Ir para seção

O que é machine learning?

Copiar URL

Machine learning (aprendizado de máquina) é a técnica de treinamento de computadores para encontrar padrões, fazer previsões e aprender com a experiência sem que seja necessário programá-los explicitamente.

O machine learning (ML) é uma subcategoria da inteligência artificial (IA) que usa algoritmos para identificar padrões e fazer previsões dentro de um conjunto de dados. Esses dados podem ser números, textos ou até mesmo imagens. Em condições ideais, podemos usar o machine learning para nos ajudar a interpretar dados com mais rapidez e precisão do que conseguiríamos por conta própria.

A inteligência artificial ocorre quando conseguimos simular sinteticamente a inteligência humana em máquinas. No caso do machine learning, as máquinas são programadas para imitar funções cognitivas inerentes aos seres humanos, como percepção, aprendizado e solução problemas. 

Como é possível fazer uma máquina pensar como um ser humano? Treinamos a máquina para que ela crie seu próprio modelo preditivo. Ela usa esse modelo para analisar os dados e, por fim, se tornar uma máquina "que aprende". Para iniciar esse procedimento, é necessário alimentar o computador com dados e escolher um modelo de machine learning para ensinar a máquina a processá-los. 

O modelo de machine learning usa os dados para cumprir três funções:

  • Descrever o que aconteceu.
  • Prever o que acontecerá.
  • Sugerir o que fazer na sequência


O modelo de aprendizado para treinar a máquina deve ser escolhido de acordo com a complexidade da tarefa e dos resultados desejados. O machine learning (aprendizado de máquina) costuma ser classificado em três estilos: 

Aprendizado supervisionado: os modelos são treinados por meio de conjuntos de dados rotulados. Esse tipo de modelo é usado em tarefas como reconhecimento de imagens.

Aprendizado não supervisionado: os modelos analisam dados não rotulados em busca de semelhanças, padrões e tendências. Esse tipo de modelo é usado em tarefas como segmentação de clientes, sistemas de recomendação e exploração de dados em geral.

Aprendizado por reforço: os modelos são treinados usando um processo de tentativa e erro dentro de um sistema de recompensas pré-estabelecido. Esse estilo de aprendizado é usado em tarefas como treinar um computador para jogar um jogo em que as ações levam à vitória ou à derrota. 

Depois que o computador se familiariza com a maneira como você quer que os dados sejam interpretados (graças ao modelo de machine learning e ao treinamento dos dados), ele se torna capaz de fazer previsões e executar tarefas usando dados novos. A precisão das previsões aumenta à medida que o computador aprende com fluxos contínuos de dados. Assim, ele se torna capaz de realizar tarefas mais rápido e com menos erros do que um ser humano.

Podemos usar o machine learning e a inteligência artificial para melhorar a experiência de usuário, prever o comportamento de clientes, monitorar sistemas, detectar fraudes e até mesmo ajudar profissionais da saúde a identificar doenças graves. Muitos de nós se beneficiam e interagem com o aprendizado de máquina todos os dias. Alguns exemplos são:

  • Os algoritmos de recomendação no seu serviço de streaming favorito.
  • Os chatbots e os atendimentos ao cliente automatizados.
  • Os anúncios direcionados.
  • Cotações automatizadas de instituições financeiras.

A IA generativa, que capacita diversas ferramentas de IA, é possível graças ao deep learning, uma técnica de machine learning utilizada para analisar e interpretar grandes quantidades de dados. Os Large Language Models (LLM) são um subconjunto da IA generativa. Eles representam uma aplicação essencial do machine learning (aprendizado de máquina) ao demonstrar a capacidade de compreender e gerar linguagem humana em uma escala sem precedentes. 

O machine learning vem se tornando obrigatório para muitas empresas e já existem casos de uso transformadores nos setores de saúde, serviços financeiros, telecomunicações, governamental e outros.

