Machine learning (aprendizado de máquina) é a parte da inteligência artificial em que um programa aprende padrões a partir de exemplos, em vez de seguir regras escritas à mão. Com esses padrões ele faz previsões sobre casos novos: quanto demora uma entrega, se uma foto mostra um gato ou qual palavra vem depois numa frase.
Uma pergunta do app. Escolha uma resposta.
Como um modelo de linguagem aprendeu seus padrões?
Aprendeu padrões de exemplos, alguns escritos por pessoas. Não tem cada resposta programada.
Foi treinada com enormes quantidades de texto. Daí vêm os padrões que usa.
O treinamento ajusta o modelo. Consultar fontes ao responder é outro processo.
Imagine um app de delivery que quer dizer quanto tempo seu pedido vai demorar. Ninguém escreve uma regra para cada rua. Em vez disso, ele recebe, por exemplo, 50.000 pedidos antigos com a distância, o horário, se estava chovendo e quantos minutos cada um demorou de verdade. Durante o treinamento, o programa ajusta seus números internos até que as previsões cheguem perto desses tempos reais.
O resultado desse processo é um modelo. Quando chega um pedido novo, o modelo não procura um igual na lista: usa os padrões que aprendeu (mais longe e com chuva, mais minutos) para estimar um número.
Supervisionado: cada exemplo vem com a resposta certa. Fotos de abacates marcadas como "maduro" ou "verde", e o modelo aprende a diferenciar. Não supervisionado: os exemplos vêm sem resposta e o modelo procura grupos por conta própria, como um supermercado que descobre tipos de clientes pelo que compram. Por reforço: o programa testa ações e recebe um prêmio ou uma punição, como quem aprende um videogame partida após partida.
Os modelos de linguagem como o ChatGPT também são machine learning: foram treinados com muitíssimo texto aprendendo a prever o pedaço seguinte, e depois ajustados com exemplos e avaliações de pessoas.
Um modelo aprende padrões dos exemplos e os usa em casos novos; se esses casos não se parecem com os exemplos, pode errar. Se um reconhecedor de voz foi treinado principalmente com sotaques de uma região, costuma entender pior quem fala com outro sotaque. Se o modelo do delivery só viu pedidos de uma cidade plana e sem trânsito, vai errar numa cidade com ladeiras e engarrafamentos.
Outro problema clássico é decorar em vez de aprender: o modelo acerta quase tudo nos exemplos de treinamento e erra nos novos, como quem decora as respostas de uma prova antiga. Por isso sempre se testa com exemplos que o modelo nunca viu.
"Machine learning e inteligência artificial são a mesma coisa." Machine learning é uma parte da IA, hoje a mais usada. "Ele aprende com tudo o que eu digo." Muitos modelos ficam fixos depois do treinamento: não mudam enquanto você usa, a não ser que alguém os treine de novo. "Mais dados é sempre melhor." Mais dados ruins ou repetidos ensinam mais erros.