O Nobel de Física de 2024 foi concedido aos pesquisadores John Hopfield e Geoffrey Hinton, responsáveis por pesquisas que impulsionaram um novo campo de estudo chamado aprendizado de máquina (machine learning). Essas pesquisas abriram caminho para o desenvolvimento de tecnologias que fazem parte do cotidiano, como:
- diagnóstico médico por exames de imagem;
- detecção de fraudes bancárias;
- reconhecimento facial;
- seleção de músicas sugeridas no streaming.
Em vez de programar o computador para seguir uma lista de instruções pré-determinadas, o aprendizado de máquina permite, como o nome sugere, que as máquinas “aprendam” por conta própria. Na verdade, elas analisam grandes quantidades de dados, identificando padrões, e, a partir disso, conseguem tomar decisões diante de situações novas. Isso só é possível, claro, porque os computadores atuais são capazes de processar quantidades cada vez maiores de informação.
O aprendizado de máquina depende diretamente do fornecimento de dados. Quanto mais dados forem fornecidos ao sistema, mais precisos serão os resultados. Os dados podem vir das mais diferentes fontes, como sensores, câmeras, registros médicos, transações financeiras, histórico do streaming.
O sistema é, então, treinado para encontrar padrões semelhantes nesses dados. A partir daí, ele consegue fazer previsões ou tomar decisões baseadas em informações às quais não teve acesso antes.
“As redes neurais artificiais (que deram origem ao aprendizado de máquina) são usadas em pesquisa avançada na própria Física, em áreas diversas, como novos materiais e astrofísica”, afirmou Ellen Moons, chair do comitê do Nobel de Física. “Elas também já se tornaram parte da nossa vida cotidiana, por exemplo no reconhecimento facial e na tradução.”
Um dos mais importantes usos atuais do aprendizado de máquina é nos diagnósticos médicos. O sistema é alimentado com milhares de imagens médicas provenientes de exames como ressonância magnética e tomografia.
Ao se deparar com uma nova imagem, ele já consegue identificar padrões de doenças com precisão maior que a dos médicos. Por exemplo, no caso de um tumor, o sistema consegue diferenciar lesões benignas das malignas. Nos estudos genéticos, ele é usado para identificar padrões de mutações que podem estar associados a doenças hereditárias.
Leia também
Na astrofísica, a tecnologia é usada de forma semelhante à dos exames médicos. O sistema é alimentado com o maior número possível de imagens do céu. Por exemplo, de nebulosas, galáxias, estrelas. E consegue identificar padrões similares. Com isso, quando uma nova imagem surge, ele é capaz de detectar coisas que o olho humano não seria capaz de ver.
Outro uso importante é na detecção de fraudes bancárias. Bancos e empresas de cartões de crédito já usam a tecnologia para monitorar transações em tempo real e identificar padrões suspeitos. Quando uma transação fora do padrão ocorre, o sistema imediatamente sinaliza.
Na segurança, a tecnologia já é usada no reconhecimento facial. O sistema é alimentado com imagens de foragidos e consegue identificar um rosto na multidão a partir de determinados padrões faciais.
No caso dos streamings de música, o sistema passa a reconhecer padrões similares nas músicas que o usuário costuma escutar e, a partir daí, sugerir novas canções. O mesmo acontece nos streamings de filmes e séries.
“O prêmio Nobel de Física para aprendizado de máquina passa uma forte mensagem para a comunidade científica, visto que a maneira que fazemos Física e Ciência em geral está mudando”, afirmou James de Almeida, professor e pesquisador da Ilum Escola de Ciência, no Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). “As novas descobertas estão cada vez mais direcionadas para aprendizado de máquina, onde vastas quantidades de informação podem ser analisadas e padrões encontrados. É a ferramenta para o futuro.”
