Como a IA aprende de verdade (sem enrolação)
O Livro de Receitas da Minha Mãe
Deixe-me falar sobre a minha mãe. Ela faz a melhor tarte de maçã que já provei. Absolutamente perfeita. Sempre, todas as vezes.
O que acontece é o seguinte: ela nunca usou uma receita. Nem uma vez. Faz essa tarte há 40 anos. Simplesmente sabe o que funciona.
Como é que ela aprendeu?
Começou com a receita da mãe dela. Primeira tarte? Razoável. Segunda tarte? Acrescentou um pouco mais de canela porque a primeira era insossa. Terceira tarte? Menos açúcar porque a segunda era demasiado doce. Quarta tarte? Mais manteiga na massa porque estava demasiado seca.
Ano após ano, tarte após tarte, foi ajustando. Reparou em padrões. "Quando as maçãs são demasiado ácidas, acrescenta mais açúcar. Quando são doces, acrescenta menos. Se estiver húmido, usa menos água na massa. Se estiver seco, usa mais."
Aprendeu com a experiência. Com o feedback. Por fazer centenas de tartes e reparar no que funcionava e no que não funcionava.
É exatamente assim que funciona a aprendizagem automática. Só que, em vez de fazer tartes, os computadores fazem previsões. E, em vez de 40 anos, fazem-no em poucas horas.
Deixe-me mostrar-lhe como.
O Que "Aprender" Significa Realmente (Para Máquinas)
Quando as pessoas dizem que um computador "aprendeu" alguma coisa, não querem dizer que ele compreendeu. Querem dizer que melhorou numa tarefa através da prática.
A minha mãe não percebia a química de como a manteiga torna a massa estaladiça. Simplesmente sabia que funcionava. Encontrou um padrão: mais manteiga equivale a massa mais estaladiça. Isso é aprender.
Os computadores fazem o mesmo, mas com dados em vez de tartes.
Deixe-me dar-lhe um exemplo real com que lida todos os dias: o filtro de spam do seu e-mail.
A Maneira Antiga (Antes da Aprendizagem)
Regras manuais que se iam quebrando
Alguém tinha de escrever regras: "Se o e-mail diz 'príncipe nigeriano', é spam. Se diz 'ganhou uma lotaria', é spam. Se tem mais de 10 pontos de exclamação, é spam."
Problema? Os spammers adaptaram-se. Começaram a escrever "N1gerian pr1nce" ou "L0ttery". As regras quebravam-se. Alguém tinha de escrever novas regras manualmente. Vez após vez. Para sempre.
A Maneira Nova (Com Aprendizagem)
O computador encontra os próprios padrões
Mostras ao computador 10.000 e-mails. «Estes 5.000 são spam. Estes 5.000 são verdadeiros.» O computador analisa-os e encontra padrões que nunca lhe pediste para procurar:
- → Os e-mails de spam tendem a ter certas palavras em conjunto
- → Vêm de tipos específicos de endereços de e-mail
- → Têm padrões de pontuação invulgares
- → As ligações neles parecem suspeitas de formas específicas
Agora, quando os spammers mudam de tática, basta mostrares ao computador novos exemplos de spam. Ele encontra novos padrões. Não é preciso escrever novas regras manualmente.
Isto é aprendizagem automática: computadores a melhorar em tarefas ao encontrar padrões em exemplos, e não ao seguir regras escritas por alguém.
As Três Formas de as Máquinas Praticarem
Tal como as pessoas aprendem de formas diferentes, as máquinas têm métodos de aprendizagem diferentes para situações diferentes. Deixa-me falar-te dos três principais usando exemplos com que te identificas.
Aprender com um Professor (Aprendizagem Supervisionada)
Lembras-te de aprender as tabuadas na escola? O teu professor dava-te os problemas E as respostas. «Quanto é 7 vezes 8?» «56.» Praticaste até conseguires responder sem olhar.
Isto é aprendizagem supervisionada. O computador recebe perguntas e respostas em conjunto.
Exemplo: Ensinar um computador a reconhecer fotografias
Mostra-lhe 1.000 fotografias. Para cada uma, dizes-lhe o que lá está:
- 📷 Esta fotografia: Gato
- 📷 Esta fotografia: Cão
- 📷 Esta fotografia: Carro
O computador começa por adivinhar ao acaso. No início, os palpites são péssimos. Depois, repara em padrões: "As fotografias com orelhas pontiagudas e bigodes costumam ser de gatos. As que têm orelhas caídas e focinhos molhados costumam ser de cães. As que têm rodas e janelas costumam ser de carros."
