IA, inteligência artificial, é sistema único ou coleção de sistemas computacionais capaz de processar informações e executar tarefas normalmente feitas por humanos, podendo ter formas simples de inteligência, como reconhecer fala ou analisar padrões visuais em imagens ou ser mais complexo, como aprender com erros do passado e resolver problemas. O significado de inteligência artificial passa pela observação na natureza que convence algo que tem inteligência, tão simples quanto um rato de laboratório aprender o caminho correto no labirinto representando modo simples de inteligência, sendo que existem 4 tipos de IA envolvendo memória e aprendizado, semelhantes à inteligência humana. Alan Turing em1950, em as "máquinas pensantes" escreveu como reconhecíveis usando razão para resolver quebra-cabeças e, na década de 1950, John McCarthy avaliou que computadores iam "fazer coisas que, quando feitas por pessoas, falam em envolver inteligência".
Existem 3 características usadas para identificar máquina ou computador como tendo "inteligência artificial", ou, usar entradas como sensores ou dados para analisar informações processando grandes quantidades de dados para identificar padrões, tendências ou correlações e, por fim, adaptar as decisões e ações com base em aprendizados derivados de insumos e dados, deste modo, a inteligência artificial ajuda humanos a aprender e se adaptar em vidas diárias. O Machine Learning, ML, parte de 2 elementos, ou, um algoritmo e um conjunto de dados, com o algoritmo instruindo o modelo ML sobre o que fazer, analisar imagens, detectar padrões, fazer previsões, com conjunto de dados podendo ou não ser classificado ou rotulado para auxiliar o algoritmo que processa os dados para produzir uma saída. Daí, quanto mais dados o algoritmo processa, mais preciso ele se torna e, normalmente, o modelo faz melhorias com base na lógica integrada, embora os humanos possam atualizar o algoritmo ou fazer alterações para melhorar a qualidade da saída, aí, o significado significado "aprender". O humanos aprendem conceitos ou habilidades básicas e melhoram via repetição e extrapolação, sendo que esse também é o objetivo do ML, em programas de computador tradicionais projetados para executar determinada função, relativamente limitadas, só podendo mudar quando um programador as altera, com ML, o modelo é projetado para mudar com base na experiência com mais dados e tarefas. Quando um algoritmo de detecção de imagem analisa fotos contendo uma pessoa com cabelo ruivo, na 1ª vez que o modelo for usado sua saída será menos precisa que na 2ª vez, e a 3ª vez será mais precisa, essa melhoria acontece porque o modelo desenvolve técnicas para distinguir um humano de uma árvore ou uma vaca e distinguir cabelos ruivos de cabelos loiros. Há subtipos dentro de cada categoria, os 4 tipos principais de aprendizado de máquina são ML supervisionado: usando dados rotulados e estruturados e a intervenção mais humana para encontrar padrões que o criador do modelo procura, melhor usado à tarefas simples e automatizadas, com regras definidas e compreendidas onde há muitos dados disponíveis. Outro tipo de ML é o não supervisionado ao contrário supervisionado, nenhum dado rotulado ou estruturado está disponível, o modelo detecta padrões e tira conclusões com base nos dados incluindo coisas que o criador procura, usado para detectar padrões e classificar como agrupar clientes com base no comportamento e, em seguida, executar ações com base nesses padrões. Outro tipo de ML é o semi-supervisionado que combina os 2 tipos acima treinando o modelo com dados rotulados e fazendo com que processe dados não rotulados, o semi-supervisionado é útil quando não há dados rotulados suficientes ou quando sua geração impraticável. Por fim, o reforço ou tipo de ML baseado em recompensas ou feedback positivo, melhor usado para sistemas onde facilmente define respostas certas/erradas e onde há melhor ação em um dado, sendo que os modelos de ML que jogam jogos como xadrez são modelos de reforço.
Moral da Nota: aplicativos de aprendizado de máquina incluem usos comuns através de algoritmos de recomendação em que os recursos de detecção e categorização de padrões dos modelos de ML estão no centro dos algoritmos que recomendam conteúdo ou produtos, reconhecimento de fala usando ML para software de conversão de texto em fala e aplicativos de processamento de linguagem natural, outra utilização é o Chatbot usado para vendas e atendimento ao cliente especialmente aqueles que são árvores de decisão simples em ML, há ainda, a visão computacional dando aos computadores capacidade de "ver" e entender imagens complexas quanto veículos autônomos ou simples quanto analisar fotos dependendo do aprendizado de máquina e na detecção de Fraude e Anti-Spam buscando padrões que auxilia empresas de serviços financeiros sinalizar transações potencialmente fraudulentas permitindo que a conta de e-mail remova o spam de sua caixa de entrada. Machine Learning é tecnologia comum que permite algoritmos analisar, categorizar e fazer previsões usando conjuntos de dados, sendo menos complexa e menos poderosa que tecnologias relacionadas. Projetada para ajudar computadores aprender de modo semelhante à maneira como o cérebro humano aprende usando conjuntos de dados e algoritmos, modelos, para analisar e categorizar dados ou fazer previsões e, quanto mais um modelo de aprendizado de máquina é usado, mais dados processa, melhor fica nas tarefas e os modelos podem melhorar por conta própria ou ser atualizados por humanos. Ao contrário de Deep Learning, o Machine Learning não usa redes neurais, embora relacionado a desenvolvimentos como IA não é tão avançado e poderoso quanto essas tecnologias, sendo que o aprendizado de máquina existe desde a década de 1960 e cada vez mais utilizado com cerca de 70% das empresas de serviços financeiros usando de alguma forma a ML.