Aprendizagem de máquina

Dispositivos de autoaprendizagem com inteligência artificial de autodesenvolvimento. As pessoas realmente subestimam o quanto estamos longe disso. Por exemplo, já se fala sobre carros autônomos, mas ainda há uma grande lacuna entre teoria e prática, apesar de sucessos estarem sendo alcançados em ambientes controlados.

Além disso, com a nova tecnologia, há sempre novos obstáculos que precisam ser resolvidos antes que a nova tecnologia possa ser efetivamente implementada. Considere aqueles carros autônomos: por exemplo, quem se torna responsável em caso de acidentes? Isso deve ser esclarecido antes de serem introduzidos. Apenas para dizer: os problemas que precisam ser resolvidos são muitas vezes maiores do que as pessoas imaginariam. Isso porque nós, como seres humanos, interpretamos tudo o que experimentamos. E isso está quase completamente ausente desses veículos. Você pode programar isso, mas isso é impossível, já que existem milhares dessas situações em que esses sinais de trânsito não contam. Nossa percepção humana ainda está em um nível mais profundo e um computador não pode resolver muitos problemas nessa área. Um dia teremos um nível de inteligência artificial (IA) que se aproxima do nosso nível, mas ainda estamos longe disso.

O aprendizado de máquina existe há mais tempo do que se imagina. Está presente desde os anos 50 e fez progressos consideráveis. Hoje, esse progresso está principalmente no desenvolvimento de tarefas específicas. Em parte por esse motivo, um computador pode vencer uma pessoa no jogo de xadrez ou em reconhecimento de imagem. Computadores podem ganhar um jogo, reconhecer imagens e tudo melhor que nós. O maior desafio agora é sair de uma tarefa específica para várias tarefas.

As pessoas podem aprender algo para aplicá-lo em um contexto diferente. Existe, portanto, um grande obstáculo: como você pode aprender algo que pode ser usado para diferentes tarefas?

O aprendizado de máquina estuda e desenvolve máquinas que aprendem a executar uma determinada tarefa sem serem pré-programadas. A máquina aprende simulando um exemplo baseado em sensores e otimizando constantemente as tentativas anteriores. Neste caso a análise de dados está envolvida, que afirma o que aconteceu e em que você tem que descobrir por que algo deu certo ou errado.

O grande desafio é que com máquinas, você está limitado aos sensores disponíveis, o que ainda é menor do que o que nós, humanos, podemos fazer. Se você puder observar apenas uma parte, só poderá aprender o que pode melhorar nesse espaço limitado. Você não pode melhorar o que não pode ver ou observar.

O aprendizado de máquina apresenta-se de várias formas. Há, por exemplo, aprendizado supervisionado, em que se mostra uma tarefa e a máquina simula o melhor possível. O sistema então aprende graças ao feedback da análise de dados.

Há também o aprendizado reforçado, onde há o feedback, mas não diretamente. Por exemplo, no jogo de xadrez, o sistema joga e no final o ele aprende que ganhou ou perdeu com base em quais movimentos, o próprio sistema deve aprender jogando e analisando cada movimento da partida.

Há também o aprendizado não supervisionado. O sistema deve reconhecer padrões ou desvios com base em agrupamentos. Nessa forma de aprendizado, o sistema deve determinar, sem entrada, que as espécies propostas são semelhantes, e atribui uma definição ou nome nelas. Com o aprendizado supervisionado, você diz: “isso é um carro”, e o sistema pode reconhecer outros carros no futuro.

As oportunidades para as máquinas de autoaprendizagem são inúmeras. As próprias máquinas aprendem como podem trabalhar com mais eficiência e há mais tempo de atividade porque a manutenção preditiva se torna possível. Isso também garante um retorno mais alto porque a máquina recebe manutenção ou novas peças mais rapidamente.

Pode-se observar máquinas individualmente com suas próprias características, ao contrário do passado, quando se observava principalmente sistemas, mesmo que nem todas as máquinas fossem igualmente compatíveis com esse sistema. Considere, por exemplo, os padrões de segurança, geralmente elaborados e aplicados a todas as máquinas. Através do aprendizado de máquina, agora pode-se personalizar isso individualmente para cada máquina. Dessa forma, pode-se tirar obter ainda mais da máquina e detectar imediatamente se algo deve dar errado ou não. No entanto, isso só é possível se a própria máquina puder aprender como se comporta e em que circunstâncias.

Também está surgindo uma tendência interessante para as empresas de manutenção: manutenção como serviço. A manutenção agora pode ser independente de um fornecedor e as empresas de manutenção podem funcionar de forma independente. Portanto, elas estão muito interessadas no aprendizado de máquina porque seu modelo de negócio permanece ou cai ao avaliar adequadamente as máquinas com as quais não possuem conexão.

Por exemplo, essas empresas podem automatizar quando precisam enviar sua equipe e não precisam visitar as máquinas todos os dias para verificá-las. Além disso, durante o monitoramento, as máquinas são programadas para aprender a detectar anomalias.

Tudo está hoje ligado ao conceito de indústria 4.0 e, portanto, também ao aprendizado de máquina. O que a indústria 4.0 faz para o aprendizado de máquina é a medição de muitos outros aspectos. Como tudo está conectado graças à Internet das Coisas, o aprendizado de máquina pode coletar e analisar muito mais dados, entre outras coisas. gerar feedbacks.

A interação também acontece ao contrário. Isto é, a indústria 4.0 se beneficia do aprendizado de máquina porque as máquinas podem aprender automaticamente. Por exemplo, o aprendizado de máquina pode ser visto como uma oportunidade para otimizar os processos de produção.

Muitos softwares de aprendizado de máquina são de código aberto. Os algoritmos estão disponíveis gratuitamente para todos os tipos de desenvolvedores, mas não por motivos de caridade. Desenvolvedores maiores geralmente se envolvem na lealdade do cliente ou em um bloqueio. O usuário trabalha com o software de uma empresa e também conta com essa empresa para outros aplicativos. Além disso, os usuários do software fornecem melhorias através da solução de problemas ou sugestões próprias. O desenvolvedor não precisa mais investir recursos para procurar melhorias em seu software, mas precisa aplicar essa entrada de seus usuários e atualizar seu software. Além disso, os usuários trabalham com os algoritmos e geraram dados. Esse enorme fluxo de dados é então enviado exclusivamente de volta aos desenvolvedores.

Toda empresa pode coletar dados. As empresas podem aprender muito com isso para aumentar sua eficiência. No entanto, também há um grande investimento e é necessário muito estudo prévio. O que você deve medir e o que não deve e como vai medi-lo e com quais sensores? O que você faz com os dados e qual é o caso comercial subjacente? Essas perguntas são mais importantes do que se perguntar que tipo de aprendizado de máquina deseja-se utilizar.

Fonte: CBN Recife

Autor: Lenildo Morais, mestre em ciência da computação pelo Centro de Informática da UFPE – Universidade Federal de Pernambuco, pesquisador Assert – Advanced System and Software Engineering (Research Technologies Lab) e gerente de projetos da Ustore, empresa do Porto Digital de Pernambuco.