Conteúdo[Esconder][Mostrar]
Agora podemos calcular a extensão do espaço e as minúcias das partículas subatômicas graças aos computadores.
Os computadores vencem os humanos quando se trata de contar e calcular, além de seguir processos lógicos de sim/não, graças aos elétrons que viajam à velocidade da luz por meio de seus circuitos.
No entanto, muitas vezes não os vemos como “inteligentes”, pois, no passado, os computadores não podiam realizar nada sem serem ensinados (programados) por humanos.
Aprendizado de máquina, incluindo aprendizado profundo e inteligência artificial, tornou-se um chavão nas manchetes científicas e tecnológicas.
O aprendizado de máquina parece ser onipresente, mas muitas pessoas que usam a palavra lutam para definir adequadamente o que é, o que faz e para que é melhor usado.
Este artigo procura esclarecer o aprendizado de máquina e, ao mesmo tempo, fornecer exemplos concretos do mundo real de como a tecnologia funciona para ilustrar por que ela é tão benéfica.
Em seguida, analisaremos as várias metodologias de aprendizado de máquina e veremos como elas estão sendo usadas para enfrentar os desafios de negócios.
Por fim, consultaremos nossa bola de cristal para algumas previsões rápidas sobre o futuro do aprendizado de máquina.
O que é a Aprendizagem de Máquinas?
O aprendizado de máquina é uma disciplina da ciência da computação que permite aos computadores inferir padrões de dados sem serem ensinados explicitamente quais são esses padrões.
Essas conclusões são frequentemente baseadas no uso de algoritmos para avaliar automaticamente as características estatísticas dos dados e no desenvolvimento de modelos matemáticos para descrever a relação entre vários valores.
Compare isso com a computação clássica, que é baseada em sistemas determinísticos, nos quais explicitamente damos ao computador um conjunto de regras a serem seguidas para que ele execute uma determinada tarefa.
Essa maneira de programar computadores é conhecida como programação baseada em regras. O aprendizado de máquina difere e supera a programação baseada em regras, pois pode deduzir essas regras por conta própria.
Suponha que você seja um gerente de banco que deseja determinar se um pedido de empréstimo vai falhar em seu empréstimo.
Em um método baseado em regras, o gerente do banco (ou outros especialistas) informaria expressamente ao computador que, se a pontuação de crédito do solicitante estiver abaixo de um determinado nível, o pedido deve ser rejeitado.
No entanto, um programa de aprendizado de máquina simplesmente analisaria dados anteriores sobre classificações de crédito de clientes e resultados de empréstimos e determinaria qual deve ser esse limite por conta própria.
A máquina aprende com os dados anteriores e cria suas próprias regras dessa maneira. Claro, isso é apenas uma cartilha sobre aprendizado de máquina; os modelos de aprendizado de máquina do mundo real são significativamente mais complicados do que um limite básico.
No entanto, é uma excelente demonstração do potencial do aprendizado de máquina.
Como é que um máquina aprender?
Para manter as coisas simples, as máquinas “aprendem” detectando padrões em dados comparáveis. Considere os dados como informações que você coleta do mundo exterior. Quanto mais dados uma máquina é alimentada, mais “inteligente” ela se torna.
No entanto, nem todos os dados são iguais. Suponha que você é um pirata com um propósito de vida para descobrir as riquezas enterradas na ilha. Você vai querer uma quantidade substancial de conhecimento para localizar o prêmio.
Esse conhecimento, como os dados, pode levá-lo no caminho certo ou errado.
Quanto maior a informação/dados adquiridos, menor é a ambiguidade e vice-versa. Como resultado, é fundamental considerar o tipo de dados com os quais você está alimentando sua máquina para aprender.
No entanto, uma vez que uma quantidade substancial de dados é fornecida, o computador pode fazer previsões. As máquinas podem antecipar o futuro desde que não se desvie muito do passado.
As máquinas “aprendem” analisando dados históricos para determinar o que provavelmente acontecerá.
Se os dados antigos se assemelharem aos novos dados, as coisas que você pode dizer sobre os dados anteriores provavelmente se aplicarão aos novos dados. É como se você estivesse olhando para trás para ver o futuro.
