Aprendizado online
Além dos tipos principais (supervisionado, não supervisionado, etc.), existem diferentes abordagens de como o ML processa dados. A primeira é o aprendizado online.
No aprendizado online, o sistema aprende em passos incrementais com dados individuais ou pequenos lotes de dados.
- Útil para dados que mudam rapidamente e o modelo precisa se adaptar
- Útil para grandes datasets com recursos de hardware limitados
- O modelo se atualiza continuamente à medida que novos dados chegam
O pipeline típico é: dados chegam → algoritmo aprende → solução é avaliada → se adequada, é implantada; se não, os resultados são analisados e a abordagem é ajustada.
Exemplos para fixar
Exemplo 1: Uma plataforma de notícias usa ML para recomendar artigos. Como as notícias mudam a cada minuto, o sistema usa aprendizado online — atualiza o modelo a cada clique do usuário, sem precisar retreinar do zero.
Exemplo 2: Um sistema de detecção de fraudes em cartão de crédito usa aprendizado online: a cada transação processada (fraudulenta ou legítima), o modelo se atualiza. Isso é essencial porque os padrões de fraude mudam constantemente — um modelo treinado uma única vez ficaria rapidamente desatualizado.
Exemplo 3: Se uma plataforma de streaming treinasse seu modelo de recomendação apenas uma vez por mês, ele não captaria tendências em tempo real (como um filme que viralizou ontem). Com aprendizado online, o modelo se adapta continuamente às mudanças de comportamento dos usuários.