Um glossário de IA e aprendizado de máquina

A inteligência artificial oferece oportunidades fantásticas para muitos setores, e a sophilabs está animada para fazer parte desse campo tecnológico em expansão. Para quem não tem conhecimentos especializados, porém, às vezes pode ser difícil acompanhar a terminologia. Preparamos este pequeno glossário para definir alguns dos termos mais usados na área.

Acurácia

Métrica que indica a proporção de previsões corretas em relação ao total de previsões feitas por um modelo de aprendizado de máquina. Um modelo com alta acurácia produz poucos falsos negativos. ¹

Algoritmo

No aprendizado de máquina, um modelo matemático que permite a um computador fazer previsões ou tomar decisões com base nos dados recebidos, em vez de fazer previsões ou tomar decisões para as quais foi especificamente programado. ²

Inteligência artificial (IA)

Tecnologia que oferece aos computadores propriedades da inteligência humana, como raciocinar, resolver problemas, tomar decisões e aprender com experiências anteriores. Algumas aplicações incluem robótica, veículos autônomos, reconhecimento de padrões e aprendizado de máquina. ³

Big Data

Conjuntos de dados muito grandes, geralmente de várias fontes, que podem apresentar desafios de gestão pelo volume, qualidade inconsistente, variedade de tipos e alta velocidade de recebimento. No aprendizado de máquina, Big Data pode treinar modelos mais acurados que façam previsões melhores e tomem decisões mais sólidas. ⁴

Chatbot

Também assistente virtual. Software capaz de conversar com uma pessoa por texto ou voz, entendendo a entrada, identificando a intenção e respondendo de acordo. Chatbots simples entendem a entrada com base em palavras-chave pré-programadas, enquanto os inteligentes usam IA para compreender e se adaptar às solicitações. ⁵

Visão computacional

Subcampo da inteligência artificial e do aprendizado de máquina que busca ajudar computadores a reconhecer imagens e entender seu conteúdo como uma pessoa faria. Algumas áreas são classificação de imagens, geração de descrições e localização, detecção e segmentação de objetos. ⁶

Análise de dados

Campo que busca resumir, descrever e visualizar dados para entendê-los melhor e encontrar maneiras de abordar um problema. ⁷

Visualização de dados

Subcampo da análise de dados que envolve criar gráficos, diagramas e outros elementos visuais para compreender melhor os dados. ⁸

Conjunto de dados

Coleção de conjuntos de informações separados, mas relacionados, que um computador manipula como uma única unidade. ⁹

Aprendizado profundo

O aprendizado profundo se refere a um modelo de aprendizado de máquina com várias camadas de redes neurais. Essas camadas permitem lidar com altos níveis de complexidade e abstração. Por exemplo, um modelo treinado pode distinguir e classificar dados não rotulados e não estruturados, como uma coleção de milhões de fotos, vídeos, textos e gravações de áudio. ¹⁰

Detecção de rostos

Tipo de visão computacional voltado a encontrar rostos humanos em uma foto.

Reconhecimento facial

Tipo de visão computacional voltado não apenas a detectar um rosto humano, mas a identificar de quem ele é.

Falso negativo

Um falso negativo ocorre quando um modelo de aprendizado de máquina não prevê ou identifica algo que deveria encontrar. Por exemplo, em um modelo destinado a detectar câncer, um verdadeiro negativo ocorre quando ele indica que não há câncer e o paciente de fato não tem a doença. Já um falso negativo indica que não há câncer quando ele está presente. Falsos negativos e positivos podem ser usados para medir o desempenho de um algoritmo.

Falso positivo

Um falso positivo ocorre quando um modelo prevê algo que não acontece ou identifica algo que não está presente. Voltando ao exemplo do modelo que detecta câncer, um verdadeiro positivo indica que o paciente tem câncer quando ele de fato tem a doença. Um falso positivo indica que tem câncer quando não tem. Falsos positivos, junto com falsos negativos, podem ser usados para medir o desempenho do algoritmo.

Generalização

Capacidade de um modelo se adaptar adequadamente a novos dados extraídos da mesma distribuição usada para criá-lo. ¹¹

Reconhecimento de imagens

Subcampo da visão computacional que permite identificar pessoas, objetos, edifícios ou outras variáveis em uma foto.

Aprendizado de máquina (ML)

Campo da inteligência artificial que usa algoritmos para permitir que um computador tome decisões ou faça previsões a partir dos dados recebidos. Assim, ele pode “aprender” com os dados em vez de seguir instruções programadas.