Quais são os tipos de aprendizado de máquina?
Algoritmos para aprendizado de máquina são frequentemente classificados em três tipos amplos (embora outros esquemas de classificação também sejam usados):
- Aprendizagem supervisionada
- Aprendizagem não supervisionada
- Aprendizagem de reforço
Aprendizagem supervisionada
O aprendizado de máquina supervisionado refere-se a técnicas nas quais o modelo de aprendizado de máquina recebe uma coleção de dados com rótulos explícitos para a quantidade de interesse (essa quantidade geralmente é chamada de resposta ou destino).
Para treinar modelos de IA, o aprendizado semisupervisionado emprega uma mistura de dados rotulados e não rotulados.
Se você estiver trabalhando com dados não rotulados, precisará realizar alguma rotulagem de dados.
Rotulagem é o processo de rotular amostras para auxiliar na treinando um aprendizado de máquina modelo. A rotulagem é feita principalmente por pessoas, o que pode ser caro e demorado. No entanto, existem técnicas para automatizar o processo de rotulagem.
A situação do pedido de empréstimo que discutimos antes é uma excelente ilustração do aprendizado supervisionado. Tínhamos dados históricos sobre as classificações de crédito dos ex-solicitantes de empréstimos (e talvez níveis de renda, idade e assim por diante), bem como rótulos específicos que nos diziam se a pessoa em questão havia ou não inadimplente em seu empréstimo.
Regressão e classificação são dois subconjuntos de técnicas de aprendizado supervisionado.
- Classificação – Faz uso de um algoritmo para categorizar os dados corretamente. Os filtros de spam são um exemplo. “Spam” pode ser uma categoria subjetiva – a linha entre as comunicações spam e não-spam é tênue – e o algoritmo do filtro de spam está constantemente se refinando dependendo do seu feedback (ou seja, e-mail que os humanos marcam como spam).
- Regressão – É útil para compreender a conexão entre variáveis dependentes e independentes. Os modelos de regressão podem prever valores numéricos com base em várias fontes de dados, como estimativas de receita de vendas para uma determinada empresa. Regressão linear, regressão logística e regressão polinomial são algumas técnicas de regressão proeminentes.
Aprendizagem não supervisionada
No aprendizado não supervisionado, recebemos dados não rotulados e estamos apenas procurando por padrões. Vamos fingir que você é a Amazon. Podemos encontrar algum cluster (grupos de consumidores semelhantes) com base no histórico de compras do cliente?
Mesmo que não tenhamos dados explícitos e conclusivos sobre as preferências de uma pessoa, neste caso, simplesmente saber que um conjunto específico de consumidores compra bens comparáveis nos permite fazer sugestões de compra com base no que outros indivíduos do cluster também compraram.
O carrossel “você também pode estar interessado” da Amazon é alimentado por tecnologias semelhantes.
O aprendizado não supervisionado pode agrupar dados por meio de agrupamento ou associação, dependendo do que você deseja agrupar.
- agrupamento – O aprendizado não supervisionado tenta superar esse desafio procurando padrões nos dados. Se houver um cluster ou grupo semelhante, o algoritmo os categorizará de uma determinada maneira. Tentar categorizar os clientes com base no histórico de compras anterior é um exemplo disso.
- Associação – A aprendizagem não supervisionada tenta enfrentar este desafio tentando compreender as regras e significados subjacentes a vários grupos. Um exemplo frequente de um problema de associação é determinar uma ligação entre as compras do cliente. As lojas podem se interessar em saber quais mercadorias foram compradas juntas e podem usar essas informações para organizar o posicionamento desses produtos para facilitar o acesso.
Aprendizagem por Reforço
O aprendizado por reforço é uma técnica para ensinar modelos de aprendizado de máquina para tomar uma série de decisões orientadas a objetivos em um ambiente interativo. Os casos de uso de jogos mencionados acima são excelentes ilustrações disso.
Você não precisa inserir AlphaZero milhares de jogos de xadrez anteriores, cada um com um movimento “bom” ou “ruim” rotulado. Simplesmente ensine as regras do jogo e o objetivo, e depois deixe-o experimentar atos aleatórios.