Ele treina com essas 1.000 fotografias até ficar mesmo bom. Depois, testas com fotografias novas que ele nunca viu. Se aprendeu bem os padrões, reconhece-as corretamente.
É assim que o teu telemóvel reconhece rostos, como os médicos usam IA para detetar doenças em radiografias e como os assistentes de voz percebem o que estás a dizer.
Aprender sem professor (aprendizagem não supervisionada)
Agora imagina que estás a organizar a coleção de botões da tua tia falecida. Ela tinha centenas de botões, todos misturados. Não tens um guia. Começas apenas a separá-los em montes que fazem sentido para ti.
Encontrar padrões por ti próprio
- → Os botões grandes para aqui. Os pequenos para ali.
- → Os de metal neste monte. Os de plástico naquele monte.
Estás a encontrar padrões sem que ninguém te diga o que procurar.
É isso a aprendizagem não supervisionada. O computador procura padrões sem que lhe digam qual deve ser a resposta.
Exemplo: Encontrar Grupos de Clientes
Uma loja tem dados de 10.000 clientes: o que compram, quando fazem compras, quanto gastam. Ninguém diz ao computador que grupos existem. Ele apenas observa e encontra padrões:
Grupo 1: Jovens que compram tarde da noite, compram pequenas quantidades, vêm com frequência
Grupo 2: Famílias que compram aos fins de semana, compram em grandes quantidades, vêm semanalmente
Grupo 3: Reformados que compram ao meio-dia durante a semana, compram artigos específicos, muito regulares
Ninguém lhe disse que estes grupos existiam. Ele encontrou-os ao notar quais clientes se comportam de forma semelhante.
É assim que a Netflix agrupa programas que talvez goste, como a deteção de fraude encontra transações invulgares e como os cientistas descobrem padrões no ADN.
Aprender por Tentativa (Aprendizagem por Reforço)
Lembra-se de ensinar um cão a sentar? Não se explica o que é sentar. Diz-se apenas "senta" e, quando o cão se senta, dá-se-lhe uma guloseima. Quando não se senta, sem guloseima. O cão percebe: sentar é igual a guloseimas. Não sentar é igual a sem guloseimas.
Isso é a aprendizagem por reforço. Experimentar coisas. Ver o que funciona. Fazer mais do que funciona.
Exemplo: Ensinar um Computador a Jogar Xadrez
O computador não conhece as regras no início. Apenas tenta jogadas. Aleatoriamente. A maioria é terrível.
Mas aqui está o detalhe: quando ganha uma partida, diz-se-lhe "bom trabalho". Quando perde, diz-se-lhe "isso não funcionou". Ele começa a notar:
- ✓ Mover a rainha para aqui leva muitas vezes à vitória
- ✗ Deixar o rei exposto leva normalmente à derrota
- ✓ Controlar o centro do tabuleiro é útil
Depois de jogar milhões de partidas contra si próprio, fica mesmo, mesmo bom. Não porque alguém lhe ensinou estratégia. Porque experimentou tudo e aprendeu o que funciona.
Foi assim que a IA aprendeu a vencer campeões mundiais de xadrez e Go, como os robôs aprendem a andar e como os carros autónomos aprendem a conduzir.
Os Três Estilos de Aprendizagem
Como a Prática Acontece na Realidade (O Processo Secreto)
Ok, o computador pratica ao olhar para exemplos. Mas o que está realmente a acontecer por dentro? Vou explicar-te como se estivesses a ver por cima do ombro do computador.
Passo 1: Começar com Palpites Aleatórios
Como adivinhar o peso de uma abóbora
Imagina que estás a tentar adivinhar o peso de uma abóbora só de a olhares. Nunca fizeste isto antes, por isso atiras um número ao calhas. "Hum... 15 libras?"
É exatamente isso que o computador faz. Começa com palpites aleatórios. Completamente aleatórios. É como pedir a um recém-nascido para identificar cores. Os palpites são péssimos. Tudo bem. É esse o ponto de partida.
Passo 2: Verificar o Quão Errado Estás
Medir o erro
Agora colocas a abóbora numa balança. Na verdade, pesa 23 libras. Erraste por 8 libras. Esse é o teu erro.
O computador faz o mesmo. Faz um palpite, verifica a resposta real e calcula o quão errado estava. "Eu disse que esta foto era um cão. Na verdade, é um gato. Eu estava muito errado."