A Red Hat se uniu à IBM parar criar o Ansible® Lightspeed com IBM watsonx Code Assistant, um serviço de IA generativa que ajuda os desenvolvedores a criar conteúdos do Ansible com mais eficiência.

Junto com o OpenShift Data Science, o Red Hat® OpenShift® AI oferece bases comuns para sua equipe criar e implantar aplicações de IA e modelos de machine learning (aprendizado de máquina) com transparência e controle. 

A plataforma Red Hat OpenShift Data Science pode treinar, realizar a engenharia de prompt, fine-tunning e oferecer modelos de IA para seu caso de uso exclusivo e usando seus próprios dados.

Para grandes implantações de IA, o Red Hat OpenShift oferece uma plataforma de aplicações escalável e adequada para cargas de trabalho de IA, incluindo acesso a aceleradores de hardware conhecidos.

A Red Hat vêm utilizando as soluções de inteligência artificial disponíveis no Red Hat OpenShift para aprimorar a eficácia de outros software open source. O primeiro projeto é a integração do Ansible Lightspeed com IBM watsonx Code Assistant. O Ansible Lightspeed ajuda os desenvolvedores a criar conteúdo do Ansible com mais eficiência. Ele lê textos em inglês inseridos pelo usuário e interage com modelos base do IBM watsonx, gerando recomendações de código para tarefas de automação que são usadas para criar playbooks do Ansible.

Além disso, as integrações de parceiros da Red Hat oferecem acesso a um ecossistema de ferramentas de IA confiáveis, projetadas para serem compatíveis com plataformas open source

Leitura recomendada

Artigo

O que são operadores do Red Hat OpenShift?

Red Hat OpenShift Operators automate the creation, configuration, and management of instances of Kubernetes-native applications.

Artigo

Por que escolher o Red Hat OpenShift Serverless?

Red Hat OpenShift Serverless amplia o poder do Kubernetes para que você implante e gerencie cargas de trabalho serverless.

Artigo

Por que escolher o Red Hat OpenShift Service Mesh?

O Red Hat OpenShift Service Mesh oferece uma maneira uniforme de conectar, gerenciar e observar aplicações baseadas em microsserviços.

Leia mais sobre o OpenShift

Soluções Red Hat

Uma plataforma de aplicações para empresas que oferece serviços testados para lançar aplicações na infraestrutura de sua escolha.

Solução de armazenamento definido por software que reserva um lugar permanente para os dados, enquanto containers são iniciados e encerrados entre ambientes diferentes.

Uma solução de segurança em containers nativa do Kubernetes para empresas que viabiliza a criação, implantação e execução segura de aplicações nativas em nuvem.

Um console individual, com políticas de segurança integradas, para controlar aplicações e clusters do Kubernetes.

Conteúdo adicional

CASO DE SUCESSO

BANCO GALICIA

Banco Galicia, da Argentina, integra novos clientes corporativos em minutos com sua plataforma de NLP inteligente.

 

 

CASO DE SUCESSO

KPMG

A KPMG melhora os resultados dos serviços estaduais ao cidadão por meio de uma moderna plataforma de integração de sistemas.

 

Datasheet

Red Hat OpenShift: tecnologia de container para a nuvem híbrida

O Red Hat® OpenShift® é uma plataforma empresarial de containers Kubernetes que ajuda organizações em todo o mundo a criar, implantar, executar, gerenciar e proteger aplicações inovadoras em nuvens híbridas.

Checklist

Quatro maneiras de melhorar o acesso à inovação

O Red Hat® OpenShift® facilita a criação de aplicações baseadas em container. Descubra quatro maneiras de melhorar as iniciativas de inovação usando o Red Hat OpenShift e softwares pré-aprovados.

Treinamentos Red Hat

Treinamento gratuito

Running Containers with Red Hat Technical Overview

Treinamento gratuito

Developing Cloud-Native Applications with Microservices Architectures

Treinamento gratuito

Containers, Kubernetes and Red Hat OpenShift Technical Overview