentro do machine learning podemos identificar os algoritmos de acordo com o seu tipo de aprendizagem: Aprendizagem não supervisionada: fornecemos dados à máquina e esta tenta entender e descobrir estes mesmos dados, procurando identificar padrões, estruturas ou relações. Não existe assim um objetivo explicito de classificar algo em concreto, o output poderá servir ou não para o nosso propósito; Aprendizagem supervisionada: neste método mostramos explicitamente à máquina o que tem de aprender, for- necendo dados de entrada e o output desejado correspondente e claramente definido. De forma sucinta, o método de aprendizagem supervisionada pode ser representado pelo esquema abaixo indicado. Neste exemplo considerou-se o caso de classificação de documentos em que, numa primeira fase, fornecemos à máquina um conjunto de documentos bem como a lista de classes a que correspondem (este conjunto de dados denomina-se de "set de treino"). É com base neste conjunto de informação que a máquina consegue ajustar os parâmetros do modelo utilizado, com o objetivo de aproximar o mais possível a sua decisão do valor real (minimização da função de erro). Estes novos processos têm um enorme potencial, sendo especialmente úteis para otimizar tarefas, atingir conclusões e resultados que humanamente seriam impossíveis de obter e também para aumentar a nossa qualidade de vida. O machine learning não se esgota na sua faceta preditiva com base nos dados existentes, já que estes algoritmos permitem também uma aprendizagem contínua em portugal 2018 1.6 Inteligência Artificial | Machine Learning | Robótica MACHINE LEARNING MACHINE LEARNING MODEL TRANSF. X 0 NEW TEXT FEATURES (characteristics) 1 4 3 3 2 1 6 8 4 F(x) PROBABILITY X DECISION Label ADJUST MODEL PARAMETERS Label Label Label X TRAINING TEXT/DOCS Classification of new samples Learning process Training Set 0 1 4 3 3 2 1 6 8 4 0 1 4 3 3 2 1 6 8 4 0 1 4 3 3 2 1 6 8 4 MINIMA=OPTIMAL PARAMETERS ERROR FUNCTION X Label Label Label COMPARE Fonte: Vodafone
