fbpx

Machine Learning: o novo capítulo da inteligência artificial

Machine Learning: o novo capítulo da inteligência artificial

machine-learning-post
Inteligencia artificial

Se você nunca ouviu falar de machine learning (ML), com certeza já se deparou com ele por aí assistindo Netflix, quando aparece sugestões de filmes com base naqueles que você já assistiu ou no site da Amazon, quando é recomendado livros com base nos que você comprou anteriormente. Essa estratégia de recomendação é realizada pelos algoritmos do ML.

 

O que é machine learning?

Há alguns anos, precisamente no ano de 1952, Arthur Samuel, engenheiro e um dos pioneiros quando falamos em inteligência artificial, criou um programa para o computador jogar damas com humanos e mediante a cada jogada a máquina aprendia com os erros e acertos do humano e, previa todas as possibilidades para que suas jogadas se tornassem mais assertivas.

Sete anos depois, Samuel inventou o termo machine learning ou aprendizado de máquina, um tipo de inteligência artificial que permite que computadores tomem decisões através de algoritmos que reconhecem padrões e com base nos dados realizam previsões.

Impossível falar de aprendizado de máquina sem citar o ‘’supercomputador’’ da IBM, o Watson que na realidade é um software, um sistema de computação cognitiva capaz de entender emoções, interpretar textos e imagens, dar respostas (chatbots), ouvir sons (google) e muito mais.

O Watson foi lançado em 2011 em um programa americano de perguntas e respostas, o Jeopardy, no qual ele desafiou dois participantes humanos conhecidos como grandes vencedores do quiz game e ganhou.

Hoje ele é usado principalmente em áreas como saúde, educação, bancos, cultura e agricultura.

 

Tipos de machine learning

Como mencionamos acima através do ML é possível ensinar a máquina a fazer coisas especificas, mas de que forma ensinamos o computador a fazer todas essas coisas?

Apresentaremos 4 formas de fazer isso, a saber:

 

Aprendizado supervisionado

Nessa categoria de aprendizado é preciso apresentar ao algoritmo exemplos rotulados com respostas, por exemplo: para que a máquina preveja se um paciente tem determinada doença, temos que alimentar o algoritmo com vários casos e sintomas relacionados e assim ele poderá entender e aprender que a doença X tem relação com o sintoma X, Y, Z. Vejamos outro exemplo, para o computador entender quando uma transação com cartão de crédito é passível de fraude, precisamos alimentar os algoritmos com diversos exemplos em que determinada conduta seja considerada uma possível fraude, assim ele pode informar quando ocorrer esse tipo de situação.

 

Aprendizado não supervisionado

Nessa categoria, diferente do aprendizado supervisionado os algoritmos não recebem exemplos rotulados e precisam classificar os dados sozinhos utilizando as técnicas mais convenientes.

 

Aprendizado por reforço

Sim, reforço como aquele da época de escola! Quando temos que estudar mais e mais e aprender com os erros para passar naquela matéria complicada.

Nessa categoria a máquina vai aprender através de um sistema de recompensa, por exemplo: de acordo com as ações tomada pelo computador ele é penalizado ou recompensado e com base em tentativa e erro os algoritmos se ajustam de acordo com cada situação que lhe for apresentada.

 

Aprendizado semi-supervisionado

No aprendizado semi-supervisionado os algoritmos manipulam tantos dados rotulados (supervisionado) e dados não-rotulados (não supervisionado), mas normalmente uma quantidade de dados não rotulados maior que os rotulados, pois esses são mais baratos e não exigem muito esforço para serem adquiridos ou analisados.

Exemplo desse tipo de aprendizado: o reconhecimento facial de uma pessoa no webcam.

 

 

Importância e aplicabilidade do machine learning

Podemos dizer que ML é mais um capítulo da inteligência artificial e como tal, as empresas precisam se atentar as mudanças impostas por esse tipo de comportamento da máquina.

As ações realizadas pelo ML são usadas para resolver milhares de problemas diariamente, e as organizações podem se beneficiar de todos os dados analisados e gerados constantemente através do ML e aplicá-los em diferentes ocasiões, como por exemplo:

 

Atendimento ao cliente: provavelmente você já foi atendido por uma empresa por meio de chatbots, que é um software para gerenciamento de envio e recebimento de mensagens, tipo o Messenger do Facebook, o Telegram ou até mesmo o Whatsaap.

 

Detecção e prevenção a fraudes: com base em todo o histórico e comportamento de compra do cliente, a máquina consegue analisar e identificar se aquela determinada transação é suspeita ou não, e a partir dessa previsão apontar os riscos.

 

Análise comportamental do consumidor: mediante o histórico de compra do cliente, compartilhamentos em redes sociais e visualizações, a aplicação de ML consegue sugerir um produto ou serviço, apresentar determinado tipo de conteúdo e indicar músicas e filmes de sua preferência.

Para as empresas essa aplicabilidade do ML faz toda a diferença na hora de criar serviços customizados, pois ele analisa todo o banco de dados e apresenta um relatório completo das preferências do cliente.

 

Localizar conteúdo e gerenciá-los: quando realizamos alguma pesquisa de imagens, vídeos ou outro tipo de conteúdo no buscador, o ML consegue identificar o que foi solicitado e apresentar os resultados de forma mais ágil e eficiente.

É um aprendizado constante, pois a medida que os algoritmos do ML vão analisando os dados gerados pela organização, eles conseguem adquirir conhecimento específico e estratégico para aplicar nos processos da empresa.

 

 

Conclusão

Hoje boa parte das grandes invenções que vimos e usamos são devido a aplicabilidade do ML. Imagine pesquisar no buscador fotos de gatinhos e aparecer qualquer outra coisa, imaginou? O exemplo é bobo, mas é para entender como seria frustrante se a máquina não tivesse aprendido o que são fotos de gatinhos e relacionar corretamente com o que foi pesquisado.

Tem uma frase de Thomas H. Davenport que define bem a importância do ML para os negócios: ‘’Seres humanos podem, normalmente, criar um ou dois modelos bons por semana; machine learning pode criar milhares de modelos por semana. ’’

Seguindo esse pensamento, há quem acredite que as máquinas dominaram o mundo, mas não é possível saber com certeza se é isso que o futuro reserva para a evolução da inteligência artificial. O fato, é que a tecnologia exerce uma influência positiva e indispensável para facilitar a tomada de decisão das empresas e consequentemente, para o crescimento dos negócios.

 

E aí já imaginou como a tecnologia pode te ajudar a otimizar os processos da sua empresa?

 

Autor: Joyce Alcântara.

e-Book: A IMPORTÂNCIA DE PLANEJAR E GERIR O FLUXO DE PEDIDO DE VENDA NO E-COMMERCE

O fluxo do pedido de venda é um dos assuntos mais abordados ao longo dos anos por ser estratégico para as empresas, afinal de contas esse fluxo influencia diretamente na qualidade do atendimento, entrega dentro ou fora do prazo, velocidade da operação, poder de escala (crescimento), assertividade da entrega e é um dos principais responsáveis por aumentar ou diminuir a lucratividade de acordo com sua eficiência.
Nesse e-book mostraremos como os fluxos de pedidos de venda são controlados através de sistemas ERP e que se vê com certa frequência, é que apesar das lojas se preocuparem com esse fluxo há muitas exceções nas operações e por isso é fundamental que esses fluxos sejam os mais dinâmicos possíveis.

Baixar agora!