Tipos de Aprendizado em Machine Learning: E eu com isso?

Por Dr. Felipe Mesquita

Oncohematologista e Entusiasta de Inteligência Artificial e Pesquisa Clínica

Seguindo em nosso aprendizado sobre Machine Learning, vamos abordar hoje os tipos de Aprendizado de Máquina e como isso pode impactar a minha prática clínica. Em caso de dúvidas não hesite em nos contatar. Sem mais delongas, vamos lá.

Recapitulando: O que é Machine Learning?

Como abordado na nossa última coluna, o Aprendizado de Máquina ou Machine Learning (M.L.) consiste em uma subárea da Inteligência Artificial e tem como característica a criação de algoritmos adaptáveis, ou seja, com capacidade de aprenderem sozinhos sem que sejam explicitamente programados para isso. É uma tentativa de emular o processo de aprendizagem humano a partir do uso de modelos matemáticos analíticos, tendo como fonte de alimentação uma grande variedade de dados, das mais diversas fontes e estruturas. Para mais detalhes, acesse nossa última newsletter clicando aqui.

Tipos de Aprendizado em Machine Learning: Introdução a Big Data e Big Data Analytics

Estamos vivendo a era dos dados, disso não há dúvidas. A evolução das máquinas possibilitou o aumento do poder computacional e com ele o processamento de dados relacionados a textos, legendas, imagens, áudio (dados não-estruturados) assim como de dados tabulados, os chamados dados estruturados. Todas essas informações, coletadas a partir de smartphones, vestíveis (wearables como os smartwatches), computadores pessoais, pesquisas em sites na internet, possibilitou o surgimento do que ficou conhecido como Big Data. De maneira objetiva, podemos conceituá-lo em: grandes e complexos conjuntos de dados, das mais variadas fontes, que não podem ser processados por banco de dados ou aplicações de processamento tradicionais. De maneira análoga, Big Data Analytics consiste em uma série de técnicas utilizadas para análise de Big Data. 

Como Funciona um Algoritmo de M.L. ?

Abordaremos de maneira simples este tema devido ao grau de importância na compreensão das formas como eles aprendem e os vieses incutidos em cada modelo. De maneira geral, o responsável técnico pelo treinamento desses algoritmos, inicialmente, fornece os dados de entrada (também chamados de inputs), os quais serão processados pelo algoritmo e, a partir deles, será fornecido um outro dado de saída (chamado output). Esta última informação dependerá dos objetivos a serem alcançados pelos desenvolvedores do nosso algoritmo e tem íntima relação com a forma de aprendizado. Esses dados de saída podem assumir a forma de uma predição quanto ao prognóstico de um paciente ou sobre a classificação de uma imagem em tumor benigno ou maligno, por exemplo. 

Imagem retirada do site ResearchGate.net; todos os direitos reservados a Nicholas Gillian, autor da imagem

Tipos de Aprendizado em Machine Learning:

Após essa breve introdução, vamos a eles.

1. Aprendizado Supervisionado: Essa é a forma mais utilizada e mais simples de aprendizado de máquina. Aqui, pensaremos no nosso algoritmo como uma criança. Quando queremos ensinar a ela o que é um carro, por exemplo, não descrevemos: “Um carro consiste num veículo motorizado, que se locomove a partir de 4 rodas e pode ter duas ou quatro portas”. Simplesmente mostramos para ela várias figuras, imagens, objetos que remontem a um carro e, com o tempo, o cérebro infantil reconhece padrões que serão associados a um carro. Funciona da mesma forma. Fornecemos uma grande quantidade de dados ao algoritmo que remontem ao nosso desfecho desejado, podendo estar associado a imagem de uma pneumonia lobar ou estadiamento de uma doença oncológica. Dessa forma, além dos “inputs”, também fornecemos ao algoritmo já os “outputs”, ou resultados esperados e, após, avaliaremos seu desempenho quanto ao número de respostas corretas quando expostos a dados novos.

 

2. Aprendizado Não-Supervisionado: Lançamos mão desse tipo de aprendizado quando encaramos uma situação na qual não possuímos os resultados finais, ou dados de saída. Fornecemos as entradas para o algoritmo e este será responsável por detectar padrões semelhantes entre os dados fornecidos e classificá-los de acordo com suas semelhanças. Uma característica desse tipo de aprendizado é a formação de “clusters”(grupamentos). Por exemplo, a partir de uma amostra de pacientes com insuficiência cardíaca em um ambulatório, queremos separá-los em características semelhantes para otimização da agenda.

 

3. Aprendizado Semi-Supervisionado: De maneira simplificada, a partir da explicação dos dois acima, podemos entender o aprendizado semi-supervisionado como uma junção dos previamente expostos. Admitimos a análise a partir de alguns dados de saída já rotulados (chamados de “labels” no mundo da Tecnologia da Informação) e outros ainda misteriosos, necessitando da ajuda do algoritmo para formação dos clusters.

 

4. Aprendizado Por Reforço: Na forma de aprendizado por reforço, geralmente lidamos com um ambiente extremamente complexo e altamente incerto, com dados geralmente sendo analisados em tempo real. O algoritmo executa pequenas ações que são avaliadas em um padrão de “recompensa” e “punição”. Para cada atitude correta, o modelo é alimentado de maneira positiva; o oposto é verdadeiro. Exemplos: treinamento de carros autônomos ou de robôs cirurgiões.

Conclusão

Tratamos de abordar aqui tipos de aprendizado de simples algoritmos de M.L. que podem ser aplicados à prática clínica. Não conversamos sobre Redes Neurais ou Processamento de Linguagem Natural, temas mais complexos e que poderão ser abordados mais a frente. Discutiremos nas próximas colunas alguns conceitos quanto ao tratamento dos dados de entrada e de saída, quais funções são escolhidas normalmente durante o treinamento e como definimos um “Dataset”. Falaremos também sobre os possíveis vieses quando estamos lidando com esses algoritmos. 

Participe do Saúde Digital

Deixe-nos saber o que você achou deste artigo! Você tem alguma dica para dar para o Saúde Digital? Quer sugerir um tema? Sua participação é muito importante! Clique aqui para falar conosco.

Você pode falar também diretamente com o host Lorenzo Tomé pelo Instagram, Linkedln ou Telegram no @lorenzotome.

Conheça o SDConecta!Lá tem mais assuntos como este e uma comunidade de inovadores da saúde para conectar com você. Clique aqui para acessar!