Categorias
Artigos

O que é aprendizado de máquina (de acordo com um Engenheiro Mecânico)

Eu acabei de ganhar um prêmio por um trabalho que apresentei sobre Aprendizado de Máquina (Machine Learning), então eu deveria ser um especialista no assunto. Eu não sou, mas vou introduzir aqui o que penso sobre o assunto, como tenho aprendido, e como tenho usado na minha vida de Professor de Engenharia Mecânica.

Vamos ser francos: Aprendizado de Máquina é um termo científico que foi sequestrado por estratégias de marketing (o que em si não é ruim, pois – surpresa – cientistas gostam de ganhar dinheiro) e perdeu muito do seu signficado (o que é ruim). Como assim, máquinas aprendem? Isso significa que os robôs vão dominar o mundo? Todas as profissões estão fadadas à extinção?


Como aprendemos? Basicamente, treinamos um conceito, um método ou abordagem e testamos nossa abordagem com algum valor dito verdadeiro – na vida acadêmica, o gabarito da lista de exercícios; na vida real, comparamos com documentos históricos ou dados experimentais. Se erramos, precisamos corrigir nosso método e repetir.

Vamos pegar um exemplo que está na minha cabeça por causa das minhas aulas: desempenho de combustíveis. Um litro de gasolina libera mais energia, chamada de poder calorífico, que um um litro de etanol – não à toa, ela é mais cara. Mas o que exatamente provoca essa diferença? É porque a gasolina tem uma cor e o etanol outro? A gasolina vem do petróleo e o etanol da cana-de-açúcar?

Observando a estrutura química, eu proponho um modelo, uma tentativa de representação da realidade: o etanol tem mais oxigênio dissolvido que a gasolina (e isso pode ser verificado experimentalmente), então eu digo que o poder calorífico diminui com a presença de oxigênio no combustível.

Como posso testar isso? Uma abordagem simples seria pegar uma série de combustíveis, e separar em dois grupos: os que tem oxigênio e os que não tem. Vou fazer experimentos e medir o poder calorífico. Para cada par de combustível, um oxigenado e o outro não, o combustível com oxigênio tem de ser mais fraco que o outro. Se isso for verdade, eu aprendi um fato sobre combustíveis. Se não, tenho de propor outro modelo.

Um computador não pode olhar uma série de dados sobre combustíveis e adivinhar que os combustíveis oxigenados são mais fracos que os não-oxigenados, mas ele pode sistematicamente investigar essa hipótese; um computador pode facilmente ler um banco de dados de composição de combustíveis e fazer os cálculos. Ele pode ser programado também para testar uma enormidade de número de modelos, comparando todas as propriedades conhecidas dos combustíveis até descobrir qual a mais relevante para o poder calorífico. Importantemente, você pode alimentar o modelo com mais e mais dados de combustíveis, e não precisa re-programar o computador; ele refaz os cálculos automaticamente.

A ideia original, porém, foi minha. Em último grau, aprendizado de máquina é o meu aprendizado.


Eu comecei a estudar esse assunto quando um colega o introduziu no nosso grupo de pesquisa, baseado nos cursos que ele estava fazendo na época. Uma ideia que começou como uma “brincadeira” virou um trabalho premiado (que em breve vai virar um artigo publicado em um periódico importante). Assim é a ciência.

Como isso me afeta? Eu não sou Cientista da Computação, nem mesmo Cientista de Dados; sou Professor de Engenharia Mecânica. Para o semestre 2021-2 que se aproxima, meu objetivo principal é aplicar os conceitos de Aprendizado de Máquina em problemas reais, importantes de Engenharia Mecânica.

Engenheiros Mecânicos (e mesmo de outras áreas; eu estou falando dessa por ser a de mais afinidade para mim) lidam com dados o tempo todo. Em particular, nós precisamos lidar com catálogos de equipamentos o tempo todo; o que nós podemos aprender com esses dados? Se eu tenho dois catálogos de compressores na minha frente, como posso extrair dos dois o conhecimento de qual vai resultar num sistema mais eficiente?

Outra fonte importante de dados: tabelas de propriedades termofísicas. Eu realmente preciso parar de resolver exercícios interpolando valores nessa tabela à mão, e pensar mais sobre modelos. Como exatamente a condutividade térmica da água varia com a temperatura? Ela cresce ou diminui? Linearmente ou não?

Vou tentar documentar aqui os meus desenvolvimentos nessa área. As leitoras e leitores trabalham com Aprendizado de Máquina, e/ou querem aprender mais sobre o assunto?