Reconhecimento de entidades nomeadas (NER)

Tarefa de extração de dados que encontra e categoriza entidades nomeadas em um texto. Elas podem incluir nomes de pessoas, organizações, lugares e produtos, ou expressões numéricas de tempo e valor monetário. NER é uma aplicação do processamento de linguagem natural (NLP). ¹²

Processamento de linguagem natural (NLP)

Campo da inteligência artificial que permite aos computadores ler, entender e manipular a linguagem humana, tanto texto escrito quanto fala. Suas aplicações incluem filtros de e-mail, conversão de fala em texto, comandos de voz, traduções automáticas, reconhecimento de entidades nomeadas (NER) e análise de sentimentos. ¹³

Redes neurais

Conjunto de algoritmos de um modelo de aprendizado de máquina. Suas capacidades incluem classificar e rotular dados, por exemplo detectar e reconhecer rostos e vozes; encontrar semelhanças e anomalias, por exemplo comparar documentos ou detectar fraude; e fazer previsões, por exemplo sobre saúde humana, tendências de consumo ou outros assuntos. ¹⁴

Neurônio

Também nó. Unidade básica de uma rede neural. Um neurônio recebe uma entrada, faz cálculos com ela, produz uma saída e determina se o sinal deve continuar na rede. ¹⁵

Otimização

Também otimização matemática ou programação matemática. Ramo da matemática aplicada cujo objetivo é escolher a melhor opção. É essencial para muitos algoritmos de aprendizado de máquina, que buscam aproximar a solução ótima sem calculá-la. ¹⁶

Sobreajuste

No aprendizado de máquina, o sobreajuste ocorre quando o programa modela os dados de treinamento “bem demais”, ou seja, aprende as anomalias e as adquire como conceitos. Isso afeta negativamente sua acurácia e pode fazer com que identifique ou classifique dados incorretamente. ¹⁷

Precisão

Métrica que considera as previsões de verdadeiros positivos em relação ao total de previsões positivas, verdadeiras e falsas, de um modelo de aprendizado de máquina. Um modelo muito preciso tem poucos falsos positivos. ¹⁸

Python

Linguagem de programação amplamente usada no aprendizado de máquina. Para saber mais sobre por que ela é uma ótima linguagem para essa área, confira nosso artigo recente.

Sensibilidade (Recall)

A sensibilidade define a proporção de positivos reais identificados corretamente. É calculada dividindo os verdadeiros positivos pela soma de verdadeiros positivos e falsos negativos. ¹⁹

Aprendizado por reforço

No aprendizado de máquina, uma forma de treinar um algoritmo pela experiência, usando recompensas quando funciona bem e punições quando funciona mal. O algoritmo aprende tentando maximizar as recompensas e minimizar as punições. ²⁰

Análise de sentimentos

Também mineração de opiniões. Problema de processamento de linguagem natural (NLP) que busca entender atitudes e opiniões expressas por escrito ou na fala e transformá-las em dados estruturados. Tem aplicações práticas em atendimento ao cliente, marketing e relações públicas, e costuma analisar avaliações de produtos e conteúdo de redes sociais. ²¹

Reconhecimento da fala

Capacidade de um computador de entender a fala humana. As aplicações incluem comandos de voz e ditado por conversão de fala em texto. Não deve ser confundido com reconhecimento de voz, definido abaixo.

Aprendizado supervisionado

Processo mais comum de treinamento de um algoritmo de aprendizado de máquina. Durante esse processo, ele recebe dados de treinamento e suas previsões são corrigidas por um gabarito. Assim, pode aprender e depois ajustar e melhorar seu desempenho. ²²

Dados de treinamento

Dados que um computador recebe e que permitem criar um modelo de aprendizado de máquina. Por exemplo, para ensinar a reconhecer uma letra A manuscrita, ele precisa receber muitos exemplos de como uma A manuscrita se parece e exemplos de letras que não são A.

Subajuste

Ocorre quando um modelo de aprendizado de máquina tem desempenho ruim e não consegue modelar os dados de treinamento. A solução geralmente é experimentar diferentes algoritmos. ²³

Aprendizado não supervisionado

Processo de treinamento no qual os dados não são rotulados previamente, então não há gabarito. O objetivo não é produzir respostas corretas como no aprendizado supervisionado, mas descobrir formas de entender os dados encontrando associações ou agrupando-os. ²⁴

Reconhecimento de voz

Capacidade de um computador de identificar quem está falando com base no tom da voz e nos padrões da fala. Pode ser aplicado a várias áreas, incluindo sistemas de segurança e autenticação e investigações criminais. ²⁵