1.3.3.1. Aprendizado de Máquina (Machine Learning): Aspectos Práticos

aprimora sua atuação e se adapta a condições para as quais não foi precisamente programada. A partir de experiências e do incremento do acervo de seus dados, os algoritmos têm a capacidade de definir ou modificar regras de tomada de decisão para lidar com novos dados e apresentar novas soluções96. Os algoritmos chamados “inteligentes” – base do Aprendizado da Máquina – funcionam de maneira muito diferente dos algoritmos convencionais. Detectam padrões nos dados que os alimentam, permitindo automatizar tarefas, elaborar previsões e realizar detecções inteligentes. Por meio dessa abordagem, é possível resolver problemas caracterizados por processos de solução tradicionais muito custosos ou para os quais não se conhece uma forma direta de resolução97. O que importa ressaltar acerca desta técnica, como bem destacam Fábio Porto, Valter Shuenquener e Anderson Gabriel, é que machine learning permite que os sistemas melhorem automaticamente com a experiência, “sem serem explicitamente programados para cada tarefa específica”.98 Por fim, cabe ressaltar que machine learning é frequentemente descrito como um processo de aprendizado automático. Esse aprendizado pode, ainda, ser automatizado, ou seja, realizado com pouca ou nenhuma intervenção humana. Dentro dessas tipologias, machine learning se desdobra em subcategorias definidas conforme os métodos utilizados pelos algoritmos para aprender, quais sejam: (1) o aprendizado supervisionado; (2) o aprendizado não supervisionado; (3) o aprendizado semissupervisionado; (4) o aprendizado autossupervisionado; e (5) o aprendizado por reforço. O aprendizado profundo (6) constitui uma metodologia especial de aprendizado automatizado, frequentemente associada às redes neurais, o que justifica sua análise em um subtópico próprio. Todas essas abordagens fundamentam-se na natureza dos dados e nas interações que promovem. Trataremos, a seguir, de tais diferenciações.

---

Notas

95. Um bom exemplo, conhecido por todos, é o da plataforma de streaming de música. Quando procuramos um artista ou música na plataforma, em pouco tempo o sistema passa a nos recomendar artistas ou músicas similares. Sistemas que atuam com machine learning já são bastante utilizados no Brasil, por exemplo nos setores agrícola e bancário. Algoritmos analisam dados climáticos e de solo para prever as melhores épocas de plantio e colheita, identificando padrões históricos para melhorar a eficiência e otimizar a produção. Sensores instalados diretamente nos campos podem fornecer dados em tempo real sobre a saúde das plantações, permitindo intervenções precisas. No setor bancário, os algoritmos analisam transações financeiras para detectar fraudes, aprendendo com dados históricos e ajustando seus critérios conforme surgem novas ferramentas fraudulentas. 96. Morato, Antônio Carlos; Marinangelo, Rafael, Responsabilidade Civil por Acidente de Consumo e Inteligência Artificial. Chinellato, Silmara J. de Abreu (Coord.); Tomasevicius Filho, Eduardo (Org.). Inteligência Artificial: Visões Interdisciplinares e Internacionais [Ebook]. São Paulo: Almedina, 2023, p. 452.