A Aprendizagem de Máquina Tradicional Ainda é Relevante?

Nos últimos anos, a Inteligência Artificial Geradora mostrou resultados promissores na resolução de tarefas complexas de IA. Modelos de IA modernos como ChatGPT, Bard, LLaMA, DALL-E.3 e SAM demonstraram capacidades notáveis na resolução de problemas multidisciplinares, como resposta a perguntas visuais, segmentação, raciocínio e geração de conteúdo.

Além disso, técnicas de Inteligência Artificial Multimodal surgiram, capazes de processar várias modalidades de dados, ou seja, texto, imagens, áudio e vídeos simultaneamente. Com esses avanços, é natural se questionar: Estamos nos aproximando do fim da aprendizagem de máquina tradicional (ML)?

Neste artigo, vamos examinar o estado da paisagem de aprendizagem de máquina tradicional em relação às inovações da IA geradora moderna.

O que é Aprendizagem de Máquina Tradicional? – Quais são suas Limitações?

A aprendizagem de máquina tradicional é um termo amplo que abrange uma variedade de algoritmos impulsionados principalmente por estatística. Os dois principais tipos de algoritmos de ML tradicionais são supervisionados e não supervisionados. Esses algoritmos são projetados para desenvolver modelos a partir de conjuntos de dados estruturados.

Algoritmos de aprendizagem de máquina tradicionais padrão incluem:

• Algoritmos de regressão, como linear, lasso e ridge.
• Agrupamento K-means.
• Análise de Componentes Principais (PCA).
• Máquinas de Vetor de Suporte (SVM).
• Algoritmos baseados em árvores, como árvores de decisão e floresta aleatória.
• Modelos de impulso, como impulso de gradiente e XGBoost.

Limitações da Aprendizagem de Máquina Tradicional

A aprendizagem de máquina tradicional tem as seguintes limitações:

1. Escalabilidade Limitada: Esses modelos frequentemente precisam de ajuda para escalar com grandes e diversificados conjuntos de dados.
2. Pré-processamento de Dados e Engenharia de Recursos: A aprendizagem de máquina tradicional exige um pré-processamento extensivo para transformar conjuntos de dados de acordo com os requisitos do modelo. Além disso, a engenharia de recursos pode ser demorada e requer múltiplas iterações para capturar relações complexas entre recursos de dados.
3. Dados de Alta Dimensão e Não Estruturados: A aprendizagem de máquina tradicional luta com tipos de dados complexos, como imagens, áudio, vídeos e documentos.
4. Adaptação a Dados Não Vistos: Esses modelos podem não se adaptar bem a dados do mundo real que não faziam parte de seus conjuntos de treinamento.

Rede Neural: Movendo-se da Aprendizagem de Máquina para Aprendizado Profundo & Além

Modelos de rede neural (NN) são muito mais complexos do que os modelos de aprendizagem de máquina tradicionais. A rede neural mais simples – Multicamada Perceptron (MLP) – consiste em vários neurônios conectados para entender informações e realizar tarefas, semelhante ao funcionamento do cérebro humano.

Os avanços nas técnicas de rede neural formaram a base para a transição da aprendizagem de máquina para o aprendizado profundo. Por exemplo, NN usados para tarefas de visão computacional (detecção de objetos e segmentação de imagens) são chamados de redes neurais convolucionais (CNNs), como AlexNet, ResNet e YOLO.

Hoje, a tecnologia de IA geradora está levando as técnicas de rede neural um passo adiante, permitindo que ela se destaque em vários domínios de IA. Por exemplo, redes neurais usadas para tarefas de processamento de linguagem natural (como resumo de texto, resposta a perguntas e tradução) são conhecidas como transformers. Modelos de transformer proeminentes incluem BERT, GPT-4 e T5. Esses modelos estão criando um impacto em indústrias que variam desde saúde, varejo, marketing, finanças, etc.

Still Precisamos de Algoritmos de Aprendizagem de Máquina Tradicionais?

Embora as redes neurais e suas variantes modernas, como os transformers, tenham recebido muita atenção, os métodos de aprendizagem de máquina tradicionais permanecem cruciais. Vamos ver por quê.