Passo 3: Ajustar o Teu Próximo Palpite
Aprender com os erros
A próxima abóbora parece-se com a primeira. Não voltas a adivinhar 15 libras. Aprendeste que abóboras assim são mais pesadas do que pensavas. Então adivinhas 22 libras. Mais perto!
O computador faz exatamente isto. Ajusta o seu método de adivinhação com base nos seus erros. "Continuava a adivinhar 'cão' quando via orelhas caídas, mas estava errado. Vou prestar mais atenção a outras características também."
Passo 4: Repetir Milhares de Vezes
A prática leva à perfeição
Depois de adivinhar o peso de 1.000 abóboras e verificar a balança todas as vezes, você ficaria muito bom nisso. Notaria padrões: "Abóboras grandes e redondas com caules grossos costumam ser pesadas. As altas e finas costumam ser mais leves."
O computador faz isso milhares ou milhões de vezes. A cada vez, melhora um pouquinho. No fim, fica muito bom na tarefa que está praticando.
Esse é o processo inteiro. Faça uma suposição. Verifique o quanto você errou. Ajuste. Repita até ficar bom o suficiente. Ideia simples. Mas faça isso milhões de vezes muito rápido e você obtém resultados poderosos.
Por Que Isso Funciona Tão Bem (E Por Que Não É Mágica)
O incrível é o seguinte: esse processo incrivelmente simples funciona para uma variedade incrível de tarefas.
A mesma ideia básica (praticar com feedback) pode:
- ✓ Aprender a reconhecer seu rosto para desbloquear o telefone
- ✓ Aprender a traduzir entre idiomas
- ✓ Aprender a detectar tumores em exames médicos
- ✓ Aprender a prever se vai chover amanhã
- ✓ Aprender a recomendar filmes que você provavelmente vai gostar
Por que funciona para todas essas coisas diferentes?
Porque, no fundo, são todas problemas de reconhecimento de padrões. Seu rosto tem padrões. Os idiomas têm padrões. Os tumores têm padrões. O clima tem padrões. Suas preferências de filmes têm padrões.
O computador encontra esses padrões praticando com exemplos. Ele não "entende" rostos, idiomas ou medicina. Ele apenas descobre: quando vejo este padrão, a resposta costuma ser aquela.
Isso é poderoso. Mas não é mágica. É reconhecimento de padrões, praticado em uma escala que os humanos não conseguem igualar.
O Que o Computador Realmente Aprende (A Verdade Pode Surpreender Você)
Há algo que a maioria das pessoas entende errado: o computador não aprende compreensão. Ele aprende atalhos.
Deixe-me mostrar o que quero dizer com uma história real.
A IA de cancro de pele que enganou
Cientistas treinaram uma IA para reconhecer cancro de pele a partir de fotografias. Ela ficou muito boa. Melhor do que alguns médicos. Fantástico, não é?
Depois notaram algo estranho. A IA estava a olhar para réguas. Muitas das fotografias de cancro tinham réguas (para mostrar a escala). Muitas das fotografias sem cancro não tinham.
A IA aprendeu: "Se vir uma régua, provavelmente é cancro." Tecnicamente, é um padrão que funcionou nos dados de treino. Mas não é compreender o cancro. É um atalho.
Isto acontece o tempo todo:
Exemplos de enviesamentos e atalhos aprendidos por IA
- ⚠️ Uma IA de recrutamento aprendeu que currículos com o nome "Jared" tinham maior probabilidade de serem contratados (porque os dados de treino continham decisões humanas enviesadas)
- ⚠️ Um sistema de reconhecimento facial funcionava melhor com homens brancos (porque eram os mais representados nas fotografias de treino)
- ⚠️ Um sistema de aprovação de empréstimos discriminava certos bairros (porque aprendeu a partir de dados de crédito historicamente enviesados)
O computador encontra padrões nos dados que lhe dá. Se os dados têm enviesamentos, ele aprende os enviesamentos. Se os dados têm atalhos, ele aprende os atalhos. Não sabe melhor. Apenas encontra o que funciona nos exemplos que viu. É por isso que a aprendizagem automática exige atenção cuidadosa. É poderosa, mas não é sábia.
As Duas Formas de Praticar (Tradicional vs. Diferente)
Lembra-te de quando disse que os computadores aprendem ajustando os seus palpites com base nos erros? Há duas formas principais de fazer esse ajuste.
A Forma Tradicional: Pequenos Ajustes nos Números
Como funciona a maior parte da IA hoje
O computador tem milhões de pequenos botões (chamados pesos). Cada botão está definido para um número específico.
