Machine Learning (ML)

A aprendizagem automática (ML) é um subconjunto dinâmico da inteligência artificial (AI) que permite aos sistemas informáticos aprender com dados e melhorar o seu desempenho sem serem explicitamente programados para cada regra. Em vez de seguirem instruções estáticas e codificadas manualmente, os algoritmos de aprendizagem automática identificam padrões em grandes volumes de big data para tomar decisões ou fazer previsões. Esta capacidade é o motor de muitas tecnologias modernas, permitindo aos computadores adaptarem-se a novos cenários através do processamento de dados de treino e do aperfeiçoamento da sua lógica interna ao longo do tempo com base na experiência.

Conceitos e técnicas fundamentais#

Na sua base, a ML recorre a técnicas estatísticas para criar sistemas inteligentes. O campo é geralmente dividido em três metodologias principais, com base na forma como o sistema aprende. A aprendizagem supervisionada envolve treinar um modelo com conjuntos de dados anotados nos quais o resultado pretendido é conhecido, uma técnica frequentemente utilizada em tarefas de classificação de imagens. Por outro lado, a aprendizagem não supervisionada lida com dados não anotados, exigindo que o algoritmo encontre estruturas ou agrupamentos ocultos por si próprio. Por fim, a aprendizagem por reforço permite que os agentes aprendam por tentativa e erro num ambiente interativo, de modo a maximizar uma recompensa. Os avanços modernos utilizam frequentemente a aprendizagem profunda, um ramo especializado da ML baseado em redes neuronais que imita a estrutura em camadas do cérebro humano.

Aplicações no mundo real#

A aprendizagem automática transformou vários setores ao automatizar tarefas complexas. Eis dois exemplos concretos do seu impacto:

• Sistemas autónomos: No domínio da visão computacional, os modelos de ML, como o Ultralytics YOLO26, são utilizados para a deteção de objetos em tempo real. Estes sistemas funcionam como os "olhos" dos veículos autónomos, identificando instantaneamente peões, outros automóveis e sinais de trânsito para tomar decisões de segurança numa fração de segundo.
• Diagnóstico médico: Na área dos cuidados de saúde, os algoritmos de ML analisam imagens médicas complexas para detetar anomalias, como tumores, mais cedo do que os métodos tradicionais. Ao processarem registos históricos de pacientes e utilizarem a análise de imagens médicas, estas ferramentas ajudam os médicos a efetuar diagnósticos precisos e a criar planos de tratamento personalizados.

Implementação da aprendizagem automática#

O desenvolvimento de uma solução de ML envolve um ciclo de vida conhecido como Operações de aprendizagem automática (MLOps). Este processo começa pela recolha de dados de alta qualidade e pela realização da anotação de dados para preparar as entradas do modelo. Em seguida, os programadores têm de treinar o modelo enquanto monitorizam problemas como o sobreajuste, em que um sistema memoriza os dados de treino, mas não consegue generalizar para novas informações.

O seguinte excerto de Python demonstra como carregar um modelo de ML pré-treinado utilizando o pacote ultralytics para efetuar inferência numa imagem:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Diferenciar termos fundamentais#

É importante distinguir a "aprendizagem automática" de conceitos relacionados. Enquanto a AI é a ciência abrangente de criar máquinas inteligentes, a ML é o subconjunto específico de métodos utilizados para alcançar essa inteligência através de dados. Além disso, a ciência de dados é um campo mais abrangente que inclui ML, mas que também se concentra na limpeza de dados, na visualização e na análise estatística para extrair informações úteis para o negócio. Frameworks como o PyTorch e o TensorFlow fornecem as ferramentas subjacentes para criar estes sistemas.

Para simplificar a complexidade do treino e da implementação destes modelos, as soluções nativas da cloud, como a Ultralytics Platform, permitem às equipas gerir conjuntos de dados, treinar modelos escaláveis e tratar da implementação de modelos em dispositivos de edge de forma eficiente.