Machine Learning é um conceito do ramo da ciência da computação que envolve inteligência artificial. Aqui, a máquina utiliza a experiência adquirida por dados de modo semelhante a como um humano aprende, isto é, utilizando esse aprendizado para realizar escolhas. Em outras palavras, o computador executa funções de coleta de dados, construindo experiência e fazendo escolhas com base nesse banco de dados.
Breve história do Machine Learning
O conceito de computadores existe desde o século XXI, com computadores a vapor que já realizavam cálculos, como o desenvolvido pelo matemático Charles Babbage em 1821. A partir daí, foram feitos diversos avanços ao longo dos anos, com computadores que ocupavam salas inteiras como o ENIAC (Figura 1).
Figura 1: Mulheres operando o computador Eletronic Numerical Integrator and Calculator (ENIAC). Fonte: Getty / historical
Os computadores mais modernos, modelos pessoais, como o “Acorn” da IBM, já eram bem populares na década de 80.
Figura 2: Computador da IBM, Acorn. Fonte: Sutori.
Os primeiros passos do machine learning foram dados em 1952, por Arthur Samuel, inicialmente com um programa de um jogo de dama, em que o computador melhorou suas jogadas a cada partida jogada, ao estudar os movimentos de estratégias vencedoras e executá-las nas próximas partidas. Assim, em 1962, o autoproclamado “rei da dama”, Robert Nealey, foi derrotado para o computador em uma partida. Nessa época, os computadores tiveram diversos avanços, como o “perceptron”, que foi a primeira rede neural para computadores e o algoritmo de vizinho mais próximo, que permite que os computadores reconheçam padrões mais simples.
Avançando alguns anos, em 2006, Geoffrey Hinton conferiu o termo “deep learning” a algoritmos que permitem que os computadores distingam objetos e textos em imagens e vídeos.
Em 2014, o Facebook desenvolveu o DeepFace, que se trata de um algoritmo capaz de reconhecer pessoas em fotos com um alto nível de precisão.
Em 2015, mais de 3000 pesquisadores em robótica, junto com nomes como Stephen Hawking, Elon Musk e Steve Wozniak, assinaram uma carta alertando sobre o uso de armas automáticas que selecionam alvos com machine learning.
Em 2017, começaram os testes com carros autônomos nos Estados Unidos. Esses carros utilizam conceitos do machine learning para detectar alvos e se manter na linha, evitando a colisão com esses alvos.
Como funciona um modelo de machine learning?
Coleta e preparação dos dados: O primeiro passo é coletar um conjunto de dados que seja representativo do problema que se quer resolver. Esses dados podem ser obtidos de várias fontes, como sensores, registros históricos ou interações com usuários. Em seguida, é necessário preparar os dados para que possam ser processados pelo modelo. Isso envolve a limpeza dos dados, a seleção das características relevantes e a divisão dos dados em conjuntos de treinamento e validação.
Escolha do algoritmo: Existem vários tipos de algoritmos de machine learning, cada um adequado para diferentes tipos de problemas e conjuntos de dados. A escolha do algoritmo certo depende das características do problema que se quer resolver e dos dados disponíveis. Alguns tipos de algoritmos são os de regressão, classificação e árvores de decisão.
Treinamento do modelo: O modelo é inicializado com pesos aleatórios e exposto ao conjunto de dados de treinamento. Durante o treinamento, o modelo ajusta seus pesos com base nos exemplos de entrada e saída fornecidos, na tentativa de minimizar a diferença entre a saída prevista e a saída real.
Validação do modelo: Após o treinamento, o modelo é testado em um conjunto de dados de validação que não foi usado no treinamento. A validação permite avaliar o desempenho do modelo em dados que ele nunca viu antes e fazer ajustes se necessário.
Uso do modelo: Finalmente, o modelo treinado pode ser usado para fazer previsões ou tomar decisões com base em novos dados.
Como o machine learning pode ser usado nas geociências?
Como o machine learning lida com dados, reconhecimento de dados e seleção de dados, diversas subáreas nas geociências podem fazer uso do machine learning, como por exemplo, o sensoriamento remoto (Figura 4), a geofísica e a geoquímica. Aplicados principalmente à prospecção, também são úteis na análise de vulnerabilidade à erosão ou áreas suscetíveis a queimadas.
Figura 4: Exemplo de uso de machine learning com sensoriamento remoto. Fonte: Siencedirect.
Algumas aplicações do machine learning nas geociências são:
Classificação de imagens de sensoriamento remoto: O sensoriamento remoto é uma técnica que permite a obtenção de imagens da superfície da Terra a partir de sensores instalados em satélites, aviões ou drones. Essas imagens podem ser utilizadas para a identificação de padrões e características da superfície terrestre, como vegetação, água, rochas, solos e construções. O machine learning pode ser utilizado para a classificação automática dessas imagens, permitindo a identificação e a contagem de objetos e características de interesse.
Previsão de terremotos e atividade vulcânica: A atividade sísmica e vulcânica é uma das principais preocupações das geociências, pois pode causar danos significativos às comunidades e infraestruturas locais. O machine learning pode ser utilizado para a análise de dados geofísicos e geológicos, como a deformação do solo, a variação do campo magnético e a atividade sísmica, permitindo a previsão de terremotos e erupções vulcânicas com maior precisão.
Modelagem de recursos naturais: A modelagem de recursos naturais, como petróleo, gás, água e minerais, é uma das aplicações mais antigas das geociências. O machine learning pode ser utilizado para a análise de dados geofísicos e geoquímicos, permitindo a identificação de reservatórios e a previsão da produção de recursos naturais com maior precisão.
Análise de riscos geológicos: A análise de riscos geológicos, como deslizamentos, enchentes e erosão costeira, é uma das principais aplicações das geociências na gestão de desastres naturais. O machine learning pode ser utilizado para a análise de dados geológicos, geofísicos e de sensoriamento remoto, permitindo a identificação de áreas de risco e a previsão de eventos geológicos com maior precisão.
Essas são apenas algumas das aplicações do machine learning nas geociências. Com a crescente disponibilidade de dados e a evolução constante das técnicas de machine learning, é possível esperar muito mais avanços e descobertas nessa área no futuro, o que certamente se tornará algo “obrigatório” no mercado de trabalho.
Bibliografia
David J. Lary, Amir H. Alavi, Amir H. Gandomi, Annette L. Walker, Machine learning in geosciences and remote sensing,Geoscience Frontiers, Volume 7, 2016, ISSN 1674-9871,
Jesper Sören Dramsch,Chapter One - 70 years of machine learning in geoscience in review,
Advances in Geophysics,Volume 61, 2020, https://doi.org/10.1016/bs.agph.2020.08.002
Exploring use cases of machine learning in the geosciences. Disponível em: https://towardsdatascience.com/exploring-use-cases-of-machine-learning-in-the-geosciences-b72ea7aafe2 Acesso em 4 jun 2023.
The History of Machine Learning. Disponível em: https://www.lightsondata.com Acesso em 4 jun 2023.