Tipos de Aprendizado de Máquina

Supervisionado

Basicamente esse é o tipo de aprendizado de máquina mais comum, onde temos um determinado problema computacional a ser resolvido (independentemente do tipo), sabemos de forma lógica como solucionaremos tal problema, logo, treinaremos uma rede neural para que identifique qual a maneira melhor, mais eficiente ou mais correta de atingir o seu objetivo.

Em outras palavras, é o tipo de aprendizado onde teremos de criar e treinar toda uma estrutura de rede neural já lhe mostrando o caminho a ser seguido, a rede neural por sua vez, apenas irá reconhecer quais foram os padrões adotados para que aquele objetivo fosse alcançado com melhor margem de acerto ou precisão. Modelo muito utilizado em problemas de classificação, regressão e previsão a partir de uma base de dados.

Como exemplo, imagine uma rede neural artificial que será treinada para avaliar o perfil de crédito de um correntista de um banco, a fim de conceder ou negar um empréstimo. A rede neural que irá classificar o novo cliente como apto ou não apto a receber crédito, fará essa escolha com base em milhares de outros clientes com as mesmas características, de forma a encontrar padrões de quais são bons ou maus pagadores. Dessa forma, o novo cliente irá fornecer dados que serão filtrados conforme os padrões da base de dados dos clientes antigos para que se possa presumir se ele por sua vez será um bom cliente (se o mesmo possui as mesmas características de todos os outros bons pagadores), obtendo seu direito ao crédito.

Não Supervisionado

Sabendo que é possível mostrar o caminho para uma rede neural, podemos presumir que não mostrar o caminho significa um aprendizado não supervisionado, correto? Não necessariamente! Uma rede neural realizando processamento de forma não supervisionada até pode encontrar padrões, porém sem saber qual o objetivo, a mesma ficará estagnada após algumas camadas de processamento ou terá baixíssima eficiência já que ela não possui capacidade de deduzir se seus padrões estão certos ou errados para aquele fim.

Porém, esse conceito pode justamente ser utilizado para a resolução de outros tipos de problemas computacionais. Dessa forma, modelos de redes neurais artificiais para agrupamento tendem a funcionar muito bem e de forma não supervisionada. Raciocine que neste tipo de modelo em particular estamos apenas separando amostras conforme suas características, sem um objetivo em comum a não ser o de simplesmente separar tais amostras quanto ao seu tipo.

Como exemplo, imagine que você tem uma caixa com 3 tipos de frutas diferentes, a rede neural irá realizar o mapeamento de todas essas frutas, reconhecer todas suas características e principalmente quais características as fazem diferentes umas das outras para por fim realizar a separação das mesmas quanto ao seu tipo, sem a necessidade de um supervisor.

Por Reforço

Será o tipo de aprendizado onde um determinado agente busca alcançar um determinado objetivo, mas por sua vez, ele aprenderá como alcançar tal objetivo com base na leitura e interpretação do ambiente ao seu redor, interagindo com cada ponto desse ambiente tentando alcançar seu objetivo no que chamamos de tentativa e erro. Toda vez que o mesmo realizar uma ação coerente ou correta dentro daquele contexto, será recompensado de forma que grave aquela informação como algo válido a ser repetido, assim como toda vez que o mesmo realizar uma ação errada para aquele contexto, receberá uma penalidade para que aprenda que aquela forma ou meio usada na tentativa não está correta, devendo ser evitada.

Como exemplo, imagine um carro autônomo, que tem a missão de sair de um ponto A até um ponto B, estacionando o carro, porém o mesmo parte apenas do pressuposto de que pode andar para frente e para trás, assim como dobrar para esquerda ou direita. Nas primeiras tentativas o mesmo irá cometer uma série de erros até que começará a identificar quais ações foram tomadas nas tentativas que deram certo e o mesmo avançou em seu caminho. Em um processo que as vezes, dependendo da complexidade, pode levar literalmente milhões de tentativas até que se atinja o objetivo, a inteligência artificial irá aprender quais foram os melhores padrões que obtiveram os melhores resultados para replicá-los conforme a necessidade. Uma vez aprendido o caminho nesse ambiente, a IA deste veículo autônomo fará esse processo automaticamente com uma margem de acertos quase perfeita, assim como terá memorizado como foram realizadas suas ações para que possam ser replicadas.

Aprendizagem por reforço natural vs artificial

Enquanto não colocamos em prática esses conceitos, ou ao menos não

visualizamos os mesmos em forma de código, tudo pode estar parecendo um tanto quanto abstrato, porém, talvez você já tenha identificado que o que estamos tratando aqui como um tipo de aprendizagem, é justamente o tipo de aprendizagem mais básica e orgânica que indiretamente conhecemos por toda nossa vida.

Todos os mecanismos cognitivos de aprendizado que possuímos em nós

é, de certa forma, um algoritmo de aprendizagem por reforço. Raciocine que a maior parte das coisas que aprendemos ao longo de nossa vida foi visualizando e identificando padrões e os imitando, ou instruções que seguimos passo-a-passo e as repetimos inúmeras vezes para criar uma memória cognitiva e muscular sobre tal processo ou com base em nossas experiências, diretamente ou indiretamente em cima de tentativa e erro.

Apenas exemplificando de forma simples, quando aprendemos um

instrumento musical, temos uma abordagem teórica e uma prática. A teórica é onde associamos determinados conceitos de forma lógica em sinapses nervosas, enquanto a prática aprendemos que ações realizamos e as repetimos por diversas vezes, ao final de muito estudo e prática dominamos um determinado instrumento musical em sua teoria (como extrair diferentes sons do mesmo formando frases de uma música) e em sua prática (onde e como tocar para extrair tais sons).

Outro exemplo bastante simples de nosso cotidiano, agora focando no

sistema de recompensa e penalidade, é quando temos algum animal de estimação e o treinamos para realizar determinadas tarefas simples. Dentre a simplicidade cognitiva de um cachorro podemos por exemplo, ensinar o mesmo que a um determinado comando de voz ou gesto ele se sente, para isto, lhe damos como recompensa algum biscoitinho ou simplesmente um carinho, indiretamente o mesmo está associando que quando ele ouvir aquele comando de voz deve se sentar, já que assim ele foi recompensado. Da mesma forma, quando ele faz uma ação indesejada o chamamos a atenção para que associe que não é para repetir aquela ação naquele contexto.

Sendo assim, podemos presumir que esta mesma lógica de aprendizado

pode ser contextualizada para diversos fins, inclusive, treinando uma máquina a agir e se comportar de determinadas maneiras conforme seu contexto, aplicação ou finalidade, simulando de forma artificial (simples, porém convincente) uma inteligência.

No futuro, talvez em um futuro próximo, teremos desenvolvido e

evoluído nossos modelos de redes neurais artificiais intuitivas de forma a não somente simular com perfeição os mecanismos de inteligência quanto os de comportamento humano, tornando assim uma máquina indistinguível de um ser humano em sua aplicação. Vide teste de Turing.