Cada vez mais democrática e acessível, não é novidade que a inteligência artificial tem ganhado espaço no dia a dia das pessoas, mas a utilização de ferramentas como essa não é recente. Há anos o comércio eletrônico tem usufruído da tecnologia para ser assertivo em suas recomendações e vendas. A ascensão do uso de dados de navegação é conhecida como BigData e é feito com a tecnologia de “cookies” e “tracking”, onde o algoritmo extrai informações da utilização em sites e aplicativos do usuário.
Rouhiainen (2018) diz que a AI é a capacidade das máquinas de usar algoritmos para aprender com os dados e usar o que foi aprendido para tomar decisões como um ser humano faria. Sem a necessidade de descansos, as máquinas podem analisar grandes volumes de informações de uma só vez e com muito mais assertividade do que os humanos.
O aprendizado de máquina é baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana. Como a professora Gloria Phillips-Wren, Ph.D. da Loyola University Maryland, aponta no prefácio do livro “Machine Learning Paradigms” (Paradigmas do Aprendizado de Máquinas; TSIHRINTZIS et al., 2019), um dos primeiros artigos a utilizar o termo “machine learning”, foi o de Arthur Samuel, em 1959, intitulado “Some Studies in Machine Learning Using the Game of Checkers” (Alguns estudos no aprendizado de máquina usando jogo de damas), no qual ele conclui ser possível criar esquemas de aprendizado que superem as pessoas comuns e que podem ser aplicados a problemas da vida real.
A Árvore de Decisão Indutiva é um dos métodos de aprendizado simbólico mais amplamente utilizados e práticos para inferência indutiva. É um método para aproximar funções discretas robustas a dados com ruído e que permite o aprendizado de expressões disjuntas. É descrito um algoritmo extensamente estudado, o ID3, o qual dá preferência às árvores pequenas, evitando árvores grandes. Esta característica faz uma espécie de generalização sobre os exemplos de aprendizado.
Este método de aprendizagem está entre os mais populares algoritmos de inferência indutiva e foi aplicado amplamente nas mais diversas tarefas, como, por exemplo, diagnosticar casos médicos e avaliar o risco de crédito de candidatos a empréstimo.
É definida uma propriedade estatística chamada ganho de informação, que mede como um determinado atributo separa os exemplos de treinamento de acordo com a classificação deles. O ID3 usa o ganho de informação para selecionar, entre os candidatos, os atributos que serão utilizados a cada passo, enquanto constrói a árvore.
O ID3 é um algoritmo que constrói a árvore de forma descendente (“top -down”), a cada nodo seleciona -se o atributo que melhor classifica os exemplos de treinamento locais. Este processo continua perfeitamente até que a árvore classifique os exemplos de treinamento, ou até que todos os atributos sejam usados.
A implementação do algoritmo da árvore de decisão ID3 é feita junto a outros métodos de relacionamento de “data mining”, como classificação de Naïve Bayes e a média Bayesiana e Ensemble. A utilização do algoritmo de aprendizado de máquina ID3 está relacionada a serviços de recomendação utilizados serviços conhecidos, como:
- E-commerce: Amazon, Bestbuy, Aliexpress etc;
- Vídeo: Youtube, Netflix, AmazonPrime Video etc;
- Imagens: Instagram etc;
A sugestão da criação de um algoritmo combinado para recomendação, utilizando a classificação de preferências não é limitada aos exemplos acima.
Foi realizada pesquisa com pessoas de faixa etária variável entre 15 e 50 anos. Buscou-se saber a média estatística de quantidade de livros lidos nos últimos 12 meses, quanto tempo semanal era dedicado a leitura e qual a principal finalidade do tempo dedicado, sendo ele estudo, desenvolvimento pessoal ou por lazer. Na pesquisa identificou-se que mais de 50% das pessoas não têm o tempo quanto gostariam para dedicar-se a leitura, tornando assim, um período ainda mais valioso.
A utilização de um algoritmo de aprendizado de máquina combinando várias técnicas de filtragem e decisão é resolver o problema de leitores que não encontram livros que gostariam de ler, desenvolvendo um sistema que cruza dados dos usuários visando sugerir livros de interesse de cada utilizador do sistema.
Referências:
NOGUEIRA, Pablo: “Como o algoritmo da Netflix recomenda filmes e séries?” 27/05/2022. https://www.hardware.com.br/artigos/como-o-algoritmo-da-netflix-recomenda-filmes-e-series
ROUHIAINEN, Lasse. Artificial Intelligence: 101 Things You Must Know Today About Our Future.
TSIHRINTZIS, George A.; SOTIROPOULOS, Dionisios N.; e JAIN Lakhmi C. Machine Learning Paradigms. Suiça: Springer, 2019.
GUARDA, Álvaro. APRENDIZADO DE MÁQUINA: ÁRVORE DE DECISÃO INDUTIVA
RUIZ, Cinthia; e QUARESMA, Manuela: Inovação com dados: A experiência do usuário com sistemas baseados em inteligência artificial. https://www.revistas.udesc.br/index.php/hfd/article/download/18511/13739/81436