Glossário · Inteligência Artificial
Machine learning
Definição
Machine learning é o campo da inteligência artificial em que sistemas aprendem padrões a partir de dados, sem ser programados regra por regra, usado por empresas para prever demanda, detectar fraudes, recomendar produtos, classificar documentos e apoiar decisões que dependem de grandes volumes de informação.
- Aprendizado de máquina
- Aprendizagem de máquina
- ML
- Cluster
- Inteligência Artificial
- Classificação
- Tecnologia
- Nível
- Básico
O que é machine learning?
Machine learning, ou aprendizado de máquina, é a forma de criar sistemas que aprendem com exemplos. Em vez de um programador escrever todas as regras, o sistema recebe dados, encontra padrões e usa esses padrões para fazer previsões ou tomar decisões sobre casos novos.
O termo foi popularizado por Arthur Samuel, pesquisador da IBM, em 1959, ao descrever um programa que aprendia a jogar damas. Durante décadas, o machine learning ficou restrito a aplicações específicas. A combinação de mais dados, processamento barato e novas técnicas, especialmente o deep learning, levou a área ao centro dos negócios.
O machine learning está por trás da IA preditiva, que estima riscos e recomenda ações, e da IA generativa, cujos modelos, como os LLMs, são treinados com técnicas de aprendizado de máquina.
Como funciona na prática?
Um projeto típico segue estas etapas:
- Problema: definir o que prever ou classificar, por exemplo, quais clientes têm maior chance de cancelar.
- Dados: reunir e limpar dados históricos relevantes.
- Treinamento: o algoritmo aprende a relação entre as características dos clientes e o resultado.
- Avaliação: medir a precisão em dados que o modelo nunca viu.
- Uso: integrar o modelo ao processo, como um alerta para o time de relacionamento.
- Monitoramento: acompanhar o desempenho, porque o comportamento dos clientes muda e o modelo envelhece.
Machine learning vs deep learning: qual a diferença?
Deep learning é um subconjunto do machine learning baseado em redes neurais profundas. Ele se destaca com dados não estruturados, como imagens, voz e texto. O machine learning clássico costuma ser suficiente, mais barato e mais fácil de explicar em dados estruturados, como tabelas de vendas e cadastros.
Exemplos
- Um banco usa machine learning para detectar transações com padrão de fraude em tempo real.
- Um varejista prevê a demanda por loja e reduz rupturas de estoque.
- Uma cooperativa agrícola estima a produtividade das lavouras a partir de dados de clima e solo.
Erros comuns
- Começar pelo algoritmo em vez do problema de negócio.
- Subestimar o trabalho de preparar dados.
- Colocar o modelo em produção e não monitorar.
- Ignorar vieses nos dados históricos, que o modelo reproduz.
Por que importa para líderes e empresas?
Machine learning é a base técnica de quase tudo que se chama IA hoje. Entender o conceito ajuda líderes a fazer as perguntas certas: que dado temos, que decisão queremos melhorar e como saberemos se funcionou. Essas perguntas separam projetos com retorno de iniciativas guiadas pelo ciclo de hype e orientam a adoção de IA.
Perguntas frequentes
Qual a diferença entre machine learning e inteligência artificial?
Inteligência artificial é o campo amplo que busca fazer máquinas realizarem tarefas que exigiriam inteligência humana. Machine learning é uma das principais abordagens dentro desse campo: em vez de regras escritas à mão, o sistema aprende com dados. Hoje, a maior parte das aplicações de IA, inclusive a generativa, usa machine learning.
Qual a diferença entre machine learning e deep learning?
Deep learning é um tipo de machine learning que usa redes neurais com muitas camadas. Essas redes conseguem aprender padrões complexos em imagens, áudio e texto, mas exigem muitos dados e capacidade de processamento. Modelos de linguagem como os LLMs são resultado de deep learning aplicado em grande escala.
Quais são os tipos de machine learning?
Os três tipos clássicos são o aprendizado supervisionado, em que o modelo aprende com exemplos rotulados, como e-mails marcados como spam; o não supervisionado, em que encontra grupos e padrões sem rótulos; e o aprendizado por reforço, em que aprende por tentativa e erro com recompensas. Muitos sistemas atuais combinam mais de um tipo.
Preciso de muitos dados para usar machine learning?
Depende do problema. Modelos simples funcionam com milhares de registros bem organizados, enquanto modelos complexos exigem volumes muito maiores. Mais importante que o volume é a qualidade: dados incompletos, enviesados ou desatualizados produzem previsões ruins. Muitas empresas começam usando modelos prontos de fornecedores antes de treinar os próprios.