O que são Machine Learning e Deep Learning em Inteligência Artificial

Os dispositivos conectados à Internet são chamados de dispositivos inteligentes. Praticamente tudo relacionado à Internet é conhecido como dispositivo inteligente(smart device) . Nesse contexto, pode-se dizer que o código que torna os dispositivos MAIS SMART –(SMARTER – ) para que funcionem com o mínimo ou sem qualquer intervenção humana é baseado em Inteligência Artificial(Artificial Intelligence) (IA). Os outros dois, a saber: Machine Learning (ML) e Deep Learning (DL), são diferentes tipos de algoritmos criados para trazer mais recursos para os dispositivos inteligentes. Vamos ver IA vs ML vs DL(AI vs ML vs DL ) em detalhes abaixo para entender o que eles fazem e como estão conectados à IA.

O que é Inteligência Artificial em relação a ML e DL

Machine Learning e Deep Learning em Inteligência Artificial

A IA pode ser chamada de um superconjunto de processos de Machine Learning (ML) e processos de Deep Learning (DL). AI geralmente é um termo abrangente usado para ML e DL. Deep Learning é novamente um subconjunto de Machine Learning (veja a imagem acima).

Alguns argumentam que o Machine Learning não faz mais parte da IA ​​universal. Eles dizem que o ML é uma ciência completa por si só e, portanto, não precisa ser chamado com referência à Inteligência Artificial(Artificial Intelligence) . A IA prospera em dados: Big Data . Quanto mais dados ele consome, mais preciso ele é. Não é que ele sempre preveja corretamente. Haverá bandeiras falsas também. A IA se treina nesses erros e se torna melhor no que deve fazer – com ou sem supervisão humana.

A Inteligência Artificial não pode ser definida adequadamente, pois penetrou em quase todos os setores e afeta muitos tipos de processos e algoritmos (de negócios). Podemos dizer que a Inteligência(Intelligence) Artificial é baseada em Data Science (DS: Big Data ) e contém Machine Learning como sua parte distinta. Da mesma forma(Likewise) , Deep Learning é uma parte distinta do Machine Learning .

Da forma como o mercado de TI está se inclinando, o futuro seria dominado por dispositivos inteligentes conectados, chamados de Internet das Coisas (IoT)(Internet of Things (IoT)) . Dispositivos inteligentes(Smart) significam inteligência artificial: direta ou indiretamente. Você já está usando inteligência artificial (IA) em muitas tarefas em sua vida diária. Por exemplo, digitar em um teclado de smartphone que fica cada vez melhor em “sugestão de palavras”. Entre outros exemplos em que você está lidando sem saber com Inteligência Artificial(Artificial Intelligence) estão procurando coisas na Internet , compras on-line e, claro, as caixas de entrada de e-mail sempre inteligentes do Gmail e do Outlook .(Outlook)

O que é aprendizado de máquina

Machine Learning é um campo da Inteligência Artificial(Artificial Intelligence) onde o objetivo é fazer com que uma máquina (ou computador, ou um software) aprenda e se treine sem muita programação. Esses dispositivos precisam de menos programação, pois aplicam métodos humanos para concluir tarefas, incluindo aprender a ter um melhor desempenho. Basicamente(Basically) , ML significa programar um computador/dispositivo/software um pouco e permitir que ele aprenda por conta própria.

Existem vários métodos para facilitar o Machine Learning . Destes, os três seguintes são amplamente utilizados:

  1. Supervisionado,
  2. Sem supervisão e
  3. Aprendizagem de reforço.

Aprendizado Supervisionado em Machine Learning

Supervisionado no sentido de que os programadores primeiro fornecem à máquina dados rotulados e respostas já processadas. Aqui, rótulos significam os nomes das linhas ou colunas em um banco de dados ou planilha. Depois de alimentar grandes conjuntos desses dados no computador, ele está pronto para analisar outros conjuntos de dados e fornecer resultados por conta própria. Isso significa que você ensinou o computador a analisar os dados alimentados a ele.

Normalmente, é confirmado usando a regra 80/20. Enormes(Huge) conjuntos de dados são alimentados a um computador que tenta e aprende a lógica por trás das respostas. 80% dos dados de um evento são enviados ao computador junto com as respostas. Os 20% restantes são alimentados sem respostas para ver se o computador pode apresentar resultados adequados. Esses 20% são usados ​​para verificação cruzada para ver como o computador (máquina) está aprendendo.

Aprendizado de máquina não supervisionado

O aprendizado não supervisionado acontece quando a máquina é alimentada com conjuntos de dados aleatórios que não estão rotulados e não estão em ordem. A máquina tem que descobrir como produzir os resultados. Por exemplo, se você oferecer bolas de softball de cores diferentes, ele deve ser capaz de categorizar por cores. Assim, no futuro, quando a máquina for presenteada com uma nova bola de softball, ela poderá identificar a bola com etiquetas já presentes em seu banco de dados. Não há dados de treinamento neste método. A máquina tem que aprender sozinha.

Aprendizado por Reforço

Máquinas que podem tomar uma sequência de decisões se enquadram nessa categoria. Depois, há um sistema de recompensa. Se a máquina for boa em qualquer coisa que o programador queira, ela recebe uma recompensa. A máquina é programada de uma maneira que anseia por recompensas máximas. E para obtê-lo, resolve problemas criando diferentes algoritmos em diferentes casos. Isso significa que o computador de IA usa métodos de tentativa e erro para obter resultados.

Por exemplo, se a máquina for um veículo autônomo, ela deve criar seus próprios cenários na estrada. Não há como um programador programar cada passo, pois ele não consegue pensar em todas as possibilidades quando a máquina está na estrada. É aí que entra o Aprendizado por Reforço(Reinforcement Learning) . Você também pode chamá-lo de IA de tentativa e erro.

Como o Deep Learning é diferente do Machine Learning

Deep Learning é para tarefas mais complicadas. Deep Learning é um subconjunto de Machine Learning . Só que contém mais redes neurais que ajudam a máquina no aprendizado. As redes(Manmade) neurais artificiais não são novas. Laboratórios(Labs) em todo o mundo estão tentando construir e melhorar redes neurais para que as máquinas possam tomar decisões informadas. Você deve ter ouvido falar de Sophia , uma humanóide na Arábia Saudita(Saudi) que recebeu cidadania regular. As redes neurais são como os cérebros humanos, mas não tão sofisticadas quanto o cérebro.

Existem algumas boas redes que fornecem aprendizado profundo não supervisionado. Você pode dizer que Deep Learning é mais redes neurais que imitam o cérebro humano. Ainda assim, com dados de amostra suficientes, os algoritmos de Deep Learning podem ser usados ​​para coletar detalhes dos dados de amostra. Por exemplo, com uma máquina DL com processador de imagem, é mais fácil criar rostos humanos com emoções mudando de acordo com as perguntas feitas à máquina.

O acima explica AI vs MI vs DL em uma linguagem mais fácil. AI e ML são campos vastos – que estão apenas se abrindo e têm um tremendo potencial. Esta é a razão pela qual algumas pessoas são contra o uso de Machine Learning e Deep Learning em Inteligência Artificial(Artificial Intelligence) .



About the author

Depois de quase 20 anos na indústria de tecnologia, aprendi muito sobre os produtos da Apple e como personalizá-los para minhas necessidades. Em particular, sei como usar a plataforma iOS para criar aparências personalizadas e interagir com meus usuários por meio de preferências do aplicativo. Essa experiência me deu informações valiosas sobre como a Apple projeta seus produtos e a melhor forma de melhorar a experiência do usuário.



Related posts