De forma simples e direta, apresentamos as características que diferenciam e que aproximam AI, ML e DS e o básico que você precisa saber para compreender cada área.
Inteligência Artificial, Machine Learning e Data Science são termos que vivem sendo falados por aí, nos mesmos contextos e praticamente como sinônimos. Em linhas gerais, dá para entender o que as pessoas estão falando, mas é muito importante entender a diferença com mais clareza, porque elas fazem diferença na compreensão mais ampla desses trabalhos. Sócrates já dizia que o conhecimento começa na precisa definição dos termos. Então vamos a elas.
Inteligência Artificial
A Inteligência Artificial é uma área ampla dentro da Ciência da Computação que faz com que os computadores desenvolvam a capacidade de compreender e aprender, agindo de forma semelhante à inteligência humana. É como se um programa de computador tentasse imitar o cérebro e seu processo de aprendizagem para agir por conta própria, de forma independente.
Aqui, podemos entender “inteligência” como a capacidade de tomar a decisão certa com base em um conjunto de informações e uma variedade de ações possíveis. É também um conjunto de propriedades da mente, como capacidade de planejar, resolver problemas e raciocinar.
Os sistemas de IA possuem essa capacidade, em maior ou menor grau, dependendo da sofisticação com que são desenvolvidos. Em seguida abordaremos mais a fundo o seu funcionamento, mas antes precisamos abordar outro ponto importante.
Machine Learning
O conceito por trás de Machine Learning – ou Aprendizado de Máquina – é alimentar as máquinas com dados e permitir que aprendam por conta própria, sem qualquer intervenção humana no processo de aprendizagem.
Vamos a uma analogia: consideremos que você se inscreveu para fazer aulas de natação e será sua primeira vez em uma piscina. Você nunca nadou antes. No início seu desempenho seria ruim porque não tem ideia de como nadar, mas fica cada vez melhor à medida que observa o professor e os colegas, coleta mais informações e continua praticando.
A observação é apenas outra forma de coleta de dados. Assim como nós, humanos, aprendemos com nossas observações e experiências, as máquinas também são capazes de aprender por conta própria quando são alimentadas com uma boa quantidade de dados. Esse é o Aprendizado de Máquina, o processo de fazer com que as máquinas aprendam e melhorem com a experiência sem serem programadas.
Agora, antes de avançarmos, precisamos entender outro ponto fundamental.
Os algoritmos
Em uma definição simples, um algoritmo é um processo ou conjunto de regras a serem seguidas em cálculos ou outras operações de resolução de problemas, especialmente por um computador. É como uma sequência de instruções para realizar um cálculo ou resolver uma classe de problemas.
Um algoritmo de Aprendizado de Máquina especifica o que o computador deve fazer para que o sistema aprenda o processo necessário para encontrar nos dados o objetivo desejado. O algoritmo é programado para aprender e ter um melhor desempenho conforme é exposto a mais dados, por isso a parte do “aprendizado”. O programa muda a forma como processa os dados ao longo do tempo, da mesma forma que os humanos mudam a forma como processam os dados ao aprender.
AI x ML: qual a diferença?
Bem, você deve estar se perguntando o que há de tão diferente assim entre Machine Learning e Inteligência Artificial.
AI é uma tecnologia que tem como objetivo criar sistemas inteligentes que podem simular a inteligência humana. Em contraste, o aprendizado de máquina é uma dessas maneiras pelas quais os sistemas podem ser feitos para adquirir uma forma particular de inteligência humana.
Machine Learning é um subconjunto de IA. O objetivo é aprender com os dados e ser capaz de prever resultados quando novos dados forem apresentados ou apenas descobrir os padrões ocultos em dados não rotulados. Já IA tem o objetivo de simular a inteligência humana para resolver problemas complexos.
Apesar da diferença, esses termos são frequentemente usados de forma intercambiável. Portanto, é importante conhecer as principais diferenças. A IA geralmente emprega ML com seus outros subconjuntos, por exemplo, Processamento de Linguagem Natural (PNL) para resolver um problema como a classificação de texto.
A Ciência de Dados
A Ciência de Dados é um campo multidisciplinar focado na descoberta de insights acionáveis a partir de grandes conjuntos de dados. Podemos compreendê-la como uma intersecção entre estratégia, estatística e tecnologia.
Os cientistas de dados usam diferentes técnicas para obter respostas, incorporando ciência da computação, análises preditivas, estatísticas e aprendizado de máquina para analisar conjuntos de dados massivos para estabelecer soluções para problemas que ainda não foram pensadas.
O principal objetivo dos especialistas em Data Science é fazer perguntas e localizar possíveis caminhos de estudo, com menos preocupação com respostas específicas e mais ênfase na busca da pergunta certa a ser feita.
Para um entendimento maior, recomendamos este post em nosso blog.
O Machine Learning, em Data Science, é utilizada na etapa de Modelagem dos Dados. A figura abaixo mostra a relação entre Data Science, AI e Machine Learning, com ML sendo uma intersecção entre AI e Data Science.
Podemos ver que nem ML nem AI são um subconjunto da Data Science, e Data Science é um subconjunto de nenhum deles. A Ciência de Dados é muito mais do que apenas IA e ML. E também IA e o ML são muito mais do que Ciência de Dados.
Existem técnicas de ML usadas na Ciência de Dados para realizar tarefas específicas e resolver problemas específicos. E também existem conceitos de IA – que NÃO são técnicas de ML – empregados no campo da Ciência de Dados.
A mineração de texto, por exemplo (uma intersecção de IA e Data Science, mas não ML) é uma tecnologia de IA que usa processamento de linguagem natural para transformar o texto bruto (não estruturado) em documentos e bancos de dados em dados estruturados e adequados para análise ou para conduzir algoritmos de aprendizado de máquina.
