‘Machine Learning’, uma das áreas mais fascinantes da tecnologia

O Jornal Económico entrevistou três especialistas em tecnologia sobre este conceito e a importância para as empresas.

Kacper Pempel/Reuters

Luís Silva, Diretor de Cloud & Enterprise Microsoft Portugal

Como podemos definir o conceito de Machine Learning?

Machine Learning é, atualmente, uma das áreas mais fascinantes da tecnologia e pode ser definido como um subconjunto de Inteligência Artificial, que permite dotar os computadores com capacidade de aprender sem que sejam explicitamente programados para isso. O método de aprendizagem envolve a utilização de algoritmos matemáticos e modelos probabilísticos, que são depois utilizados para fazer previsões tendo por base outros conjuntos de dados semelhantes. O conceito foi utilizado pela primeira vez em 1959 pelo investigador Arthur Samuel numa experiência que envolvia ensinar máquinas a jogar “Damas” e que é, ainda hoje, considerado por muitos o primeiro sistema de Machine Learning. Na última década, assistimos a um crescimento massivo da utilização desta tecnologia, sendo que a maioria de nós a utiliza diariamente em atividades que vão desde uma simples pesquisa da Internet, até mediante o recurso a assistentes virtuais como a Cortana ou a Apple Siri.

Por que é cada vez mais importante nos dias de hoje?

Apesar de alguns conceitos terem já quase 60 anos, só recentemente tivemos capacidade para processar grandes volumes de dados num curto espaço de tempo e só também agora assistimos a avanços significativos nas redes neuronais e Deep Learning que permitiram relacionar e obter informações absolutamente impressionantes. É possível, por exemplo, utilizar Machine Learning como forma de otimizar as operações através de manutenções preditivas e a construção de poderosos motores de recomendações, que permitem fornecer aos clientes conteúdos relevantes e adequados às suas necessidades, através da utilização de dados históricos e algoritmos que estão continuamente a aprender com base nas interações. O Machine Learning tem vindo gradualmente a ser adotado em praticamente todas as indústrias, com centenas de casos de utilização diferentes que incluem Cibersegurança, a automatização de operações nas áreas de fabrico, veículos autónomos, negociação financeira, contratação, manutenções preditivas e robótica, entre muitas outras.

Qual a importância do Machine Learning no futuro das empresas?

A informação que é possível obter hoje através da utilização de Machine Learning está a reformular completamente todos os aspetos operacionais das organizações e a forma como estas operam e interagem com os clientes, estando a dar origem a novos modelos de negócio. A informação que é possível obter é mais importante do que nunca para as empresas por forma a que continuem a inovar e permanecer relevantes num mercado cada vez mais competitivo. A utilização desta tecnologia permite às empresas aumentar o seu portfólio de produtos e serviços, otimizar processos, enquanto aumentam a relevância da sua oferta e, consequentemente, o nível de satisfação dos seus clientes. As empresas estão a utilizar Machine Learning para reterem os seus clientes, contratar novos profissionais, automatizar tarefas rotineiras e de menor valor, medir a exposição da marca, detetar fraudes, efetuar manutenção preditiva, simplificar processos nas cadeias de valor, planeamento de carreiras, previsão de volume de vendas entre centenas de outros cenários de utilização.

Qual a diferença entre Deep Learning e Machine Learning?

A inteligência Artificial é o termo mais amplo e engloba uma vasta gama de tecnologias. Dentro deste domínio encontra-se uma categoria relacionada com Machine Learning e dentro do Machine Learning existe uma categoria que é Deep Learning. De forma simples Deep Learning pode ser considerado como um ramo dos algoritmos de Machine Learning que aprendem através da utilização de informação representadas em diferentes camadas/níveis. Esta estrutura em níveis, também denominada como redes neuronais artificiais, é inspirada pela rede neuronal biológica que o cérebro humano usa. Enquanto um modelo de Machine Learning padrão precisa que lhe seja dito como efetuar uma determinada previsão (através do fornecimento de mais dados), no caso de um modelo de Deep Learning ele consegue gerar dados e aprender por si.
Embora conceitos como redes neuronais tenham aparecido nos anos 50 e alguns dos principais algoritmos nos anos 80 e 90, o termo Deep Learning só começou a ser aceite pelas comunidades de investigação em 2006 após uma publicação do Professor Geoffrey Hinton e dos seus alunos, que mostrava que uma rede neuronal podia ser treinada (um nível de cada vez) como forma de acelerar a aprendizagem.

Quais são as principais limitações do Machine Learning e como podemos contorná-las?

Muitas das limitações existentes com Machine Learning – tais como o alojamento e processamento de grande volume de dados – são contornados através da utilização de serviços na Cloud como o Microsoft Azure. Gostaria de destacar como desafios a qualidade dos dados e as barreiras culturais.
Um elevado volume de dados com qualidade continua a ser um desafio para a maioria das organizações que querem treinar algoritmos. Os resultados são tão bons quanto melhor for a qualidade dos dados fornecidos. Tal como em qualquer sistema de informação, maus dados vão resultar em más suposições e previsões. Para muitas organizações, os dados não estão centralizados ou num formato que possam ser utilizados. Um primeiro passo que é, habitualmente, recomendado consiste em avaliar os sistemas de informação existentes e dados para distinguir quais as áreas que podem começar a beneficiar de Machine Learning e as áreas onde um maior investimento na limpeza e tratamento dos dados é necessário.
Um outro desafio que não deve ser subestimado está relacionado com preconceitos humanos ou barreiras culturais. A utilização de sistemas de Machine Learning, quando envolvem o tratamento de dados de pessoas, podem levar à obtenção de informações que vão além do que os clientes estão confortáveis em ceder. As organizações devem priorizar as obrigações de zelo pela privacidade. Depender de computadores para obter informações e tomar decisões requer cuidados com procedimentos que permitem auditar e substituir as decisões sempre que estas violem estes princípios.