1. Requisitos de Dados Simples

As redes neurais exigem grandes conjuntos de dados para treinamento, enquanto os modelos de ML podem alcançar resultados significativos com conjuntos de dados menores e mais simples. Portanto, a ML é favorável ao aprendizado profundo para conjuntos de dados menores e estruturados e vice-versa.

2. Simplicidade e Interpretabilidade

Os modelos de aprendizagem de máquina tradicionais são construídos em cima de modelos estatísticos e de probabilidade mais simples. Por exemplo, uma linha de ajuste em regressão linear estabelece a relação entre a entrada e a saída usando o método dos mínimos quadrados, uma operação estatística.

Da mesma forma, as árvores de decisão usam princípios probabilísticos para classificar dados. O uso desses princípios oferece interpretabilidade e facilita que os praticantes de IA entendam o funcionamento dos algoritmos de ML.

As arquiteturas de NN modernas, como os transformers e os modelos de difusão (normalmente usados para geração de imagens, como Stable Diffusion ou Midjourney), têm uma estrutura de rede complexa e multicamada. Entender essas redes exige um conhecimento de conceitos matemáticos avançados. É por isso que elas também são referidas como ‘Caixas Pretas’.

3. Eficiência de Recursos

As redes neurais modernas, como os Grandes Modelos de Linguagem (LLMs), são treinadas em clusters de GPUs caros de acordo com seus requisitos computacionais. Por exemplo, o GPT4 foi treinado em 25000 GPUs Nvidia por 90 a 100 dias.

No entanto, hardware caro e tempo de treinamento longo não são viáveis para todos os praticantes ou equipes de IA. Por outro lado, a eficiência computacional dos algoritmos de aprendizagem de máquina tradicionais permite que os praticantes alcancem resultados significativos mesmo com recursos limitados.

4. Nem Todos os Problemas Precisam de Aprendizado Profundo

O Aprendizado Profundo não é a solução absoluta para todos os problemas. Existem cenários em que a ML supera o aprendizado profundo.

Por exemplo, no diagnóstico e prognóstico médico com dados limitados, um algoritmo de ML para detecção de anomalias como REMED entrega melhores resultados do que o aprendizado profundo. Da mesma forma, a aprendizagem de máquina tradicional é significativa em cenários com baixa capacidade computacional como uma solução flexível e eficiente.

Primariamente, a seleção do melhor modelo para qualquer problema depende das necessidades da organização ou do praticante e da natureza do problema em questão.

Aprendizagem de Máquina em 2023

Imagem Gerada Usando Leonardo AI

Em 2023, a aprendizagem de máquina tradicional continua a evoluir e está competindo com o aprendizado profundo e a IA geradora. Ela tem vários usos na indústria, particularmente quando se lida com conjuntos de dados estruturados.

Por exemplo, muitas Empresas de Bens de Consumo Rápido (FMCG) lidam com grandes quantidades de dados tabulares, confiando em algoritmos de ML para tarefas críticas, como recomendações de produtos personalizados, otimização de preços, gerenciamento de estoque e otimização da cadeia de suprimentos.

Além disso, muitos modelos de visão e linguagem ainda são baseados em técnicas tradicionais, oferecendo soluções em abordagens híbridas e aplicações emergentes. Por exemplo, um estudo recente intitulado “Será que Realmente Precisamos de Modelos de Aprendizado Profundo para Previsão de Séries Temporais?” discutiu como as árvores de regressão de impulso de gradiente (GBRTs) são mais eficientes para previsão de séries temporais do que as redes neurais profundas.

A interpretabilidade da ML permanece altamente valiosa com técnicas como SHAP (Explicações Aditivas de Shapley) e LIME (Explicações Model-agnósticas Locais e Interpretáveis). Essas técnicas explicam modelos de ML complexos e fornecem insights sobre suas previsões, ajudando os praticantes de ML a entender melhor seus modelos.

Finalmente, a aprendizagem de máquina tradicional permanece como uma solução robusta para diversas indústrias, abordando escalabilidade, complexidade de dados e restrições de recursos. Esses algoritmos são insubstituíveis para análise de dados e modelagem preditiva e continuarão a fazer parte do arsenal de um cientista de dados.

Se tópicos como este o intrigam, explore Unite AI para obter mais insights.