AI-901 na prática [1]: Fundamentos de IA e Machine Learning

O AI-901 testa seu entendimento dos conceitos de IA e como os serviços cognitivos da Microsoft os implementam. Este artigo cobre os fundamentos que sustentam todo o exame.

A hierarquia: IA → ML → Deep Learning

Inteligência Artificial, campo amplo de sistemas que simulam capacidades humanas de raciocínio, aprendizado e tomada de decisão.

Machine Learning, subconjunto de IA onde sistemas aprendem padrões a partir de dados, sem serem explicitamente programados para cada regra.

Deep Learning, subconjunto de ML que usa redes neurais com múltiplas camadas. Excelente para imagens, áudio e texto. Requer grandes volumes de dados e poder computacional.

Tipos de Machine Learning

Supervisionado, treinado com dados rotulados (entrada + resposta correta). Aprende a mapeamento entre entrada e saída.

• Classificação: email é spam ou não spam?
• Regressão: qual o preço desta casa?

Não supervisionado, treinado com dados sem rótulos. Descobre padrões e estruturas ocultas.

• Clustering: agrupar clientes por comportamento de compra
• Detecção de anomalias: transação financeira suspeita

Por reforço, aprende por tentativa e erro com sistema de recompensas. Usado em robótica e jogos.

Conceitos fundamentais de ML

Features (características), variáveis de entrada usadas para treinar o modelo. Ex: idade, renda, histórico de crédito para prever inadimplência.

Label (rótulo), a variável de saída que o modelo aprende a prever. Ex: inadimplente (sim/não).

Treinamento, processo de ajustar parâmetros do modelo para minimizar erros nas previsões.

Validação, avaliação do modelo em dados que não foram usados no treinamento.

Overfitting, modelo memoriza os dados de treino mas não generaliza para dados novos.

Avaliação de modelos

Para classificação:

• Acurácia: % de previsões corretas
• Precisão: dos previstos como positivos, quantos realmente são?
• Recall: dos reais positivos, quantos foram detectados?
• F1-Score: média harmônica entre precisão e recall

Para regressão:

• MAE (Mean Absolute Error): média dos erros absolutos
• RMSE (Root Mean Squared Error): raiz do erro quadrático médio

Azure Machine Learning

Plataforma gerenciada para todo o ciclo de vida de ML:

# Criar workspace do Azure ML
az ml workspace create \
  --name meu-workspace-ml \
  --resource-group meu-rg \
  --location brazilsouth

# Criar compute cluster para treinamento
az ml compute create \
  --name cpu-cluster \
  --type amlcompute \
  --min-instances 0 \
  --max-instances 4 \
  --size Standard_D2s_v3 \
  --workspace-name meu-workspace-ml \
  --resource-group meu-rg

Automated ML (AutoML), testa múltiplos algoritmos automaticamente e escolhe o melhor para o problema.

Designer, interface visual drag-and-drop para criar pipelines de ML sem código.

MLflow, rastreamento de experimentos, parâmetros e métricas integrado ao Azure ML.

IA Responsável

A Microsoft define 6 princípios de IA Responsável:

1. Equidade, sistemas de IA não devem discriminar grupos
2. Confiabilidade e segurança, comportamento previsível e seguro
3. Privacidade e segurança, proteção de dados pessoais
4. Inclusão, acessível a todos
5. Transparência, explicabilidade das decisões
6. Responsabilidade, humanos são responsáveis pelos sistemas de IA

O que cai no exame

• Hierarquia IA → ML → Deep Learning
• Tipos de ML (supervisionado, não supervisionado, por reforço) com exemplos
• Diferença entre classificação e regressão
• Overfitting e como evitá-lo (validação cruzada, mais dados)
• Os 6 princípios de IA Responsável