Pular para o conteúdo

Diferença entre machine learning e inteligência artificial

É interessante ver como uma palavra pode chamar atenção. Não é de hoje que a ideia de Inteligência artificial atrai as pessoas. Desde a década de 1960 esse termo vem sendo citado em livros pelo mundo afora.

Usualmente não somos tão rigorosos tecnicamente e também não economizamos para usar o termo. Depois que esses sistemas viram rotina, deixam de ser rotulados como “inteligência artificial”. Por exemplo, o sistema fly-by-wire que conquistou os céus a partir da década de 70 (fly-by-wire é um conjunto de sensores e algoritmos capazes de decolar um avião em Guarulhos e pousar em Miami sem que o piloto tenha influenciado diretamente nos comandos).

Vamos aos fatos. Se queremos ser rigorosos, inteligência artificial pode ser representada por algoritmos que se auto alimentam. Na língua técnica, esses algoritmos são capazes de se auto ajustar conforme condições dinâmicas do ambiente para produzir resultados otimizados. Perfeito, isso de fato descreve o sistema fly-by-wire e outros sistemas ainda mais recentes, como os algoritmos do Facebook que controlam seu feed de notícias ou os algoritmos da Tesla que fazem com que o motorista de um carro torne-se desnecessário.

Apesar disso, o que atualmente chamamos de Inteligência Artificial é, na verdade (ou também), Machine Learning (ML). Para entender a diferença temos que definir o que um algoritmo “comum” faz:  todo algoritmo tem uma entrada de dados, que é processada por algumas regras e uma saída (output). Em Machine Learning, o que acontece é diametralmente oposto. Os dados de entrada e resultados desejados são fornecidos e o algoritmo se encarrega de encontrar relações estatísticas dentro desse pool de dados para “construir um algoritmo” que o leve das entradas para os resultados desejados, ou seja, eles “aprendem” com o passar do tempo e com o acúmulo de “experiência”.

Dessa forma, um algoritmo que usa Machine Learning pode reconhecer um rosto ou discernir uma foto de um felino da foto de um cão pelos padrões já experimentados por ele. O interessante é que o setor não evoluiu tanto nas últimas décadas.

Google Ngram AI vs Machine Learning

Google Ngram AI vs. ML


Mas por que só estamos vendo aplicações agora?

Algoritmos de ML só funcionam se tivermos uma fonte gigantesca de informação para que eles “se treinem”. É aí que entra o grande combustível da quarta revolução industrial, que são os dados. Atualmente estamos popularizando a coleta de dados. No seu braço possivelmente tem um relógio que envia informações sobre sua saúde para algum servidor, seu provedor de internet coleta dados de uso da banda para cada IP conectado, o Facebook monitora cada clique e etc. É o que se chama de BIG Data. Tudo se torna em dado útil para algum algoritmo “aprender”.

Hoje temos acesso escalável a esses dados e isso nos promove à condição de primeira geração capaz de coletar, processar e traduzir dados em uma escala que a 10 anos atrás seria inimaginável. As oportunidades de desenvolvimento são variadas e, na minha opinião, ainda muitas por se descobrir.

Em energia estamos fazendo nossa parte. Coletamos dados através de um hardware confiável e seguro ao mesmo tempo que a quantidade de informação gerada é armazenada em servidores que permitem o escalonamento de seu processamento. É dessa forma que a CUBi transforma dados em insights sobre gestão energética.

Ricardo Dias

Engenheiro ambiental e urbano pela UFABC e mestre em Sistemas Sustentáveis com ênfase em Energia pelo Rochester Institute of Technology. É co-fundador da CUBi e atualmente CEO.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *