1.3.3.2. Redes Neurais Artificiais e Aprendizado Profundo: Conceitos Fundamentais

O aprendizado autossupervisionado (self-supervised learning) também pode ser entendido como uma abordagem intermediária que combina elementos dos dois métodos, embora de forma distinta: o modelo cria automaticamente tarefas de aprendizado a partir dos próprios dados não rotulados, eliminando a necessidade de rótulos humanos. Essa técnica se destaca por sua aplicação, sobretudo, em áreas como o processamento de linguagem natural (PLN) e em visão computacional – que consiste em tarefas de reconhecimento de objetos e segmentação de imagens. Ainda dentro das tipologias de aprendizado relacionadas a machine learning, temos o aprendizado por reforço, que se baseia na lógica de tentativa e erro, em que um “agente” – nome dado ao sistema aprendiz – interage com o ambiente, aprende com ele e toma decisões sequenciais para maximizar recompensas acumuladas ao longo do tempo. Pode-se pensar no aprendizado por reforço como semelhante ao aprendizado não-supervisionado, pois em ambos o nível de intervenção humana é reduzido. No entanto, diferentemente do aprendizado não supervisionado, que busca identificar padrões ocultos em grandes volumes de dados, o aprendizado por reforço concentra-se em maximizar sinais de recompensa, que são valores numéricos recebidos após cada ação e indicam quão favorável ou desfavorável foi essa escolha em relação a um objetivo final. O “agente” não recebe instruções explícitas sobre quais ações realizar, mas descobre-as por meio de recompensas e penalizações, ajustando continuamente sua política de ações para evitar penalidades e maximizar os ganhos positivos111. 1.3.3.2. Redes Neurais Artificiais (ANNs) e Aprendizado Profundo As subcategorias a seguir contemplam elementos técnicos bastante complexos, que, dada sua importância na evolução da IA, não poderiam deixar de ser mencionadas. Trata-se das redes neurais artificiais (artificial 111 O aprendizado por reforço está presente, por exemplo, em jogos de estratégia, como xadrez e Go, no controle de robôs e, mais atualmente, nos rápidos progressos do ChatGPT. Para o tema, veja-se Corvalán, Danesi e Carro, 2023, pp. 322 ss.