1.3.3.1. Aprendizado de Máquina (Machine Learning): Aplicações e Implicações

Envolve, para tanto, a automatização do processo de construção, treinamento, avaliação e o ajuste dos diferentes modelos de aprendizado de máquina. Busca desenvolver técnicas para que as máquinas aprendam, por exemplo, com seus próprios erros, sem que sejam programadas para isso102. Em geral, a maior parte das técnicas envolvidas no aprendizado de máquina são técnicas relacionadas ao aprendizado automático. Portanto, “aprendizado automático” é um termo abrangente, que participa das técnicas de aprendizado supervisionado, não supervisionado, semissupervisionado, autossupervisionado e por reforço, podendo automatizar qualquer processo de construção e ajuste de modelos nesses tipos de aprendizados. Aprendizado Supervisionado, Não Supervisionado, Semissupervisionado, Autossupervisionado e por Reforço O método de aprendizado supervisionado (supervised learning) envolve treinar um modelo em um conjunto de dados rotulados, onde as respostas corretas são conhecidas. Ou seja, o algoritmo é “treinado” com um conjunto de dados cujos resultados esperados são conhecidos.103 O objetivo é aprender uma função que mapeia entradas para obter saídas desejadas. Essencialmente, pode-se dizer que os algoritmos são os aprendizes e os dados utilizados para o processamento dos programas e técnicas informáticas são os treinadores. aprende que a palavra “grátis” é um indicador estatístico de spam. Com o tempo, os sistemas de aprendizado de máquina melhoram a identificação de spam examinando mais dados e procurando mais sinais úteis. O exemplo é extensamente desenvolvido por Surden (2019, pp. 1312-13). 102 Dapkevicius, 2024, p. 209. 103 Massachusetts Institute of Technology. Machine Learning from Data Decisions. 23 abr. 2019. Disponível em: https://professional.mit.edu/course-catalog/machine-learning-data-decisions. Acesso em: junho 2024.

---

Notas

99. Além das cinco técnicas de aprendizado a serem verificadas na sequência, destaca-se o aprendizado contínuo (online learning), cuja principal característica é a capacidade de adaptação em tempo real, permitindo que os sistemas evoluam conforme as condições mudam, sem precisar reiniciar todo o processo de treinamento a cada mudança. 100 Dapkevicius, 2024, p. 210. 101 Um exemplo bastante esclarecedor, trazido por Harry Surden, pode ser encontrado na aplicação do filtro de spam dos e-mails. O software de aprendizado de máquina detecta automaticamente e-mails de spam (comerciais indesejados) e os desvia para uma pasta de spam separada. Isso é feito “treinando” o sistema com exemplos de e-mails de “spam” e de e-mails “desejados”. O software detecta padrões nesses exemplos para determinar a probabilidade de um novo e-mail ser spam ou “desejado”. Por exemplo, se o sistema detectar que 80% dos e-mails com a palavra “grátis” são spam, ele usará essa informação para classificar futuros e-mails. Quando um novo e-mail com a palavra “grátis” chegar, o sistema determinará que ele tem alta probabilidade de ser spam e o desviará automaticamente para a pasta de spam. Este processo é semelhante ao que um humano faria – ao identificar palavras-chave como “grátis” e decidir que um e-mail é spam. Em resumo, o sistema