Aprendizado não supervisionado é uma categoria de aprendizado de máquina na qual um modelo recebe dados sem saídas rotuladas e deve descobrir estrutura, padrões ou agrupamentos por conta própria, em vez de ser treinado para reproduzir uma resposta correta conhecida, como no aprendizado supervisionado. Como os métodos não supervisionados não exigem rótulos anotados por humanos, eles podem ser aplicados diretamente às vastas quantidades de dados brutos e não rotulados disponíveis no mundo, como textos não estruturados, imagens ou registros de transações, tornando a abordagem atraente sempre que a rotulagem é cara, lenta ou simplesmente impossível em escala.
Tarefas principais
A tarefa não supervisionada mais comum é o agrupamento (clustering), que agrupa pontos de dados semelhantes sem categorias predefinidas, usando algoritmos como k-means ou agrupamento hierárquico; um varejista pode agrupar clientes por comportamento de compra sem saber de antemão quais devem ser os segmentos resultantes. Técnicas de redução de dimensionalidade, incluindo análise de componentes principais e o autoencodificador, comprimem dados de alta dimensionalidade em um número menor de variáveis, preservando ao máximo sua estrutura subjacente, sendo frequentemente úteis para visualização ou como etapa de pré-processamento para outros modelos. A detecção de anomalias usa métodos não supervisionados para sinalizar pontos de dados que diferem substancialmente do grosso de um conjunto de dados, aplicada na detecção de fraudes e no monitoramento industrial. A estimativa de densidade e a modelagem generativa, exemplificadas pela rede adversária generativa e pelo modelo de difusão, aprendem a distribuição de probabilidade subjacente de um conjunto de dados bem o suficiente para gerar novas amostras realistas a partir dele.
História
Técnicas não supervisionadas, como agrupamento e análise de componentes principais, têm raízes na estatística que remontam a muito antes do aprendizado de máquina moderno, e abordagens neurais para aprendizado não supervisionado, incluindo os primeiros autoencodificadores e redes de Hopfield desenvolvidas por John Hopfield na década de 1980, antecedem a era do aprendizado profundo. Durante grande parte dos anos 2000 e início dos anos 2010, no entanto, o aprendizado supervisionado em grandes conjuntos de dados rotulados superou as abordagens não supervisionadas na maioria dos benchmarks práticos, e o aprendizado não supervisionado era visto principalmente como uma ferramenta para análise exploratória ou como uma etapa de pré-processamento, em vez de um caminho para resultados de ponta.
Relação com o aprendizado autossupervisionado
A distinção entre aprendizado não supervisionado e aprendizado autossupervisionado é uma fonte frequente de confusão. O aprendizado autossupervisionado às vezes é descrito como um subconjunto ou uma reformulação moderna do aprendizado não supervisionado: ambos trabalham com dados não rotulados, mas os métodos autossupervisionados constroem uma tarefa de predição explícita e gerada automaticamente a partir dos próprios dados, como prever uma palavra mascarada ou o próximo token em uma sequência, o que lhes confere um sinal de treinamento claro, semelhante em mecânica ao aprendizado supervisionado, mesmo que nenhum humano tenha rotulado os dados. Essa distinção é importante porque o pré-treinamento autossupervisionado, e não o aprendizado não supervisionado clássico no sentido de agrupamento ou redução de dimensionalidade, é o que impulsiona o treinamento dos modernos modelos de linguagem de grande porte e outros modelos de fundação.
Aplicações e importância
O aprendizado não supervisionado permanece amplamente utilizado para análise exploratória de dados, segmentação de clientes, modelagem de tópicos, pré-treinamento de sistemas de recomendação e como componente de pipelines de detecção de fraudes e anomalias. No aprendizado profundo especificamente, seu ramo generativo, as GANs e, posteriormente, os modelos de difusão, tornou-se a base dos modernos sistemas de texto para imagem e texto para vídeo, ao aprender a modelar e amostrar distribuições de dados complexas, como o espaço das imagens naturais.
Limitações
Como o aprendizado não supervisionado não possui uma resposta de referência (ground truth) para verificar, avaliar seus resultados é inerentemente mais difícil e mais subjetivo do que avaliar modelos supervisionados: um resultado de agrupamento não pode ser pontuado simplesmente como "correto" ou "incorreto" da mesma forma que uma predição de classificação, e diferentes algoritmos não supervisionados aplicados aos mesmos dados podem produzir agrupamentos significativamente diferentes e igualmente defensáveis. Essa ambiguidade é parte do motivo pelo qual os maiores sucessos recentes da área, particularmente na geração de linguagem e imagens, dependeram do paradigma mais estruturado do aprendizado autossupervisionado, em vez dos métodos clássicos de agrupamento e estimativa de densidade não supervisionados.