<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=633097343493783&amp;ev=PageView&amp;noscript=1">
canal-comstor-logo
O blog dos negócios de TI.
Comstor Americas
  • Cibersegurança para pequenas empresas
  • Baixar E-book
  • Westcon-Comstor lança o BlueSky Solutions Marketplace
  • Partner Portal
  • Baixar agora
  • Cibersegurança para pequenas empresas
  • Baixar E-book
  • Acesse agora
  • Partner Portal
  • Baixar agora

Machine Learning: a Inteligência Artificial aprimorada

Publicado em 21/mar/2019 15:45:54

Entenda o significado desses termos e saiba como eles podem aumentar os resultados na vertical de educação.

 

Machine Learning: a Inteligência Artificial aprimorada

 

Assim como pensar na Inteligência Artificial é pensar no contexto de hoje, pensar em Machine Learning é também entender a realidade em que se vive. Enquanto a Inteligência Artificial pode ser compreendida como a capacidade artificial de categorizar coisas, de modo a gerar a aptidão de reproduzi-las ou modificá-las, o Machine Learning pode ser entendido como a evolução desse processo.

Se com a Inteligência Artificial as coisas ou dispositivos eletrônicos são capazes, sozinhos, de captar as informações e, a partir desses dados, desenvolver suas atividades, no Machine Learning, além disso, de forma evoluída, as coisas passam a atuar não só de forma pré-programada, mas se autoprogramando com a alteração do que foi projetado previamente, a partir das informações captadas.

Os dispositivos eletrônicos começam de forma autônoma, após o histórico de informações obtidas e armazenadas, a entender sozinhos os cenários, prever novas situações e desenvolver novas programações e comportamentos de acordo com isso. Enquanto na Inteligência Artificial a autonomia está ligada ao desenvolvimento das atividades programadas previamente, com o Machine Learning a autonomia está um passo à frente, de forma que as coisas passam a se programar sozinhas a partir de seus aprendizados.

Em termos técnicos, modelos matemáticos são utilizados para entender as informações ou dados captados para encontrar ou desenvolver o melhor padrão para solucionar um determinado problema ou situação. O conjunto desses modelos matemáticos e padrões permitem a compreensão das informações que são captadas futuramente, gerando novos padrões e funcionalidades.

Assim, se é possível compreender o processo de Machine Learning em etapas, elas podem ser assim discriminadas: (i) os dispositivos eletrônicos estão programados para captar determinados grupos de informações; (ii) essas informações são selecionadas e processadas, estabelecendo-se modelos matemáticos e padrões de comportamentos em resposta a esses estímulos ou informações captadas; (iii) esses padrões passam a ser automaticamente testados e aplicados a partir das informações futuramente captadas; e (iv) em um ciclo virtuoso de testes e previsões, os dispositivos eletrônicos passam a entender os estímulos e cenários externos, comportando-se da forma mais ajustada possível.

Soluções como tradutores online, que fornecem resultados mais personalizados a partir da análise de buscas anteriores, ou os chamados softwares assistentes, como a Siri da Apple, ou ainda os recentes assistentes lançados pelas empresas de telefonia no país, são exemplos de sistemas que se retroalimentam.

Além disso, alguns exemplos parecem explicar essa diferença entre a Inteligência Artificial e a Inteligência Artificial com o Machine Learning, e as vantagens. Vamos lá.

Um sistema de refrigeração de determinado frigorífico pode estar programado para ligar nos momentos em que o ambiente estiver a 20º C. Com o Machine Learning a partir do histórico dos períodos (dias ou meses do ano, v.g.) em que o ambiente atingiu tal temperatura, o sistema de refrigeração é acionado sozinho nesses períodos, evitando, de forma preventiva, as altas temperaturas. Como vantagens, os gastos de energia e os riscos dos produtos estragarem são muito menores.

O sistema de vagas em estacionamento também pode servir de exemplo. A Inteligência Artificial permite a captação das informações de presença e ausência de veículos e a sinalização com luzes vermelhas ou verdes nos locais, bem como as respectivas quantidades em painéis.

 

Com o Machine Learning, o sistema processa o histórico de informações e períodos, podendo indicar nos painéis melhores informações a fim de melhor direcionar os veículos, evitando a lotação em determinados setores e a subutilização de
outros.

A manutenção de equipamentos também é uma questão importante nessa compreensão. Sabidamente, é uma atividade necessária em razão dos altos riscos atrelados à sua ausência. Equipamentos sem manutenção resultam em prejuízos na própria atividade e provocam riscos a colaboradores e usuários.

Mas ao mesmo tempo, é uma operação indesejada às empresas, pois os negócios são baseados na utilização dos próprios equipamentos. Assim, equipamentos em manutenção significam, em termos práticos, perda de dinheiro. Resposta pronta: quanto menos tempo os equipamentos ficarem em manutenção, melhor.

Mas como o Machine Learning pode melhorar esse cenário? Com a captação das informações e o estabelecimento de padrões e reações autônomas a esses novos padrões, é possível que os equipamentos sinalizem exatamente o momento mais adequado para manutenção, permitindo menores tempos de ausência de uso e o revezamento de equipamentos, resultando, no fim das contas, no melhor desenvolvimento dos negócios.

 

Pensemos em atividades baseadas em transporte. É possível, por meio de sensores, identificar quando caminhões de uma frota precisam de manutenção, com a inter-relação de padrões de quilometragem, frequência e pressão de acionamento de freios, condições climáticas de submissão, etc. Com isso, certamente a programação de manutenção da empresa será muito facilitada.

Na ótica de segurança, parece também ser muito efetivo. Soluções de segurança de tecnologia da informação normalmente são pré-programadas para blindar empresas e usuários de ataques cibernéticos conhecidos ou já existentes.

 

Mas e os futuros? O Machine Learning permite que a solução de segurança seja preventiva e não só reativa, ou seja, a partir de tentativas de ataque, seja pela sua configuração ou origem, por exemplo, é possível entender que a solução de segurança desenvolva automaticamente um sistema de blindagem para novos ataques.

Experiência parecida também pode se dar no setor da educação. Contemporaneamente, os métodos educacionais estão cada vez mais envolvidos com as chamadas metodologias ativas de ensino e aprendizado.

 

Em linhas bem gerais, tais metodologias são conhecidas por uma mudança de foco de ação no aprendizado. Em contraposição aos métodos clássicos de aprendizagem, em que o foco está no professor, como nas aulas expositivas, as metodologias ativas indicam uma maior participação dos próprios alunos.

Porém, onde o Machine Learning entra nisso? Parece que na própria compreensão da atitude dos alunos e na educação personalizada. Basta imaginar um sistema automatizado de questões. Em um primeiro momento, o professor disponibiliza determinadas questões sobre a matéria.

 

A partir dos padrões de respostas, o próprio sistema gera novas questões e possíveis respostas de acordo com a participação de cada aluno. Desse modo, parece ser possível que o aprendizado de cada aluno seja preenchido com os pontos de deficiência, identificados a partir do Machine Learning.

Como visto nesses breves exemplos, o Machine Learning é um conceito e uma ferramenta importante de evolução da própria Inteligência Artificial e pode ser muito bem usado pelas empresas e pessoas, bastando pensar no quanto a compreensão técnica de padrões e sua adaptação futura e automática pode ser importante.


Texto: Alessandra Borelli, Diretora Executiva Nethics Educação Digital e Mauricio Antonio Tamer, Doutorando em Direito de Advogado especializado em Direito Digital
Westcon.

 

 

Categorias: Inteligência Artificial, Machine Learning