Categorias
Links

O contraste entre livros fáceis/difíceis e interessantes/entediantes

Austin Kleon traz uma fantástica citação de Jorge Luis Borges (tradução livre minha):

Acredito que a frase ‘leitura obrigatória’ é uma contradição em termos; a leitura não deveria ser obrigatória… Se um livro lhe entedia, abandone-o; não o leia apenas ele é famoso, não o leia porque é moderno, não leia um livro porque ele é velho… Se um livro é entediante a você, não leia; aquele livro não foi escrito para você. A leitura deveria ser uma forma de felicidade, e por isso eu aconselharia a todos os possíveis leitores do meu testamento — o qual eu não planejo escrever — eu os aconselharia a ler muito, e não ficarem intimidados por reputações de autores, a continuar a procurar por felicidade pessoal, satisfação pessoal. É a única maneira de ler.

Eu admitidamente tenho um comportamento estranho com livros. Pessoas muito próximas de mim dizem que eu só leio sobre produtividade. Para tentar contra-balancear esta tendência, tento me concentrar em ler livros de ficção à noite e nos finais de semana, mas aí minha família é unânime em dizer que eu só leio livros “cabeça”. Para o leitor ter uma ideia, no momento estou lendo O Cristo Recrucificado, de Nikos Kazantzákis, que parece interessante, mas não posso dizer que vou para a cama ansioso por ler esse livro, como é quando eu leio algum livro d’As Crônicas de Gelo e Fogo.

Por influência de Como Ler Livros, cobro-me para ler livros ditos importantes para aprender alguma coisa, mesmo que eles sejam difíceis e/ou chatos. O próprio livro que citei acima foi achado em uma coleção de livros “clássicos” na casa de praia da família. Sempre que pego um livro assim para ler, esforço-me para conseguir ler até o final, porque afinal gente inteligente lê livros clássicos; mas quando desisto, sinto-me culpado. Se então leio algum livro mais fácil e mais interessante, acho que estou perdendo tempo.

Essa mentalidade do devemos ler livros famosos naturalmente tem sua importância, já que esses “grandes livros da humanidade” tem muito a ensinar. Porém, existe um detalhe escondido, abordado por Cal Newport em seu excelente Deep Work: aprender algo extremamente difícil pode ser extremamente prazeroso. Como um exemplo atual, estou lendo uma tese de doutorado sobre projeto de ímas, que é uma das coisas mais desafiadores que já li — só que a cada dia, quando começo a trabalhar, estou ansioso para dominar essa tese e aprender mais. Também sempre tive prazer em ler as obras de José Saramago, com seus parágrafos que ocupam 5 páginas.

Borges identificou a palavra-chave: tédio. O livro pode ser difícil, mas não pode ser entediante. Aliás, mesmo livros fáceis, daqueles escritos para serem logo adaptados para o cinema, podem ser bastante entediantes. Sim, devemos procurar ler os grandes livros, mas “nem todos foram escritos para nós”. Devemos ler aqueles que sejam tão desafiadores que nos motivem a querer ler mais, como mostrei no parágrafo anterior. Existem milhões de livros com coisas a me ensinar; é só procurar, e às vezes eles estão nas prateleiras de best-sellers.

Categorias
Links

Mais razões para se registrar o que se aprendeu

Becky Kane, escrevendo para o blog do Todoist, defende o uso de um diário para se registrar o que se aprende:

A chave para aprender é parar de consumir informações de forma passiva e começar a se envolver ativamente com as ideias. Pense num estudante que anota exatamente o que o professor fala. Agora compare com um estudante que faz um resumo usando as próprias palavras e depois liga as informações aos conceitos que aprendeu antes. Quem você acha que aprenderá mais?

Ultimamente tenho me deparado com muitas ideias (confira o último post) explorando a relação entre aprendizado e produtividade, algo em que acho que posso melhorar.

Já escrevi alguns textos sobre o hábito de se manter o diário. Desde que parei de usar os dispositivos da Apple, parei de usar o app Day One, o que por consequência me fez parar de manter esse hábito. No Android, tenho experimentado o app Journey, que tem me agradado bastante; espero que todos esses textos de que falo aqui me animem a escrever mais.

Categorias
Links

O que eu aprendi em 2016

Um dos meus posts preferidos entre os recentes da Thais Godinho, que tem me inspirado nas últimas semanas a usar mais o diário para reflexões de final de ano (e pergunte à minha noiva, eu ando bastante reflexivo nesses dias). Esse texto também me faz traçar conexões com duas ideias:

  • Esse vídeo do CGP Grey em que ele dá a sua versão do segredo de uma vida bem-sucedida: incorporar revisões constantes e corrigir o que não está dando certo na sua vida
  • Um método de gestão que temos testado no nosso grupo de pesquisa, onde as nossas reuniões semanais e mensais são todas estruturadas em torno do que aprendemos em uma reunião e outra. A sua implementação tem tido alguns problemas, mas vamos passar por um treinamento formal em breve, depois do que pretendo escrever um pouco mais a respeito. O que eu posso atestar agora é que relatar o que se aprendeu tem tornado mais visível os avanços da nossa equipe.