Qual a diferença entre Inteligência Artificial, Machine Learning e Deep Learning?

Muito se fala atualmente sobre novas ferramentas inteligentes e a cada momento se usa uma terminologia diferente para se referir às aplicações de inteligência atribuídas aos computadores. Mas afinal, quais os conceitos envolvidos quando se fala em Inteligência Artificial, Machine Learning e Deep Learning? Para sabermos as definições de cada terminologia, precisamos comentar sobre cada uma destas áreas e suas aplicações.

Inteligência Artificial

“O estudo de como os computadores podem fazer tarefas que hoje são melhor desempenhadas pelas pessoas.“ —  Rich and Knight, 1991.

Podemos considerar que a área de Inteligência Artificial é a ciência que busca construir mecanismos que realizem funções cognitivas humanas como a nossa capacidade de pensar e reagir com inteligência. Os sistemas desenvolvidos nesta área buscam disponibilizar agentes de interação natural com humanos para a captura de comportamentos, traçando padrões cada vez mais precisos de acordo com a quantidade de interações realizadas.

Um bom exemplo deste tipo de interação é a solução da empresa Netflix. A partir da experiência que o usuário tem com o programa de vídeos por streaming, a plataforma registra e analisa cada interação com o objetivo de fazer um mapeamento de comportamento do usuário, construindo padrões de comportamento. A partir desta base de experiências, o programa começa a sugerir produtos (filmes, séries, shows) de acordo com o perfil do usuário. Esta funcionalidade é criada a partir de agentes racionais que simulam funções cognitivas baseados em modelos, objetivos e aprendizagem.

Machine Learning

“O campo da Ciência da Computação que dá aos computadores a habilidade de aprender sem terem sidos especificamente programados.” —  Rich and Knight, 1991

A área de Machine Learning está situada dentro o domínio da Inteligência Artificial. Nesta área estão concentradas as técnicas de aprendizado de máquinas que são algoritmos capazes de extrair conhecimento a partir de grandes bases de dados. Estes algoritmos precisam ser parametrizados por profissionais para maximizar sua performance de assimilação de conhecimento e realização da tarefa desejada. Dentre as principais tarefas estão a Clusterização, Classificação e a Regressão.

Clusterização

Considerando o mercado de e-commerce onde milhares de consumidores visitam periodicamente os marketplaces em busca de novos produtos, podemos considerar que existem perfis de pessoas que são semelhantes e que buscam geralmente um mesmo estilo de produtos, por exemplo, clássicos ou alternativos. Suponha que seja interessante agrupar estas pessoas em grupos (ou “clusters”) para que ao identificar um consumidor desta classe, o site possa recomendar produtos que tenham afinidade com esta audiência.

Os algoritmos de Machine Learning são capazes de observar estes dados de navegação e compra e agrupar automaticamente estes consumidores em clusters de mesmo perfil comportamental. Sabendo a qual cluster mais se assemelha ao visitante do site é possível ser mais assertivo na recomendação de produtos.

Classificação

Novos dispositivos já contemplam a funcionalidade de reconhecimento facial de seus usuários. Assim como os aplicativos de gerenciamento de fotos ou redes sociais que identificam as pessoas nas fotos. A tarefa de classificação consiste em observar um registro e atribuir o mesmo a uma classe pré-definida. Diferentemente da clusterização, onde os agrupamentos não possuem uma identificação (basta saber que um registro é parecido com outro), a classificação necessita de uma determinação a priori das classes existentes. Em nosso exemplo, cada pessoa pode corresponder a uma classe. Assim como cada foto de uma determinada pessoa consiste em um registro desta classe.

Assim é possível treinar uma Rede Neural Artificial, que é uma das arquiteturas disponíveis para realizar o aprendizado de máquinas, para observar várias fotos de várias pessoas diferentes, e posteriormente observar novas fotos e responder qual a pessoa presente no registro observado.

Regressão

O mercado financeiro atua com a análise frequente de séries temporais, sejam elas de ações, investimentos, etc… que refletem condições mercadológicas em índices ao longo do tempo. Alguns padrões comportamentais destes gráficos temporais se repetem em maior ou menor similaridade em função das condições do mercado. A tarefa de regressão realizada por técnicas de aprendizado de máquinas é capaz de observar várias amostras destas séries temporais e buscar similaridades da situação atual com o histórico com o objetivo de antecipar os próximos valores com certa assertividade.

Diversas aplicações com preditores de séries temporais estão presentes em produtos para o mercado financeiro ou outras aplicações industriais para controle de processos, onde é possível estimar o próximo valor de uma determinada informação a partir de variáveis relacionadas.

Deep Learning

“or most flavors of the old generations of learning algorithms … performance will plateau. … Deep Learning … is the first class of algorithms … that is scalable. … performance just keeps getting better as you feed them more data“ – Andrew Ng (Coursera and Baidu Research)

Deep Learning ou Aprendizado Profundo é um ramo da área de Machine Learning que possui algoritmo e estruturas de dados mais evoluídas que as técnicas anteriores que possibilita reduzir a interferência da seleção de parâmetros para os algoritmos de aprendizado minimizando a intervenção de profissionais externos no projeto destes sistemas e possibilita melhores desempenhos na extração de informações em grandes bases de dados.

As aplicações da área de Deep Learning são similares aos exemplos abordados no tópico sobre Machine Learning, se diferenciando somente pelas ferramentas e formas de se realizar a extração do conhecimento a partir de conjuntos de dados.

Concluindo

A área de Inteligência Artificial corresponde a um universo bem maior de tecnologias que se assemelham a funções cognitivas humanas que inclui o domínio das áreas de Machine Learning e Deep Learning, como no esquemático abaixo:

Créditos da imagem: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

Agora podemos utilizar a terminologia de maneira correta em função de cada tecnologia aplicada aos mais diversos problemas da atualidade. Bons negócios!