Quando o computador comete um erro, descobre quais botões rodar e em que direção. Roda-os apenas um bocadinho. Depois faz outro palpite, comete outro erro, volta a rodar os botões. Uma e outra vez. Depois de fazer isto milhões de vezes, todos esses botões ficam definidos para números que produzem bons palpites.
O Bom
Funciona muito bem. Consegue encontrar padrões incrivelmente complexos. É comprovado e fiável.
O Mau
Usa uma quantidade enorme de poder computacional. Treinar estes sistemas custa milhões de dólares em eletricidade. E quando termina, tens milhões de definições de botões, mas não consegues explicar realmente porque estão definidos para esses números específicos. É uma caixa negra.
Uma Forma Diferente: Encontrar Regras em Vez de Números
Como funcionam alguns sistemas mais recentes
Alguns sistemas (como os que empresas como a Dweve constroem) funcionam de forma diferente. Em vez de ajustar milhões de botões numéricos, procuram regras lógicas.
Em vez de aprenderem "o peso 47 deve ser 0,8234", aprendem "se o e-mail tem palavras urgentes E vem de um remetente desconhecido E tem links estranhos, então provavelmente é spam".
É mais parecido com a forma como os humanos aprendem
Não tens números na cabeça. Tens regras práticas: "Se o pão cheira a azedo, provavelmente está estragado. Se o céu está escuro e pesado, pode chover."
O Bom
Consegues explicar as decisões. "O e-mail foi marcado como spam porque correspondia a estes três padrões." Também é muito mais eficiente. Usa muito menos energia.
O Mau
Nem todos os problemas funcionam bem com regras. Algumas coisas precisam mesmo desses milhões de pequenos ajustes numéricos.
Nenhuma das formas é sempre melhor. São ferramentas. Usas a certa para o trabalho.
Como o Processo de Aprendizagem Realmente Funciona
Onde Isto Funciona Realmente na Sua Vida
Deixe-me mostrar-lhe onde já está a usar machine learning todos os dias, provavelmente sem se aperceber.
⏰ O Seu Despertador
O despertador do seu telemóvel provavelmente tem uma função que aumenta o volume gradualmente. Isso é simples. Mas alguns telemóveis também aprendem quando costuma acordar naturalmente e sugerem melhores horas para o despertar. O machine learning reparou: "Você adia sempre o despertar das 6h, mas acorda naturalmente às 6h30. Deixe-me sugerir as 6h30 em vez disso."
🚗 A Sua Viagem
As aplicações de mapas preveem o trânsito. Como? Aprenderam com milhões de viagens: "Às terças-feiras de manhã, esta autoestrada fica congestionada por volta das 7h45. Quando chove, esta rota fica 15 minutos mais lenta." Padrões encontrados nos dados.
📧 O Seu Email
Cada email de spam que não chega à sua caixa de entrada? Machine learning. Cada email automaticamente organizado em pastas? Machine learning. A sua aplicação de email aprendeu com milhões de exemplos como é que o spam se parece e o que é importante especificamente para si.
🎬 O Seu Entretenimento
A Netflix a sugerir séries. O Spotify a criar playlists para si. O YouTube a recomendar vídeos. Tudo machine learning. Aprenderam: "As pessoas que viram estas três séries normalmente também gostam desta quarta série. As pessoas que ouvem este artista normalmente gostam destes outros artistas."
🛒 As Suas Compras
"Os clientes que compraram isto também compraram..." Machine learning. "Pode também gostar de..." Machine learning. Até os preços que vê podem ser ajustados por machine learning com base nos padrões de procura.
🔒 A Sua Segurança
O seu banco a bloquear uma transação suspeita? O machine learning detetou um padrão: "Este pagamento não corresponde ao comportamento normal de gastos desta pessoa. Pode ser fraude."
Todos estes sistemas aprenderam com exemplos. Encontraram padrões. Melhoraram com a prática. Isto é aprendizagem automática, a tocar na sua vida dezenas de vezes por dia.
Os Limites Honestos (O Que Não Consegue Fazer)
A aprendizagem automática é poderosa, mas não é magia. Vou ser muito honesto sobre o que ela não consegue fazer.
Não Consegue Aprender Sem Exemplos
Precisa de dados. Muitos. Quer ensinar um computador a reconhecer uma doença rara? Precisa de milhares de exemplos dessa doença. Não os tem? Não consegue treinar o sistema. É assim tão simples.
