Boa parte das mensagens na Segunda Guerra Mundial eram transmitidas via rádio por Código Morse, inclusive aquelas mais secretas e que continham informações estratégicas de guerra, como por exemplo, o dia e local exato de um ataque. Tais mensagens tinham então de ser enviadas de forma criptografada para que somente os interessados, de posse da chave de descriptografia, pudessem compreendê-las. Assim, a mensagem ATACAR poderia ser enviada hoje como UAYHWO e, amanhã, como IUHWND, uma vez que a chave muda continuamente segundo a necessidade.

O matemático britânico Alan Turing foi um elemento fundamental na vitória dos Aliados sobre os alemães ao construir uma máquina que pôde decifrar as mensagens enviadas periodicamente por estes através da “Enigma”, a máquina de criptografia e descriptografia utilizada. O que a invenção de Turing fez foi automatizar a busca por padrões, outrora feita por humanos para encontrar a chave de descriptografia. Quando por humanos, o evento da mensagem insistia em ocorrer antes da sua decodificação, quando já era tarde demais. Quando pela invenção de Turing, se conseguia estar sempre um passo à frente do inimigo.

Acontece que somos naturalmente atraídos por padrões, por aquilo que é ordenado, organizado e que possui regra: isso logo nos chama a atenção. Já o oposto nos causa estranheza. Se elencarmos os números 1, 3, 5, 7, 9… você certamente saberá o próximo número, ou então, de 2, 4, 8, 16, 32, 64… também é fácil prever o que virá. Vamos tentar esta: 1, -2, 3, -4, 5… ou esta: 1, 1, 2, 3, 5, 8, 13, 21, 34… ou ainda: 2, 3, 5, 7, 11, 13, 17, 19, 23… e mais uma: 5, 4, 9, 8, 13, 12, 17… Somos realmente muito bons em detectar padrões, mas não somos tão bons em fazer contas simples do tipo 45478 * 9875 de forma rápida, ao passo que, se tivéssemos digitado isso em uma calculadora, em milésimos de segundos já teríamos a resposta.

O conhecimento matemático evoluiu, e hoje surgem termos elegantes como Inteligência Artificial, Machine Learning e Deep Learning, Artificial Neural Networks, Swarm Intelligence, Genetic Algorithm entre outros, mas o real significado por trás dessas buzzwords do momento é que estamos mixando inteligência humana e poder de processamento computacional na busca pelos padrões e suas regras. Falar que a máquina “aprendeu” algo é na verdade um pouco poético, pois teríamos então também de dizer que a máquina “aprendeu” a resolver contas do tipo 45478 * 9875, pelo que na verdade existe um algoritmo simples por trás. A sacada genial relacionada ao Machine Learning reside em criar algoritmos inspirados na biologia e (ou) natureza para resolver problemas complexos computacionalmente, através da manipulação de dados. Como exemplos desses algoritmos, temos:

Artificial Neural Networks é um algoritmo inspirado nas redes neurais biológicas, uma vez que a forma com que aprendemos algo é fazendo conexões entre neurônios interligados por sinapses. Swarm intelligence é a então inteligência coletiva, como por exemplo, as abelhas que voam para encontrar o local ótimo de colheita de pólen, ou ainda, as formigas que delineiam o caminho mais econômico entre o formigueiro e o alimento. Genetic Algorithm é um modelo computacional inspirado na teoria da evolução das espécies de Charles Darwing, em que os indivíduos mais adaptáveis sobrevivem e os demais morrem.

Pois bem, quando se fala de Machine Learning, estamos falando daimplementação desses algoritmos que simulam (grosseiramente) a realidade, e com os quais pode ser possível buscar os padrões (caso existam) nos dados. Então, (Deep) Machine Learning nada mais é do que um modelo matemático, uma fórmula f(x) = y, que ganhou força graças à possibilidade de podermos processar imensos volumes de informações. Já Inteligência Artificial vem a ser o produto final que embala um ou vários Machine Learnings, ou seja, para se obter alguma inteligência artificial, como um simples robô que corta a grama e sabe a hora de voltar para se recarregar, teve-se que primeiramente aplicar algumas técnicas de Machine Learning.

Voltando então para os anos 40, certamente a invenção de Turing era o mais moderno de inteligência artificial, e para os tempos atuais, onde as válvulas deram espaço aos transístores, a inteligência artificial pode ir um pouquinho mais além, permitindo o reconhecimento de rostos e objetos, o voo sincronizado de drones, os veículos self-driven, a Rentcars.comrecomendar o carro ideal para você, etc… tudo isso por termos mais poder de processamento. Mas, no final das contas, poderíamos resumir numa equação:

Machine Learning = Matemática avançada + força bruta (processamento computacional) + alguns if-elses, o que é uma combinação explosiva para explicar muita coisa!

Quando Turing focou seus esforços em desenvolver um mecanismo para processar algoritmos lógicos que realizassem regras repetitivas de forma muito eficiente para a época, ou pelo menos muito mais eficiente que um humano pudesse fazê-lo, talvez nem sabia ele que estava dando o grande passo para ser anos mais tarde ser chamado de pai da computação e da inteligência artificial.

Nos dias atuais, o Machine Learning para o desenvolvimento de inteligências artificiais impacta fortemente a vida de todos e o que não faltam são exemplos atuais e interessantes de aplicações, como o reconhecimento de tumores em tomografias computadorizadas ou o uso de câmeras públicas para reconhecer pessoas desaparecidas ou foragidos procurados. Pelo visto, cada vez mais presenciamos a utilização frequente desse tipo de artifício, que deve revolucionar e tornar o dia a dia mais simples, fácil e efetivo para os mais diversos tipos de operações, devendo o homem aprimorar as correlações necessárias para otimizar o potencial da tecnologia, mas sempre usando-a com responsabilidade.

Fonte: Medium