Nuno Costa, Associated Partner da EY

Como podemos definir o conceito de machine learning?

Machine Learning permite que os sistemas computacionais tomem ações que não lhes foram especificamente programadas. Tem por base a utilização de algoritmos de inteligência artificial capazes de aprender e de se ajustar consoante a informação que recebem.

Por que é cada vez mais importante nos dias de hoje?
Nos dias de hoje o Machine Learning suporta veículos autónomos, reconhecimento de voz, motores de busca inteligentes, entre muitas outras aplicações. Pode ter um papel cada vez mais fundamental em áreas onde a mão de obra qualificada e os recursos são insuficientes, como o diagnóstico de doenças. No limite Machine Learning pode ser considerado uma das novas ferramentas do Homem que tem moldado o nosso dia a dia.

Qual a importância do Machine Learning no futuro das empresas?

A introdução de Machine Learning pode ocorrer de forma transversal numa empresa tipicamente focada em captar vantagem competitiva. Uma das principais aplicações é a integração de informação em real-time que permite velocidade, antecipação e precisão na tomada de decisões.

Qual a diferença entre Deep Learning e Machine Learning?

Deep Learning é uma vertente de Machine Learning que tem por base o processamento de informação dos sistemas neuronais biológicos. Esta técnica é assegurada por um conjunto de camadas de aprendizagem (neurónios) que permite o reconhecimento de padrões com uma performance elevada. É amplamente utilizado no reconhecimento de voz e imagens.

Quais são as principais limitações do Machine Learning e como podemos contorná-las?

O processamento um volume elevado de informação torna inevitável um poder computacional que corresponda aos requisitos. Por um lado a disrupção digital traz-nos tecnologia com uma capacidade crescente e, por outro lado, a introdução de técnicas de Big Data abre-nos uma janela de possibilidades que vão desde a integração de dados em real-time ao relacionamento de petabytes de informação. Do ponto de vista ético surgem também grandes necessidades de regulação sobre as capacidades de autoaprendizagem dos algoritmos.

João Freitas, CTO da DefinedCrowd

Como podemos definir o conceito de machine learning?
Aprendizem automática (Machine Learning) é a ciência que estuda como podemos colocar os computadores a responder determinados problemas, ou a prever valores, sem que sejam explicitamente programados para esse efeito.

Por que é cada vez mais importante nos dias de hoje?
A aplicação de aprendizagem automática permite tornar as máquinas com capacidade de processamento melhores ferramentas de trabalho e automatizar processos repetitivos. Isto para o sector empresarial é fundamental e não apostar neste tipo tecnologias é ficar de fora de uma nova revolução industrial.

Qual a importância do Machine Learning no futuro das empresas?
Este conceito já existe há mais de 50 anos, mas só recentemente começou a ser aplicado, de forma global, à indústria. Este tipo de sistema vai permitir a empresas de diversos verticais de negócio automatizar e melhorar processos externos e internos. Por exemplo, melhorar o suporte que damos ao cliente ou reduzir custos em tarefas que são repetitivas. Empresas que não invistam neste tipo de tecnologias correm o risco de serem ultrapassadas pelos seus competidores e perderem mercado.

Qual a diferença entre Deep Learning e Machine Learning?
Existem várias formas e abordagens para construir sistemas de aprendizagem automática. Deep Learning é um método que aprende através dos dados. Ou seja, com base em dados não processados o sistema vai aprender como obter a melhor representação dos mesmos para que consiga depois, ao observar o mesmo padrão em novas ocorrências, determinar a classe mais provável desse padrão.

Quais são as principais limitações do Machine Learning e como podemos contorná-las?
Hoje em dia os melhores resultados têm sido obtidos através de aprendizagem com base em grandes volumes de dados estruturados. Contudo, nem sempre é fácil recolher e anotar dados que representem todos os padrões que vamos querer capturar. Por exemplo, para reconhecer fala de forma genérica com bons resultados temos de capturar diversas pronunciações e várias combinações de palavras. Se os dados com que vamos ensinar o sistema estiverem catalogados de forma errada, o sistema não vai conseguir distinguir esses erros. Um humano pode não precisar de muitos exemplos para aprender um conceito, ao contrário de um sistema com base em Deep Learning.

Recomendadas

Robô da Tesla deve ser apresentado esta sexta e pode começar a ser produzido em 2022

O CEO da marca, Elon Musk deve apresentar um protótipo do robô que foi anunciado pelo próprio em agosto do ano passado e que poderá começar a ser produzido no próximo ano.

Prémio Social CEO escolhe Mário Ferreira como “o mais digital”

O “Prémio Social CEO” avalia a performance dos Diretores Executivos de empresas em todas as plataformas digitais. De entre os 30 nomeados, Mário Ferreira, CEO da Douro Azul, foi considerado o líder mais digital, seguindo-se Miguel Pina Martins, CEO da Science4You, e Nuno Ferreira Pires, CEO da Sport TV.

Especialistas apontam transformação digital como plano estratégico das empresas

Painel dedicado aos desafios da transformação digital das organizações abordou também a necessidade de investimento no sector tecnológico de forma a reter o talento nacional que cada vez mais abandona as empresas nacionais por questões salariais.
Comentários