Não Consegue Compreender o Contexto Como os Humanos
Um humano vê um sinal de "STOP" coberto de neve e sabe que continua a ser um sinal de stop. Um computador pode não o reconhecer porque todos os seus exemplos de treino mostravam sinais de stop limpos e visíveis. Aprendeu o padrão para sinais de stop perfeitos, não o conceito de "stop".
Não Consegue Explicar o Seu Raciocínio (Normalmente)
Pergunte a um médico porque acha que você tem gripe: "Tem febre, dores no corpo e é época de gripe." Raciocínio claro.
Pergunte à maioria dos sistemas de IA porque tomaram uma decisão: "Porque estes 47 milhões de números estão definidos com estes valores específicos." Não ajuda nada.
Vai Aprender os Seus Preconceitos
Se o treinar com dados tendenciosos, ele aprende o preconceito. Se os dados históricos de contratação mostrarem preconceito contra certos grupos, a IA também aprende a ser tendenciosa. Não sabe melhor. Apenas aprende o que está nos dados.
Não Consegue Adaptar-se a Situações Totalmente Novas
Os humanos são ótimos nisto. Nunca viu uma girafa roxa, mas se visse uma, reconhecia-a como uma girafa que é roxa.
Um computador treinado com girafas normais pode ficar completamente confuso com uma roxa. Não estava nos dados de treino. O sistema não sabe generalizar dessa forma.
Estes não são problemas menores. São fundamentais para o funcionamento da aprendizagem automática. Compreender estes limites é tão importante como compreender as capacidades.
O Que Precisa de Lembrar
Se isto parece muito, eis o que realmente importa:
- 1 A aprendizagem automática é prática com feedback. O computador faz suposições, verifica se estão corretas, ajusta e repete. Tal como aprenderias qualquer coisa através da prática.
- 2 Existem três tipos principais. Supervisionada (com soluções), não supervisionada (encontrar padrões por conta própria) e por reforço (aprender por tentativa). Cada uma funciona para problemas diferentes.
- 3 Encontra padrões, não compreensão. O computador não "percebe". Apenas repara: quando vejo este padrão, a resposta costuma ser aquela. Poderoso, mas não é o mesmo que a compreensão humana.
- 4 Estás a usá-la constantemente. O teu email, os teus mapas, o teu entretenimento, as tuas compras. A aprendizagem automática toca a tua vida dezenas de vezes por dia.
- 5 Tem limites reais. Precisa de muitos dados. Aprende enviesamentos. Não se consegue explicar facilmente. Não generaliza como os humanos. Compreender os limites é tão importante como compreender as capacidades.
- 6 Existem abordagens diferentes. A maioria da IA ajusta milhões de parâmetros numéricos. Alguns sistemas aprendem regras lógicas. Ferramentas diferentes para trabalhos diferentes.
O Resultado Final
A aprendizagem automática não é misteriosa. É apenas um computador a melhorar numa tarefa através da prática.
Mostre-lhe exemplos. Deixe-o fazer suposições. Diga-lhe quando está errado. Observe-o a ajustar-se e a melhorar. Repita milhares de vezes. Eventualmente, fica mesmo bom na tarefa.
Não está a aprender como aprendeu a andar de bicicleta, a ler ou a fazer amigos. Não está a desenvolver compreensão, sabedoria ou senso comum.
Está a encontrar padrões estatísticos nos dados através de prática e ajustes repetidos. É só isso. Mas, feito a uma escala que os humanos não conseguem igualar, com milhões de exemplos, produz resultados genuinamente úteis.
O seu filtro de spam funciona. O seu assistente de voz compreende-o. Os seus mapas desviam-no do trânsito. Tudo porque os computadores praticaram com milhões de exemplos até encontrarem padrões que funcionam.
A palavra "aprendizagem" faz parecer mágico. A realidade é matemática. Mas essa matemática, praticada em grande escala, muda a forma como vive a sua vida todos os dias.
Agora já sabe como funciona. O mistério desapareceu. A aprendizagem automática é a descoberta de padrões através da prática. Conceito simples. Execução poderosa. E está a usá-la agora mesmo, ao ler estas palavras num dispositivo cheio de sistemas que aprenderam a tornar a sua vida mais fácil.
Algumas empresas, como a Dweve, estão a explorar formas diferentes de "praticar" para além de simplesmente ajustar os mostradores numéricos. Aprender regras lógicas em vez de pesos numéricos. Encontrar restrições em vez de parâmetros de treino. Abordagens diferentes para problemas diferentes. Porque a aprendizagem automática não tem de ser uma solução única para todos.