O reforço positivo é dado a atividades que aproximam o programa do objetivo (como desenvolver uma posição de peão sólida). Quando os atos têm o efeito oposto (como mudar prematuramente o rei), eles ganham reforço negativo.
O software pode dominar o jogo usando esse método.
Aprendizagem de reforço é amplamente usado em robótica para ensinar robôs para ações complicadas e difíceis de projetar. Às vezes, é utilizado em conjunto com a infraestrutura rodoviária, como sinais de trânsito, para melhorar o fluxo de tráfego.
O que pode ser feito com aprendizado de máquina?
O uso do aprendizado de máquina na sociedade e na indústria está resultando em avanços em uma ampla gama de empreendimentos humanos.
Em nossas vidas diárias, o aprendizado de máquina agora controla os algoritmos de pesquisa e imagem do Google, permitindo que correspondamos com mais precisão às informações de que precisamos quando precisamos.
Na medicina, por exemplo, o aprendizado de máquina está sendo aplicado a dados genéticos para ajudar os médicos a entender e prever como o câncer se espalha, permitindo o desenvolvimento de terapias mais eficazes.
Dados do espaço profundo estão sendo coletados aqui na Terra por meio de enormes radiotelescópios – e depois de analisados com aprendizado de máquina, estão nos ajudando a desvendar os mistérios dos buracos negros.
O aprendizado de máquina no varejo vincula os compradores a coisas que eles desejam comprar on-line e também ajuda os funcionários da loja a personalizar o serviço que prestam aos clientes no mundo físico.
O aprendizado de máquina é empregado na batalha contra o terror e o extremismo para antecipar o comportamento daqueles que desejam ferir os inocentes.
O processamento de linguagem natural (PLN) refere-se ao processo de permitir que os computadores entendam e se comuniquem conosco em linguagem humana por meio de aprendizado de máquina, e resultou em avanços na tecnologia de tradução, bem como nos dispositivos controlados por voz que usamos cada vez mais todos os dias, como Alexa, Google ponto, Siri e assistente do Google.
Sem dúvida, o aprendizado de máquina está demonstrando que é uma tecnologia transformacional.
Robôs capazes de trabalhar ao nosso lado e impulsionar nossa própria originalidade e imaginação com sua lógica impecável e velocidade sobre-humana não são mais uma fantasia de ficção científica – eles estão se tornando realidade em muitos setores.
Casos de uso de aprendizado de máquina
1. cibersegurança
À medida que as redes se tornaram mais complicadas, os especialistas em segurança cibernética trabalharam incansavelmente para se adaptar à gama cada vez maior de ameaças à segurança.
Combater o malware e as táticas de hackers em rápida evolução já é bastante desafiador, mas a proliferação de dispositivos da Internet das Coisas (IoT) transformou fundamentalmente o ambiente de segurança cibernética.
Os ataques podem ocorrer a qualquer momento e em qualquer lugar.
Felizmente, os algoritmos de aprendizado de máquina permitiram que as operações de segurança cibernética acompanhassem esses desenvolvimentos rápidos.
Análise preditiva permitem detecção e mitigação mais rápidas de ataques, enquanto o aprendizado de máquina pode analisar sua atividade dentro de uma rede para detectar anormalidades e fraquezas nos mecanismos de segurança existentes.
2. Automação do atendimento ao cliente
Gerenciar um número crescente de contatos de clientes on-line tem sobrecarregado muita organização.
Eles simplesmente não têm pessoal de atendimento ao cliente suficiente para lidar com o volume de consultas que estão recebendo, e a abordagem tradicional de terceirizar problemas para um contact center é simplesmente inaceitável para muitos dos clientes de hoje.
Os chatbots e outros sistemas automatizados agora podem atender a essas demandas graças aos avanços nas técnicas de aprendizado de máquina. As empresas podem liberar pessoal para realizar mais suporte ao cliente de alto nível automatizando atividades mundanas e de baixa prioridade.
Quando usado corretamente, o aprendizado de máquina nos negócios pode ajudar a agilizar a resolução de problemas e fornecer aos consumidores o tipo de suporte útil que os converte em campeões de marca comprometidos.
