Tipos de aprendizagem

Na inteligência artificial (IA), os tipos de aprendizagem podem ser divididos em três principais categorias: aprendizagem supervisionada, aprendizagem não supervisionada e aprendizagem por reforço. Cada uma tem características distintas e são utilizados em diferentes tipos de problemas.

1. Aprendizagem Supervisionada

ou Supervised Learning (SL)

Na aprendizagem supervisionada, o algoritmo aprende a partir de um conjunto de dados rotulados, ver Figura 1. Ou seja, os dados são formados por pares de entrada e saída desejada. A entrada é, tipicamente, um vetor de números reais com as características medidas da amostra. A saída é um rótulo ou valor numérico. Em classificações, a saída normalmente é um número inteiro que referencia uma determinada classe. Em regressões, a saída normalmente é um número real que “copia” a provável saída de uma função. O objetivo é o modelo aprender a mapear as entradas para as saídas desejadas e, assim, conseguir fazer previsões sobre novos dados não vistos.

• Exemplos de Aplicações: Classificação de padrões, previsão de séries temporais, reconhecimento de fala, sistemas de recomendação.
• Técnicas Comuns: Regressão linear, redes neurais, máquinas de vetores de suporte (SVM), árvores de decisão, KNN, classificador de distância mínima.

2. Aprendizagem Não Supervisionada

ou Unsupervised learning (UL)

Nesta abordagem, o algoritmo trabalha com dados não rotulados, ver Figura 2. Ou seja, ele não tem acesso a saídas ou respostas corretas. O objetivo da aprendizagem não supervisionada é identificar padrões ou estruturas ocultas nos dados. Ela é útil em situações onde os dados são abundantes, mas não há rótulos. Muitas vezes é um tipo de aprendizagem utilizada para realizar redução de dimensionalidade dos dados e pode ser utilizada como uma etapa de pré-processamento dos dados para outros métodos.

• Exemplos de Aplicações: Agrupamento (clustering), redução de dimensionalidade, análise de dados.
• Técnicas Comuns: K-means, análise de componentes principais (PCA), redes neurais autoencoders, mapas auto-organizáveis, clustering hierárquico.

3. Aprendizagem por Reforço

ou Reinforcement learning (RL)

A aprendizagem por reforço é diferente dos dois tipos anteriores. Nesta, o algoritmo aprende por meio de interações com o ambiente, que pode ser real ou simulado. Ele toma ações e recebe feedback na forma de recompensas ou punições, com o objetivo de maximizar a recompensa acumulada ao longo do tempo. Esse tipo de aprendizagem é muito usada em problemas de tomada de decisão e controle.

• Exemplos de Aplicações: Jogos (como AlphaGo), robótica, sistemas de controle autônomo.
• Técnicas Comuns: Q-learning, aprendizado profundo por reforço (Deep Reinforcement Learning), aprendizado por políticas.

4. Aprendizagem Semi-supervisionada

ou Semi-supervised learning

É uma combinação dos métodos supervisionado e não supervisionado. Nesse tipo de aprendizagem, o algoritmo recebe um pequeno conjunto de dados rotulados e uma grande quantidade de dados não rotulados. Através de critérios de semelhança e distância os dados não rotulados são rotulados artificialmente a partir do pequeno conjunto de dados rotulados fornecidos inicialmente. Isso é útil quando rotular os dados é caro ou demorado.

É importante notar que a abreviação “SSL” pode ser utilizada tanto para se referir a “Semi-supervised learning” quanto a “Self-supervised learning” dependendo do contexto.

• Exemplos de Aplicações: Detecção de fraudes, reconhecimento de padrões em grandes volumes de dados com poucos rótulos.

5. Aprendizagem Auto-supervisionada

ou Self-supervised learning

No geral uma abordagem de aprendizagem não depende fortemente de um modelo específico. Por exemplo, aprendizagem supervisionada pode ser implementa com: redes neurais, KNN, SVM, árvores de decisão, etc. O mesmo pode ser dito em relação a aprendizagem não supervisionada, aprendizagem por reforço e a aprendizagem semi-supervisionada. Entretanto, isso não é verdade para a aprendizagem auto-supervisionada. A ideia geral para a aprendizagem auto-supervisionada é treinar uma rede neural com camadas mais profundas do tipo convolutiva em uma tarefa de reconhecimento de parte dos dados de entrada. Depois, utilizar a parte convolutiva desse rede como a base para uma nova rede em um outro problema. Por exemplo, você pode treinar uma rede neural com camadas iniciais convolutivas para reconhecer qual é a próxima palavra dado uma frase inicial. Após esse treinamento, a “base” convolutiva dessa rede pode ser transferida para uma outra rede para classificação de textos rotulados. A mesma ideia pode ser aplicada a imagens e texto. Entretanto, em virtualmente todas as abordagens de aprendizagem auto-supervisionada são utilizadas redes neurais convolutivas no processo. Por isso, muitos pesquisadores, na realidade, classificam a aprendizagem auto-supervisionada como um caso particular da abordagem semi-supervisionada. Essa abordagem auto-supervisionada é, por exemplo, amplamente utilizado em modelos de pré-treinamento para processamento de linguagem natural (PLN) e visão computacional.

• Exemplos de Aplicações: Modelos de linguagem (como o GPT), sistemas de reconhecimento de imagem.

Esses são os tipos mais comuns de aprendizagem em IA, cada um com suas vantagens e aplicações específicas. Dependendo do tipo de problema, é possível combinar diferentes abordagens para melhorar o desempenho dos modelos.

That’s all folks!