Supervised Learning: O que é aprendizado supervisionado

No aprendizado supervisionado (Supervised Learning), um modelo de IA é treinado com dados rotulados, com o objetivo de fazer previsões ou classificações para dados desconhecidos. Continue lendo para entender melhor o método.

Supervised Learning em resumo

No aprendizado de máquina (Machine Learning), o objetivo é que os computadores reconheçam padrões e aprendam regras. Em vez de apenas reagir à entrada de um usuário humano, máquinas devem ser capazes de tomar decisões de forma autônoma – com base nas regras que aprenderam. Assim, algoritmos podem aprender, por exemplo, a reconhecer corretamente spam ou entender o conteúdo de uma imagem. Para o aprendizado, os desenvolvedores utilizam diferentes métodos. O mais comum provavelmente é o Supervised Learning.

No Supervised Learning, desenvolvedores fornecem aos algoritmos um conjunto de dados já preparado como fonte de treinamento. O resultado já é, portanto, conhecido. A tarefa dos algoritmos é apenas reconhecer o padrão: por que essa informação pertence à categoria A e não à categoria B?

O aprendizado supervisionado é aplicado a algoritmos que precisam categorizar dados naturais (fotos, caligrafias, fala etc.). Além disso, problemas de regressão também costumam aplicar o método de aprendizado supervisionado, pois os algoritmos devem ser capazes de fazer previsões, como sobre variações de preços ou crescimento de clientes.

O Semi-supervised Learning mistura Supervised e Unsupervised Learning. Na abordagem, apenas uma parte do conjunto de dados é rotulada. O restante permanece sem categorização e deve ser atribuído pelos algoritmos de forma autônoma. Um exemplo pode ser encontrado no reconhecimento facial do Facebook: basta rotular algumas imagens com os nomes dos amigos e o algoritmo encontra as demais por conta própria.

Explicação e exemplo de aprendizado supervisionado

Vamos supor que queremos treinar algoritmos para distinguir imagens de gatos de imagens de cachorros. Os desenvolvedores preparariam um conjunto de dados muito grande, contendo imagens que já têm rótulos, ou seja, pertencem a uma categoria. Podemos imaginar três grupos diferentes: cachorro, gato, outros. O importante é que o conjunto de dados tenha uma grande variedade. Em termos simples: se você tiver apenas imagens de gatos pretos no seu conjunto de treinamento, o algoritmo vai achar que todos os gatos têm pelagem preta. O conjunto de dados deve refletir adequadamente a diversidade real de variações.

Durante o treinamento, o algoritmo recebe inicialmente os conteúdos (de forma desordenada), toma uma decisão por conta própria e depois compara à saída fornecida pelos desenvolvedores. O sistema verifica o próprio resultado com o correto e tira conclusões que afetam suas próximas avaliações durante o treinamento. O treinamento continua até que a máquina chegue o mais próximo possível dos resultados corretos.

Para exibir esse vídeo precisamos usar cookies de terceiros. Você pode acessar e mudar suas configurações de cookies here.

Vantagens e desvantagens do Supervised Learning

A escolha do método de aprendizado depende muito das tarefas que os algoritmos deverão realizar. Para problemas de categorização e regressão, o Supervised Learning é mais indicado do que outros métodos. De maneira geral, com o aprendizado supervisionado, é possível treinar algoritmos de forma que fiquem perfeitamente preparados para a aplicação desejada. Como o controle sobre o material de treinamento é total, basta ter dados suficientes e tempo para ajustar corretamente os algoritmos. A ênfase aqui é no Input: a coleta de dados precisa ser extensa. Como no Supervised Learning cada elemento precisa ser rotulado, há um esforço considerável por parte dos desenvolvedores.

Embora o esforço seja relativamente alto, também é possível entender facilmente o que está acontecendo. Enquanto no Unsupervised Learning muitos aspectos ficam obscuros, já que os algoritmos operam sem instruções claras, no Supervised Learning o que a máquina faz está bem definido. No entanto, isso também pode ser uma desvantagem: os algoritmos treinados operam dentro das restrições impostas, o que limita a possibilidade de soluções criativas.

Supervised Learning vs. Unsupervised Learning vs. Semi-supervised Learning

Além de Supervised Learning, existem também Unsupervised Learning (aprendizado não supervisionado) e Semi-supervised Learning (aprendizado semissupervisionado). A seguir, apresentaremos as diferenças entre esses três métodos.

Supervised Learning vs. Unsupervised Learning

Enquanto o Supervised Learning utiliza conjuntos de dados em que tanto as entradas quanto as saídas associadas são conhecidas, no Unsupervised Learning apenas as entradas são conhecidas. O Unsupervised Learning, portanto, busca descobrir padrões ou estruturas desconhecidas nos dados. Esse tipo de aprendizado também é adequado para outras tarefas, como Clustering (agrupamento de pontos de dados sem classificá-los em categorias).

Como as saídas do conjunto de treinamento não são rotuladas no Unsupervised Learning, o esforço necessário para os desenvolvedores é bem menor do que no Supervised Learning. No entanto, o processo de treinamento e o resultado final são muito mais difíceis de interpretar. Assim, fica mais complicado avaliar o desempenho e a precisão dos modelos treinados.

Supervised Learning vs. Semi-supervised Learning

Uma grande desvantagem do Supervised Learning é o grande tempo necessário para que os desenvolvedores rotulem os dados. O Semi-supervised Learning usa tanto dados rotulados quanto não rotulados para tentar minimizar essa desvantagem. Nesse caso, o modelo aprende inicialmente com os dados rotulados e se aprimora utilizando os dados não rotulados, identificando por conta própria padrões e estruturas nos dados não rotulados.

A principal vantagem do Semi-supervised Learning está na eficiência, pois menos dados precisam ser rotulados, enquanto o método ainda pode apresentar uma precisão relativamente alta. O Semi-supervised Learning pode ser usado para problemas de classificação semelhantes ao Supervised Learning, mas busca otimizar o esforço de treinamento. No entanto, a complexidade da construção do modelo e o equilíbrio entre dados rotulados e não rotulados pode ser um desafio.

Outros métodos de aprendizado de máquina

Supervised, Unsupervised e Semi-supervised Learning não são os únicos métodos de aprendizado de máquina (Machine Learning) utilizados para treinar inteligências artificiais.

O Deep Learning é um método de aprendizado onde modelos já treinados aprendem com base em suas entradas e continuam se desenvolvendo. Esses modelos são baseados em redes neurais, que são inspiradas no cérebro humano.

Existe ainda o Reinforcement Learning, no qual um computador aprende, por tentativa e erro, tomar as melhores decisões. O objetivo é desenvolver uma estratégia (policy) que tome as melhores decisões para alcançar o melhor resultado a longo prazo. Um exemplo seria uma IA que aprende a jogar um videogame, recebendo feedback do ambiente de treinamento sobre cada decisão e desenvolvendo estratégias de jogo.