Data Analytics Data Mining Data Science Inteligência Artificial Marketing

Inteligência Artificial, Machine Learning e Deep Learning: como diferenciar?

Por Oficina de Valor | 12 de November de 2020

Por Claudia Mendes e Ana Luisa Nogueira

Inteligência Artificial: um tema novo?

O termo Inteligência Artificial (AI) foi cunhado em 1956 e já de início apresentava um objetivo audacioso e bastante otimista. Naquele momento achavam que um avanço significativo poderia ocorrer se um grupo de cientistas cuidadosamente selecionados trabalhassem juntos durante o verão. Afinal, sem otimismo, a ciência não evolui.

Extrato da carta onde originou o termo “Inteligência artificial” na Conferência de Inteligência Artificial na Darthmouth College, em New Hampshire, nos Estados Unidos.

De lá para cá a evolução foi enorme. As máquinas com alta capacidade de armazenamento e processamento e o “boom” de dados trazido pela disseminação e evolução da internet fizeram um novo tempo surgir.

Hoje já se fala de “Inteligência artificial” até nas propagandas dos bancos, visando a grande massa. Humanizam a tecnologia e se apropriam dessa evolução como sinônimo de inovação.

Para uma parcela das pessoas há a preocupação de que a inteligência artificial substitua empregos, realizando tarefas antes executadas por um ser humano. Isso é mesmo verdade. Mas, como dizia um livrinho bem antigo do prof. Roberto Feldman da FEA-USP (1988): Robô – Ruim Com Ele Pior Sem Ele.

Entretanto, Robôs onde todas as funções humanas sejam executadas em conjunto – de forma bem coordenada, é mais obra de ficção ou pesquisa.

O que mais temos hoje são aplicações executando funções em separado – para resolver problemas específicos – denominada inteligência artificial restrita.  

A Inteligência Artificial pode ser implementada a partir de instruções de um especialista, programada para orientar decisões por um robô . São “programas e máquinas” replicando funções normalmente associadas à mente humana, como a percepção e a decisão.

É importante destacar que nem toda aplicação de Inteligência Artificial usa dados, modelos matemáticos e lógica computacional. Vemos muitos “bots” que se baseiam exclusivamente em regras – sujeitas às falhas humanas e vieses cognitivos. Então, aprecie com moderação, pois não é pelo fato de alguém falar que usa Inteligência Artificial que possamos crer em algo confiável. Tem sido muito comum AI baseada em conhecimento tácito (que está na cabeça das pessoas). Assim, é necessário muita lógica pessoal e ajuda de especialistas para a programação desse tipo de Robô (ou bot).

Já o Machine Learning ( Aprendizado de Máquina) e o Deep Learning (Aprendizado Profunda) , que também são um braço de AI,  dependem dos dados para “aprender”. O termo “aprender” também considero um exagero. Poderia ser: dependem dos dados para ser programado. Neste sentido se os dados foram mal coletados ou tratados, teremos soluções duvidosas. Vale também o mesmo cuidado apresentado no parágrafo anterior.

Inteligência artificial, Machine Learning e Deep Learning: quais são as diferenças?

O diagrama abaixo apresenta a Inteligência Artificial como um arcabouço, onde estão contidos o Aprendizado de Máquina (Machine Learning) e o Aprendizado Profundo (Deep Learning)

O Machine Learning, frequentemente, é usado como um sinônimo para Inteligência artificial, o que não é bem verdade – é uma parte da Inteligência Artificial. Machine Learning é o conjunto de métodos e algoritmos através dos quais as máquinas podem “perceber e agir” utilizando dados como base, dentro de um escopo específico de atuação.

Machine learning: uma aplicação prática no Marketing e Vendas

Com base no comportamento de compra dos clientes, desenvolvemos modelos para prever quem voltará a comprar, bem como para segmentar a base de clientes, definindo grupos ou clusters.

Tem como objetivo otimizar as estratégias e campanhas de Vendas e Marketing, permitindo fazer ações para grupos e indivíduos com diferentes probabilidades de conexão. Utilizamos também “machine learning” para definir qual a próxima melhor oferta para cada pessoa, com recomendações que fazem sentido, dentro de um contexto.

Machine Learning na prática – Oficina de Valor

Machine Learning é algo muito útil no dia a dia das empresas. São modelos que – quando bem desenvolvidos – ajudam não só a prever mas também a raciocinar mediante incertezas.

Depois de implementados os modelos passam a fazer parte importante do motor de execução e automação, liberando às pessoas atividades mais estratégicas e que dependem do raciocínio humano. Aprender a lidar com os “modelos matemáticos” – incorporá-los na estratégia – é até mais desafiador do que fazer um modelo matemático.

Já o Deep Learning, é um conceito que vem apresentando grande desenvolvimento e impacto. Este conceito surgiu de um desdobramento do Machine Learning e permite atuar de forma automática em situações bastante especializadas. Exemplo: reconhecer imagens e voz.

O reconhecimento facial que é um exemplo de deep learning, está cada dia mais presente – especialmente em processos de segurança e identificação de pessoas.

Abaixo temos os resultados de um estudo publicado na Harvard Business Review (2017) que mostra a incrível diminuição da taxa de erro ao reconhecer imagens dos humanos comparados à eficiência de Algoritmos de Deep Learning

“Cachorrinhos ou bolinhos?” imagem que viralizou na internet .
Gráfico que ilustra a taxa de erro visual dos humanos sendo superada pelas máquinas
(que erram cada vez menos)

As máquinas tiveram avanços reais para distinguir entre categorias de imagens com aparência similar. A partir de 2015 observa-se que as máquinas superaram humanos, com erro abaixo de 5% no reconhecimento de imagens.

Muitas aplicações com Machine Learning e Deep Learning são possíveis e precisam ser avaliadas com critério pelas empresas – pois podem envolver dados pessoais. Então todo cuidado e zelo são necessários. Está aí a Lei Geral de Proteção de Dados trazendo novos desafios, necessários ao bom desenvolvimento tecnológico.

Caso queria saber mais ou conversar sobre o tema – entre em contato. Deixe também suas sugestões e considerações.

 Referências:

https://hbrbr.com.br/o-negocio-da-inteligencia-artificial/

https://www.wired.com/2012/06/google-x-neural-network/

Cláudia Mendes

Cláudia Mendes (D.Sc.) – CEO e Fundadora na Oficina de Valor; Apaixonada pelo desafio de democratizar o uso de Data&Analytics nas empresas.

Ana Luisa Nogueira

Ana Luisa Nogueira – Business Development & Gestão de Projetos na Oficina de Valor;

Comentários

Deixe seu comentário


Destaques

Entre em contato

+55 (11) 3262-2504

Avenida Angélica, 2529, 2º andar 01227-200 São Paulo/SP

contato@oficinadevalor.com.br