Os especialistas não têm qualquer dúvida de que estamos a assistir a um avanço sem precedentes na adoção de machine learning. A explicação parece simples: a tecnologia que antes era reservada a empresas de grande escala agora está acessível a todos, desde startups a pequenas e médias estruturas empresariais

A democratização do machine learning é em grande parte devida à disponibilidade de plataformas de cloud computing, como Google Cloud, AWS e Azure, que permitem às empresas implementar modelos de ML sem a necessidade de construir infraestruturas caras. Segundo o Gartner, 70% das organizações vão utilizar algum tipo de serviço de cloud para machine learning até o final de 2025.

Além disso, a evolução das ferramentas de AutoML, que automatizam a construção de modelos de ML, também está a contribuir para a industrialização desta tecnologia, com os especialistas a advogarem que AutoML está a democratizar o acesso ao ML, como é o caso de Pedro Domingos. O autor de "O Algoritmo Mestre" e professor de Ciência da Computação na Universidade de Washington sugere que o AutoML está a permitir que pessoas sem uma formação profunda em ciência de dados criem e implementem modelos de machine learning.

Benefícios e riscos

Um documento lançado pela McKinsey em 2022 enumera as razões pelas quais os líderes deveriam abraçar esta tendência. Entre os seus benefícios estava o facto de permitir a adoção acelerada de Inteligência Artificial. Sobretudo devido à redução de barreiras técnicas e requisitos para implementar IA. Por outro lado, a consultora defende como benefício a produtividade aprimorada para técnicos em todo o ciclo de vida do ML, assim como a mais fácil colaboração entre especialistas técnicos e não técnicos no desenvolvimento de modelos de machine learning.

O facto de permitir uma maior escalabilidade e interoperabilidade, aproveitando conjuntos de dados reutilizados maiores e mais ricos, e o custo reduzido através do desenvolvimento e implementação mais rápidos, processos padronizados e desempenho técnico aprimorado são outros dos fatores positivos. A par de uma segurança e privacidade aprimoradas, além de riscos reduzidos devido à maior padronização e automação de processos, transparência e robustez.

Junto com os benefícios, há obviamente riscos e, sobretudo, incertezas. A McKinsey fala na necessidade do investimento inicial e recursos para configuração, onde as organizações precisam de talentos e processos com conhecimento de ML para criarem recursos e acelerarem a curva de aprendizagem em toda a organização. Outro desafio é a dependência de fornecedores que lideram o desenvolvimento de tecnologias de ML para integração inicial e suporte contínuo. O facto de ser um mercado em rápido desenvolvimento, no qual os processos e a responsabilidade pela manutenção de soluções de ML foram mal definidos, é uma das incertezas sugerida pela McKinsey, assim como o aumento da regulamentação e conformidade, onde a legislação pode afetar o desenvolvimento de ML - por exemplo, políticas de governança de dados que afetam soluções de gestão de dados.

Por último, a consultora aborda a necessidade crescente de sistemas de ML responsáveis e confiáveis para abordar questões sobre ética, privacidade, equidade e justiça, explicabilidade, responsabilidade, segurança e governança.

Privacidade dos dados e ética da IA

A ascensão e industrialização do machine learning trouxeram consigo uma série de desafios éticos e de privacidade de dados. Na era do big data, a questão de como as empresas recolhem, armazenam, compartilham e usam dados tornou-se uma preocupação primordial. Com a privacidade dos dados e a ética da IA a serem questões prementes na era do machine learning, as empresas precisam de ser transparentes sobre como estão a usar os dados e garantir que os mesmos estão a ser utilizados de forma ética.

Aliás, os especialistas, de uma forma generalizada, parecem concordar que a privacidade dos dados é uma questão especialmente delicada quando se trata de ML, pois o poder dos algoritmos depende diretamente da quantidade e qualidade dos dados que têm à disposição. À medida que as empresas recolhem mais dados, aumenta a responsabilidade de protegê-los.

Um artigo publicado no blogue da Deloitte ressalta que a violação de dados é uma das principais preocupações das empresas ao implementar soluções de ML, sugerindo que as empresas precisam investir em segurança cibernética e adotar uma abordagem de privacidade por design para garantir a proteção dos dados.

Por outro lado, a ética da IA tornou-se um tópico de debate acalorado à medida que o ML se torna mais prevalente. Questões como viés algorítmico, transparência e responsabilidade estão no centro das discussões, havendo já exemplos de sistemas de ML que perpetuam preconceitos existentes, seja na contratação, no crédito ou na aplicação da lei.

Para combater isso, os especialistas sugerem que as empresas precisam implementar procedimentos rigorosos de auditoria e teste para os seus modelos de ML. A transparência também é crucial, o que significa que as empresas devem ser capazes de explicar como os seus modelos tomam decisões.

No entanto, a responsabilidade é talvez a questão mais complexa. Quem é responsável quando um algoritmo de ML causa danos? Uma pergunta que parece ainda não ter uma resposta definitiva.

Esses desafios são complicados, mas não intransponíveis. Com regulamentações adequadas, transparência, auditorias rigorosas e uma abordagem centrada no ser humano, a era da industrialização do machine learning pode ser conduzida de maneira ética e responsável, advoga a indústria.

Além disso, a falta de talentos qualificados em ML continua a ser um problema. Segundo um relatório do LinkedIn, a procura por especialistas em ML cresceu 74% ano após ano, mas a oferta de talentos não tem acompanhado essa mesmo procura.

No entanto, apesar desses desafios, a industrialização do machine learning parece estar a todo o vapor, sendo vários os experts a defenderem estarmos apenas a ver a ponta do iceberg. As possibilidades com o machine learning parecem, por isso, infinitas.


O que é e para que serve?

O machine learning é um tópico que tem ganho cada vez mais destaque nos últimos tempos. Segundo o Centro de Computação Gráfica, define-se como um tipo de inteligência artificial que permite que as aplicações de software sejam bastante precisas na previsão de resultados, mesmo sem serem expressamente programadas para isso.

A aprendizagem que dá nome à expressão "machine learning" consiste na execução de algoritmos que criam de modo automático modelos de representação de conhecimento com base num conjunto de dados. A ideia em que assenta esta aprendizagem é que devemos treinar as máquinas, dando-lhes acesso aos dados históricos, uma ou mais medidas de desempenho, e deixando o algoritmo "aprender", ou seja, ajustar de modo iterativo o modelo de representação de conhecimento de modo que este melhore o seu desempenho. Após este treino, o modelo tem um potencial para efetuar previsões de qualidade em situações futuras e que estejam relacionadas com padrões históricos. Esta estratégia pode mesmo ser usada para aceder à Internet e aprender de modo contínuo com a todos os dados que forem procurados.

"Na verdade, este é um método de análise de dados que está tão instituído no nosso dia-a-dia que praticamente não nos apercebemos da sua utilização, dada toda a nossa familiaridade com ele", refere o Centro de Computação Gráfica. Por exemplo, as recomendações da Amazon, as pesquisas da Web e as traduções automáticas do serviço Google são baseadas em algoritmos de machine learning. Com o machine learning os computadores facilitam a nossa vida, agindo de forma rápida e subtil, apesar de muitas das vezes exigirem um grande volume de dados (big data) e processamento na sua fase de treino.