O objetivo do Machine Learning é desenvolver modelos para ensaios que ao serem expostos a novos dados, conseguem se adaptar de maneira independente.
A tecnologia de Machine Learning existe há várias décadas, possivelmente desde os anos 50, porém a viabilidade de seu uso em larga escala só foi possível graças ao avanço de novos equipamentos de hardware como processadores mais potentes, barateamento de módulos de memória e ao uso de GPU’s (processadores específicos para aplicações gráficas de alta performance), bem como do avanço substancial do chamado conceito de BIG DATA. Afinal de contas para se ter sucesso em vários modelos de ensaio de Machine Learning é preciso uma gigantesca quantidade de dados.
Esses dados, somados a cálculos anteriores e às vezes submetidos à repetição, produzem decisões e resultados confiáveis, os algoritmos são a base de tudo, e justamente devido a essa gigantesca massa de dados hoje disponíveis é que é possível garantir altas taxas de acurácia e precisão aos novos dados expostos a um determinado modelo de teste.
Existem dois métodos aplicados a esses modelos:
Supervisionado: A aprendizagem do algoritmo ocorre quando ele recebe dados que contém a resposta correta.
Não Supervisionado: Os dados não são rotulados e portanto os efeitos são imprevisíveis.
E é no método não supervisionado que a abordagem é mais complexa porque a própria máquina encontra os padrões desejáveis e vai se aprimorando conforme o uso, e isso é possível graças aos ensaios feitos anteriormente com o método supervisionado.
Lembremos que a massa de dados existente hoje (BIG DATA), torna impossível ao ser humano a análise e compreensão detalhada dessas informações, e aí torna-se imprescindível o uso do Machine Learning.
Tomemos como exemplo o WAZE
Quem usa o aplicativo fornece (anonimamente?) os dados sobre a velocidade e deslocamento na via. A partir dessas informações que foram colhidas, os usuários que trafegam no mesmo local recebem dados sobre o tráfego na região, recebendo também alternativas em caso de congestionamento.
Imaginem que um batalhão de profissionais não seria possível dar conta desse volume de dados e processar as informações em tempo real.
Metodologia: Machine Learning trabalha com estatísticas!
Os métodos mais usados são:
Regressão: Usado em algorítimos de aprendizagem supervisionada, sendo que o objetivo é conseguir prever os resultados de saída, usando mapeamento exclusivo das variáveis de entrada.
Classificação: Como o nome já diz, permite trabalhar com duas ou mais variáveis agrupando o resultado em duas ou mais categorias. Conhecido como dados binários (Sim ou Não, é ou não é, etc)
Cluster (agrupamento): O método de clustering ou agrupamento utiliza aprendizagem Não Supervisionada, através dele encontramos padrões por agrupamento de dados (agrupamento por similaridade)
Uso do Machine Learning:
Inspeção de Produtos: Identificando falhas em linha de produção, otimização da linha.
Segurança: Identificação de ocorrências em períodos e a prevenção da reincidência
Serviço de Atendimento ao Cliente: Vital para as empresas que tem foco no atendimento ao consumidor.
Finanças: Análise de crédito, investimentos etc.
Saúde: Através de Modelagem estatística própria, é possível prever com excelente margem de precisão onde poderá haver reincidência de doenças sazonais na população.
Varejo: Esse uso mais o da área de finanças estão entre os métodos que são usados há muito tempo e talvez os mais testados. Sua aplicação está diretamente ligada aos hábitos de consumo por exemplo, dentre outras.
Dentre outras inúmeras aplicabilidades.
Por Brasílio Duarte Cenário Assessoria
Imagem: Unsplash
