Inteligência artificial, Machine Learning e Deep Learning

Definição rigorosa

Campo da ciência da computação que visa conceber sistemas capazes de realizar tarefas que, executadas por um ser humano, seriam qualificadas como cognitivas: percepção, raciocínio, aprendizado, planejamento, decisão, compreensão da linguagem.

Definição operacional

Um sistema de IA é um sistema que, a partir de entradas provenientes de seu ambiente, produz saídas (previsões, recomendações, decisões, ações) que influenciam esse ambiente, segundo objetivos explícitos ou implícitos definidos por um humano.

Esta segunda formulação é próxima da definição adotada pela OCDE e retomada em vários marcos regulatórios. Ela é útil em contexto profissional porque é verificável.

Tradução em linguagem corrente

Fazer uma máquina executar uma tarefa que, em um humano, exigiria reflexão.

Natureza do conceito

A IA é um objetivo, não uma técnica. Ela agrupa abordagens heterogêneas, algumas das quais não envolvem nenhum aprendizado.

Marco temporal

O termo é cunhado em 1956 na conferência de Dartmouth. A área é, portanto, várias décadas anterior ao Machine Learning aplicado moderno.

Definição rigorosa (Tom Mitchell, 1997)

Um programa de computador aprende de uma experiência E, relativamente a uma classe de tarefas T e uma medida de desempenho P, se seu desempenho nas tarefas de T, medido por P, melhora com a experiência E.

Esta definição é a referência acadêmica. Ela tem o mérito de ser operacional: impõe nomear explicitamente os três componentes.

Aplicação da definição a um caso concreto

Detecção de spam:

• T (tarefa): classificar um e-mail como spam ou não spam
• E (experiência): um corpus de e-mails previamente rotulados
• P (desempenho): a proporção de e-mails corretamente classificados

Definição alternativa (Arthur Samuel, 1959)

Campo de estudo que dá aos computadores a capacidade de aprender sem terem sido explicitamente programados para a tarefa considerada.

Tradução em linguagem corrente

Em vez de escrever as regras, fornece-se um grande número de exemplos e o algoritmo induz as regras por si mesmo.

Natureza do conceito

O Machine Learning é uma abordagem dentro da IA. O conceito central é a indução: passar de casos particulares observados a uma regra geral.

Nenhum adulto transmite a uma criança de três anos a seguinte definição:

"Um gato é um mamífero quadrúpede da família dos felídeos, caracterizado por orelhas triangulares eretas, vibrissas faciais e pupilas em fenda vertical."

A criança é exposta a centenas de ocorrências acompanhadas de um rótulo verbal: "olha, um gato". Ela acaba rotulando corretamente um indivíduo que nunca viu.

A regra não foi transmitida. Ela foi induzida a partir de exemplos rotulados. É exatamente a estrutura do aprendizado supervisionado.

Definição rigorosa

Subconjunto do Machine Learning baseado em redes neurais artificiais com várias camadas de transformação não lineares sucessivas, cada camada produzindo uma representação dos dados em um nível de abstração crescente, sendo essas representações aprendidas e não especificadas manualmente.

O ponto discriminante

O que caracteriza o Deep Learning não é a profundidade em si, mas o aprendizado automático das representações (representation learning). Em Machine Learning clássico, o engenheiro concebe as variáveis explicativas. Em Deep Learning, a rede constrói por si mesma uma hierarquia de representações intermediárias.

Origem do termo "profundo"

O qualificativo remete ao número de camadas empilhadas entre a entrada e a saída, isto é, à profundidade do grafo de computação. Ele não carrega nenhuma conotação qualitativa.

Tradução em linguagem corrente

Uma rede com muitos andares que constrói por si mesma, andar por andar, as características relevantes dos dados.

Um martelo e uma escavadeira são ambos ferramentas válidas. A escolha não depende da potência intrínseca da ferramenta, mas da adequação à tarefa.

Pregar um prego com uma escavadeira é tecnicamente possível e operacionalmente absurdo: custo de mobilização desproporcional, precisão insuficiente, danos colaterais.

Demolir um prédio com um martelo é impossível, qualquer que seja o esforço.

A competência profissional não consiste em dominar a ferramenta mais poderosa, mas em selecionar a ferramenta adequada ao problema colocado.

Definição rigorosa

Disciplina interdisciplinar que combina estatística, computação e conhecimento do domínio de aplicação, tendo por objeto a extração de conhecimento e o apoio à decisão a partir de dados, ao longo de toda a cadeia: aquisição, preparação, exploração, modelagem, validação, comunicação.

Perímetro

A Data Science engloba o Machine Learning como um de seus componentes, ao lado da preparação dos dados, da análise exploratória, da inferência estatística e da restituição aos tomadores de decisão.

Distribuição empírica do esforço

As pesquisas profissionais situam geralmente entre 50 % e 80 % do tempo de um praticante na aquisição, limpeza e preparação dos dados. A modelagem propriamente dita representa uma fração minoritária da atividade.

Definição rigorosa

Conjunto de métodos que visam descrever, resumir e interpretar um conjunto de dados a fim de caracterizar fenômenos observados.

Distinção central

A análise de dados trata principalmente da explicação do passado e da caracterização do presente. A modelagem preditiva trata da estimativa de valores não observados, geralmente futuros.

Definição rigorosa

Conjunto de dados cujo volume, velocidade ou variedade excedem as capacidades de processamento dos sistemas de gestão de dados convencionais, impondo arquiteturas distribuídas.

As dimensões características

O modelo clássico retém três dimensões, frequentemente estendidas:

• Volume: a quantidade de dados
• Velocidade: a taxa de produção e a exigência de processamento
• Variedade: a heterogeneidade dos formatos
• Extensões frequentes: Veracidade (confiabilidade), Valor (utilidade de negócio)

Ponto de atenção

Big Data e Machine Learning são noções ortogonais. O Big Data qualifica uma escala e uma arquitetura, não uma finalidade analítica. É possível explorar Big Data sem nenhum modelo preditivo, e construir modelos eficientes com alguns milhares de observações.

A IA designa um objetivo; o Machine Learning, uma abordagem entre outras para atingi-lo. Um sistema especialista baseado em regras pertence à IA sem pertencer ao Machine Learning.

Formulação correta: "O Machine Learning é uma abordagem da inteligência artificial baseada na indução a partir de dados."

O desempenho relativo depende da natureza dos dados. Em dados tabulares, os métodos de ensemble baseados em árvores permanecem muito competitivos, com um custo computacional e uma opacidade nitidamente menores.

Formulação correta: "A escolha entre Deep Learning e métodos clássicos é determinada pela natureza dos dados, pelo volume disponível, pelas restrições de interpretabilidade e pelo orçamento computacional."

O volume necessário depende da complexidade do fenômeno modelado e do número de variáveis explicativas, não de um limiar absoluto. Muitos modelos em produção se baseiam em alguns milhares de observações.

Formulação correta: "A qualidade e a representatividade dos dados prevalecem sobre o volume bruto."

O Deep Learning é uma classe de modelos. Uma rede neural treinada com dados rotulados pertence ao aprendizado supervisionado; um autoencoder pertence ao aprendizado não supervisionado; uma rede otimizada por recompensa pertence ao reforço.

Um modelo estatístico identifica regularidades em uma representação numérica. Ele não dispõe de nenhuma representação semântica do domínio.

Consequência operacional: os modos de falha de um modelo não coincidem com os de um operador humano. Um modelo pode falhar em casos triviais para um humano, ao mesmo tempo em que acerta em casos difíceis. Essa assimetria deve ser antecipada na concepção das salvaguardas.