A Fortune Business Insights estima que a oportunidade de mercado potencial para a aprendizagem automática é de 26 mil milhões de dólares, com taxas de crescimento anual compostas de 36% até 2030.

O que é a aprendizagem automática? Um domínio da inteligência artificial que dá aos sistemas a capacidade de aprender e melhorar com a experiência sem serem explicitamente programados. 

Envolve computadores e programas que podem ser programados para funcionar com um mínimo de intervenção humana e, em alguns casos, podem aprender e/ou atualizar-se a si próprios.

Essencialmente, centra-se no desenvolvimento de algoritmos e modelos que permitem aos computadores processar grandes quantidades de dados, obter padrões a partir desses dados e, em seguida, tomar decisões ou fazer previsões com base nos mesmos.

Por outras palavras, este tipo de inteligência artificial permite que os computadores realizem tarefas específicas sem serem explicitamente programados para o fazer.

Assim, encontra relações entre variáveis e resultados, e descobre interacções entre múltiplas variáveis.

Aprendizagem automática 

Que valor anual potencial poderão gerar as aplicações de aprendizagem automática com computadores quânticos totalmente tolerantes a falhas? De acordo com as previsões do Boston Consulting Group, entre 150 e 220 mil milhões de dólares em todo o mundo para os utilizadores finais e fornecedores de tecnologia até 2050.

A aprendizagem automática tem três subdomínios principais: aprendizagem supervisionada, não supervisionada e por reforço. 

Supervisionada

Os dados rotulados são utilizados para aprender características preditivas importantes para uma variável de resposta. 

Nesta variante, os modelos são treinados utilizando dados rotulados, ou seja, dados que têm uma entrada e uma saída conhecidas. 

O modelo aprende a fazer previsões ou a tomar decisões com base em exemplos de treino. 

Um exemplo: prever o preço de uma casa com base nas suas características.

Não supervisionado 

Aqui não existem rótulos, mas as características observadas (ou características) das entidades são utilizadas para as agrupar em clusters. 

O objetivo é descobrir padrões ou estruturas subjacentes nos dados. 

Por exemplo, este método é utilizado em aplicações como a segmentação de clientes.

Aprendizagem por reforço

Na aprendizagem por reforço, os modelos aprendem a tomar decisões sequenciais interagindo com um ambiente e recebendo feedback sob a forma de recompensas ou castigos. 

Por exemplo, é utilizada em aplicações como jogos de estratégia e otimização de processos.