O aprendizado de máquina tradicional ainda é relevante?

Nos últimos anos, a IA generativa mostrou resultados promissores na resolução de tarefas complexas de IA. Modelos modernos de IA como ChatGPT, Bardo, chamadas, DALL-E.3 e SAM demonstraram capacidades notáveis ​​na resolução de problemas multidisciplinares, como resposta visual a perguntas, segmentação, raciocínio e geração de conteúdo.

Além disso, IA multimodal surgiram técnicas capazes de processar múltiplas modalidades de dados, ou seja, texto, imagens, áudio e vídeos simultaneamente. Com esses avanços, é natural perguntar-se: estamos nos aproximando do fim do aprendizado de máquina tradicional (ML)?

Neste artigo, veremos o estado do cenário tradicional de aprendizado de máquina em relação às inovações modernas de IA generativa.

O que é aprendizado de máquina tradicional? – Quais são as suas limitações?

O aprendizado de máquina tradicional é um termo amplo que abrange uma ampla variedade de algoritmos orientados principalmente por estatísticas. Os dois principais tipos de algoritmos de ML tradicionais são supervisionado e não supervisionado. Esses algoritmos são projetados para desenvolver modelos a partir de conjuntos de dados estruturados.

Os algoritmos de aprendizado de máquina tradicionais padrão incluem:

• Algoritmos de regressão como linear, laço e cume.
• K-significa agrupamento.
• Análise de Componentes Principais (PCA).
• Máquinas de vetores de suporte (SVM).
• Algoritmos baseados em árvores, como árvores de decisão e florestas aleatórias.
• Modelos de reforço, como aumento de gradiente e XGBoostName.

Limitações do aprendizado de máquina tradicional

O ML tradicional tem as seguintes limitações:

1. Escalabilidade Limitada: Esses modelos geralmente precisam de ajuda para serem dimensionados com conjuntos de dados grandes e diversos.
2. Pré-processamento de dados e engenharia de recursos: O ML tradicional requer 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 relacionamentos complexos entre recursos de dados.
3. Dados de alta dimensão e não estruturados: O ML tradicional enfrenta tipos de dados complexos, como imagens, áudio, vídeos e documentos.
4. Adaptabilidade a dados invisíveis: Esses modelos podem não se adaptar bem aos dados do mundo real que não faziam parte de sua dados de treinamento.

Rede Neural: Passando do Aprendizado de Máquina para o Aprendizado Profundo e além

Os modelos de redes neurais (NN) são muito mais complicados do que os modelos tradicionais de aprendizado de máquina. O NN mais simples – Perceptron multicamadas (MLP) consiste em vários neurônios conectados entre si para compreender informações e realizar tarefas, semelhante ao funcionamento do cérebro humano.

Os avanços nas técnicas de redes neurais formaram a base para a transição de aprendizado de máquina para aprendizado profundo. Por exemplo, NN usados ​​para tarefas de visão computacional (detecção de objetos e segmentação de imagens) são chamados Redes neurais convolucionais (CNNs), como Alex Net, ResNet e YOLO.

Hoje, a tecnologia de IA generativa está levando as técnicas de redes neurais um passo adiante, permitindo-lhes se destacar em vários domínios de IA. Por exemplo, as redes neurais usadas para tarefas de processamento de linguagem natural (como resumo de texto, resposta a perguntas e tradução) são conhecidas como transformadores. Modelos de transformadores proeminentes incluem BERT, GPT-4 e T5. Esses modelos estão criando impacto em setores que vão desde saúde, varejo, marketing, financiar, etc.

Ainda precisamos de algoritmos tradicionais de aprendizado de máquina?

Embora as redes neurais e suas variantes modernas, como os transformadores, tenham recebido muita atenção, os métodos tradicionais de ML continuam cruciais. Vejamos por que eles ainda são relevantes.

1. Requisitos de dados mais 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. Assim, o ML é favorecido em relação ao aprendizado profundo para conjuntos de dados estruturados menores e vice-versa.

2. Simplicidade e Interpretabilidade

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

Da mesma forma, as árvores de decisão utilizam princípios probabilísticos para classificar dados. O uso de tais princípios oferece interpretabilidade e torna mais fácil para os profissionais de IA compreenderem o funcionamento dos algoritmos de ML.

Arquiteturas NN modernas, como modelos de transformadores e difusão (normalmente usados ​​para geração de imagens como Difusão Estável or Meio da jornada) têm uma estrutura de rede complexa de múltiplas camadas. A compreensão de tais redes requer uma compreensão de conceitos matemáticos avançados. É por isso que também são chamadas de 'Caixas Pretas'.

3. Eficiência de recursos

Redes neurais modernas, como Large Language Models (LLMs), são treinadas em clusters de GPUs caras de acordo com seus requisitos computacionais. Por exemplo, o GPT4 foi supostamente treinado em 25000 GPUs Nvidia por 90 a 100 dias.

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

4. Nem todos os problemas precisam de aprendizado profundo

Aprendizagem profunda não é a solução absoluta para todos os problemas. Existem certos cenários em que o ML supera o aprendizado profundo.

Por exemplo, em diagnóstico médico e prognóstico com dados limitados, um algoritmo de ML para detecção de anomalia como o REMED oferece melhores resultados do que o aprendizado profundo. Da mesma forma, o aprendizado de máquina tradicional é significativo em cenários com baixa capacidade computacional como solução flexível e eficiente.

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

Aprendizado de máquina em 2023

Imagem gerada usando Leonardo IA

Em 2023, o aprendizado de máquina tradicional continua a evoluir e compete com o aprendizado profundo e a IA generativa. Tem diversos usos na indústria, principalmente quando se trata de conjuntos de dados estruturados.

Por exemplo, muitos Bens de consumo de rápida movimentação (FMCG) as empresas lidam com grandes volumes de dados tabulares contando com algoritmos de ML para tarefas críticas, como recomendações personalizadas de produtos, otimização de preços, gerenciamento de estoque e otimização da cadeia de suprimentos.

Além disso, muitos modelos de visão e linguagem ainda se baseiam em técnicas tradicionais, oferecendo soluções em abordagens híbridas e aplicações emergentes. Por exemplo, um estudo recente intitulado “Precisamos realmente de modelos de aprendizado profundo para previsão de séries temporais?” discutiu como as árvores de regressão com aumento de gradiente (GBRTs) são mais eficientes para previsão de séries temporais do que redes neurais profundas.

A interpretabilidade do ML continua altamente valiosa com técnicas como FORMAR (Explicações do Aditivo Shapley) e LIME (Explicações independentes do modelo interpretável local). Essas técnicas explicam modelos complexos de ML e fornecem insights sobre suas previsões, ajudando assim os profissionais de ML a compreender ainda melhor seus modelos.

Por fim, o aprendizado de máquina tradicional continua sendo uma solução robusta para diversos setores que abordam escalabilidade, complexidade de dados e restrições de recursos. Esses algoritmos são insubstituíveis para análise de dados e modelagem preditiva e continuarão a fazer parte de um arsenal do cientista de dados.

Se tópicos como esse intrigam você, explore Unir IA para mais informações.