3. Comunicação
Evitar erros e equívocos é fundamental em qualquer tipo de comunicação, mas ainda mais nas comunicações empresariais de hoje.
Simples erros gramaticais, tom incorreto ou traduções errôneas podem causar uma série de dificuldades no contato por e-mail, avaliações de clientes, vídeo conferência, ou documentação baseada em texto de várias formas.
Os sistemas de aprendizado de máquina têm comunicação avançada muito além dos dias inebriantes do Clippy da Microsoft.
Esses exemplos de aprendizado de máquina ajudaram as pessoas a se comunicarem de forma simples e precisa usando processamento de linguagem natural, tradução de linguagem em tempo real e reconhecimento de fala.
Embora muitas pessoas não gostem dos recursos de autocorreção, elas também valorizam a proteção contra erros embaraçosos e tom impróprio.
4. Reconhecimento de Objetos
Embora a tecnologia para coletar e interpretar dados já exista há algum tempo, ensinar sistemas de computador a entender o que eles estão vendo provou ser uma tarefa enganosamente difícil.
Os recursos de reconhecimento de objetos estão sendo adicionados a um número crescente de dispositivos devido aos aplicativos de aprendizado de máquina.
Um automóvel autônomo, por exemplo, reconhece outro carro quando vê um, mesmo que os programadores não tenham dado um exemplo exato desse carro para usar como referência.
Essa tecnologia agora está sendo usada em empresas de varejo para ajudar a acelerar o processo de checkout. As câmeras identificam os produtos nos carrinhos dos consumidores e podem cobrar automaticamente de suas contas quando eles saem da loja.
5. Marketing Digital
Grande parte do marketing de hoje é feito online, usando uma variedade de plataformas digitais e programas de software.
À medida que as empresas coletam informações sobre seus consumidores e seus comportamentos de compra, as equipes de marketing podem usar essas informações para criar uma imagem detalhada de seu público-alvo e descobrir quais pessoas estão mais inclinadas a buscar seus produtos e serviços.
Os algoritmos de aprendizado de máquina ajudam os profissionais de marketing a entender todos esses dados, descobrindo padrões e atributos significativos que lhes permitem categorizar as possibilidades com precisão.
A mesma tecnologia permite grande automação de marketing digital. Os sistemas de anúncios podem ser configurados para descobrir novos consumidores em potencial dinamicamente e fornecer conteúdo de marketing relevante para eles no momento e no local adequados.
Futuro do aprendizado de máquina
O aprendizado de máquina certamente está ganhando popularidade à medida que mais empresas e grandes organizações usam a tecnologia para enfrentar desafios específicos ou estimular a inovação.
Esse investimento contínuo demonstra uma compreensão de que o aprendizado de máquina está produzindo ROI, principalmente por meio de alguns dos casos de uso estabelecidos e reproduzíveis mencionados acima.
Afinal, se a tecnologia for boa o suficiente para Netflix, Facebook, Amazon, Google Maps e assim por diante, é provável que ela também ajude sua empresa a aproveitar ao máximo seus dados.
Como novo aprendizado de máquina modelos forem desenvolvidos e lançados, testemunharemos um aumento no número de aplicativos que serão usados em todos os setores.
Isso já está acontecendo com reconhecimento facial, que antes era uma nova função do seu iPhone, mas agora está sendo implementada em uma ampla gama de programas e aplicativos, principalmente aqueles relacionados à segurança pública.
A chave para a maioria das organizações que tentam começar com o aprendizado de máquina é olhar além das brilhantes visões futuristas e descobrir os desafios reais de negócios com os quais a tecnologia pode ajudá-lo.
Conclusão
Na era pós-industrializada, cientistas e profissionais vêm tentando criar um computador que se comporte mais como humanos.
A máquina pensante é a contribuição mais significativa da IA para a humanidade; a chegada fenomenal desta máquina automotora transformou rapidamente as regulamentações operacionais corporativas.
Veículos autônomos, assistentes automatizados, funcionários autônomos de fabricação e cidades inteligentes demonstraram recentemente a viabilidade de máquinas inteligentes. A revolução do aprendizado de máquina e o futuro do aprendizado de máquina estarão conosco por um longo tempo.
Deixe um comentário