Como a aprendizagem automática encontra padrões — Informática, 14–17 anos
Na aprendizagem automática, um sistema ajusta números internos a partir de exemplos, em vez de receber todas as regras directamente. Pode reconhecer padrões, mas as respostas dependem dos dados e não equivalem a compreensão humana.
Aprender significa ajustar-se com exemplos
Um modelo de aprendizagem automática é um conjunto de números ajustáveis que transforma uma entrada numa saída. Durante o treino, vê exemplos e altera esses números para que as respostas se aproximem das respostas conhecidas. Depois do treino, aplica o padrão aprendido a novos dados; não guarda uma pequena pessoa que compreenda o assunto.
Porque aprender com dados?
Algumas tarefas são fáceis de descrever por palavras, mas outras têm tantos casos confusos que seria difícil escrever todas as regras. Reconhecer um rosto ou decidir se uma mensagem parece spam pode envolver combinações subtis. A aprendizagem automática foi desenvolvida para encontrar regularidades úteis em exemplos, sobretudo quando é difícil criar uma regra escrita clara.
Classificar mensagens com exemplos
Imagina um modelo que recebe 1 000 mensagens marcadas como spam ou não spam. Repara que palavras como “prémio” e “urgente” aparecem muitas vezes em spam, mas também aprende com as suas combinações e com o resto de cada mensagem. Numa mensagem nova, calcula uma pontuação de spam de 0,92 e marca-a como spam. Essa pontuação é uma previsão, não uma certeza.
Um padrão não é uma causa
É razoável confundir uma correlação forte com uma explicação. Se os dados de treino mostram que os guarda-chuvas aparecem muitas vezes com ruas molhadas, um modelo pode usar guarda-chuvas para prever chuva, mas os guarda-chuvas não causam chuva. Um modelo pode ainda apoiar-se numa pista enganadora quando os exemplos são incompletos ou enviesados. Prever e compreender são coisas diferentes.
Previsões úteis, decisões cuidadas
A aprendizagem automática ajuda a filtrar spam, sugerir músicas, traduzir textos e detectar actividade invulgar em imagens médicas ou fábricas. Em cada caso, o desempenho depende dos exemplos e do erro que é mais importante evitar. Uma recomendação pode ser apenas incómoda, mas um alerta médico precisa de verificação humana e de dados escolhidos com cuidado.
Continua a explorar
Outras línguas
A carregar o MyLeoNes™…