Principais conclusões
- A aprendizagem automática é um subconjunto da inteligência artificial (IA). Em suma, permite que os sistemas melhorem o seu desempenho ao aprenderem com as experiências e os dados.
- A Aprendizagem Automática (ML) consiste na criação de algoritmos que permitem às máquinas aprender com a experiência. A IA centra-se na construção de máquinas inteligentes, enquanto a ML é o motor que permite ensinar essas máquinas através dos dados.
- Malwarebytes a aprendizagem automática para detetar malware que nunca tenha sido observado em ambiente real, incluindo ameaças de dia zero.
- A deteção de anomalias baseada em ML consegue identificar comportamentos suspeitos através do reconhecimento de padrões que se desviam da norma.
- A aprendizagem profunda é uma das formas mais avançadas de aprendizagem automática, impulsionando novos desenvolvimentos em diversos setores, incluindo a cibersegurança.
O que é exatamente a aprendizagem automática (com exemplos)?
Então, o que é exatamente a aprendizagem automática (AM) e porque é tão importante? Bem, a aprendizagem automática é uma aplicação da IA e um ramo da ciência informática que permite que os sistemas aprendam com a experiência, os dados e os algoritmos de forma a aumentar a precisão. Curiosamente, os programadores não têm de programar explicitamente as máquinas para tirar partido do ML - os computadores podem aprender sozinhos sem a ação humana.
As tecnologias modernas, como os chatbots, os assistentes virtuais, o software antivírus proactivo, etc., dependem fortemente da aprendizagem automática. Por exemplo, os veículos autónomos utilizam vários algoritmos de aprendizagem automática baseados em modelos de aprendizagem supervisionados e não supervisionados para decidir quais as acções a tomar para conduzir tão bem ou melhor do que os humanos.
Do mesmo modo, a cibersegurança para empresas, como a Deteção e Resposta de Pontos Finais (EDR), pode utilizar a aprendizagem automática para detetar malware desconhecido e encontrar ameaças desconhecidas de "dia zero" através da identificação de padrões maliciosos. Esta é apenas a ponta do icebergue relativamente ao impacto que a aprendizagem automática terá na cibersegurança no futuro.
O ML e a IA também permitem a comunicação de máquinas sem intervenção humana. Estas aplicações máquina-a-máquina (M2M) podem ajudar os sistemas de gestão da cadeia de abastecimento ou do armazém a acompanhar e monitorizar eficazmente o inventário. Do mesmo modo, as aplicações M2M ajudam as empresas de energia a gerir o fornecimento com maior precisão, enviando dados de recolha de fontes de colheita de energia para computadores remotos para análise.
Quais são alguns dos métodos comuns de aprendizagem automática?
Aprendizagem automática supervisionada
A aprendizagem supervisionada ocorre quando conjuntos de dados rotulados treinam algoritmos sob a supervisão de um supervisor. Os dados supervisionados são mais comuns do que outros métodos de aprendizagem porque podem ser mais eficientes. Um exemplo deste tipo de ML é quando os algoritmos podem classificar o spam na sua caixa de correio eletrónico.
Aprendizagem automática não supervisionada
A aprendizagem não supervisionada ocorre quando um algoritmo trabalha com dados não rotulados sem supervisão. O algoritmo tem de determinar por si próprio como processar a informação. Os investigadores podem utilizar a aprendizagem não supervisionada para encontrar padrões e agrupamentos de dados em conjuntos de dados não rotulados sem intervir. Naturalmente, um analista de dados pode ainda ter de validar as recomendações da aprendizagem automática não supervisionada.
Aprendizagem automática semi-supervisionada
A aprendizagem semi-supervisionada estabelece um equilíbrio entre a aprendizagem supervisionada e a não supervisionada, treinando algoritmos com dados rotulados e não rotulados. Normalmente, o volume de dados rotulados é mais pequeno, enquanto o volume de dados não rotulados é muito maior. Uma aplicação da aprendizagem semi-supervisionada é num hospital, onde um radiologista rotula um pequeno número de exames para detetar doenças, para ajudar as máquinas a extrair com precisão informações relevantes de um volume maior.
Aprendizagem automática por reforço
A aprendizagem por reforço é semelhante à aprendizagem supervisionada, exceto que o algoritmo aprende através de tentativa e erro e de recompensas atrasadas em vez de dados de amostra. Por exemplo, um veículo autónomo pode aprender através de erros num ambiente de treino quais as decisões indesejáveis. Do mesmo modo, um sistema de cuidados de saúde pode utilizá-lo para determinar políticas óptimas a partir de experiências anteriores.