O que é Machine Learning?

O machine learning se tornou um termo conhecido nos últimos anos, à medida que o conceito deixou de ser ficção científica e passou a ser um fator-chave na forma como empresas e organizações processam informações. Com o ritmo de criação de dados crescendo exponencialmente, as ferramentas de machine learning são essenciais para organizações que buscam descobrir padrões, identificar tendências e traçar o caminho mais lucrativo a seguir.

Quão comum é o machine learning? Se você clicou em uma recomendação de um site de comércio eletrônico ou plataforma de streaming, foi notificado sobre o possível uso indevido de um cartão de crédito ou usou um software de transcrição, você já se beneficiou do machine learning. Ele é usado em finanças, assistência médica, marketing, varejo e muitos outros setores para extrair insights valiosos de dados e automatizar processos.

O que é Machine Learning?

O machine learning (ML) é o subconjunto da inteligência artificial que se concentra na construção de sistemas que aprendem e são aprimorados à medida que consomem mais dados. A inteligência artificial é um termo amplo que se refere a sistemas ou máquinas que imitam a inteligência humana. O machine learning e IA são frequentemente abordados juntos, e os termos às vezes são usados de forma intercambiável, mas não significam a mesma coisa.

Resumindo, todo machine learning é IA, mas nem toda IA é machine learning.

Principais conclusões

• O machine learning é um subconjunto da IA.
• Os quatro tipos mais comuns de machine learning são: supervisionados, não supervisionados, semissupervisionados e reforçados.
• Os tipos populares de algoritmos de machine learning incluem redes neurais, árvores de decisão, agrupamento e florestas aleatórias.
• Os casos de uso comuns de machine learning nos negócios incluem identificação e classificação de objetos, detecção de anomalias, processamento de documentos e análise preditiva.

Machine Learning Explicada

O machine learning é uma técnica que descobre relacionamentos até então desconhecidos em dados pesquisando conjuntos de dados potencialmente muito grandes para descobrir padrões e tendências que vão além da simples análise estatística. O machine learning usa algoritmos sofisticados que são treinados para identificar padrões em dados, criando modelos. Esses modelos podem ser usados para fazer previsões e categorizar dados.

Observe que um algoritmo não é o mesmo que um modelo. Um algoritmo é um conjunto de regras e procedimentos usados ​​para resolver um problema específico ou executar uma tarefa específica, enquanto um modelo é a saída ou resultado da aplicação de um algoritmo a um conjunto de dados.

Antes do treinamento, você tem um algoritmo. Após o treinamento, você tem um modelo.

Por exemplo, o machine learning é amplamente usado em assistência médica para tarefas que incluem análise de imagens médicas, análise preditiva e diagnóstico de doenças. Modelos de machine learning são ideais para analisar imagens médicas, como exames de ressonância magnética, raios-X e tomografia computadorizada, para identificar padrões e detectar anormalidades que podem não ser visíveis ao olho humano ou que um profissional de saúde sobrecarregado pode não perceber. Os sistemas de machine learning também podem analisar sintomas, informações genéticas e outros dados de pacientes para sugerir testes para doenças como câncer, diabetes e problemas cardíacos.

Os principais recursos do machine learning são

• Descoberta automática de padrões
• Previsão de resultados prováveis
• Criação de informações práticas
• Capacidade de analisar volumes muito grandes de dados

Tipos de machine learning

Existem quatro tipos principais de machine learning. Cada um tem seus próprios pontos fortes e limitações, tornando importante escolher a abordagem certa para a tarefa em questão.

• O machine learning supervisionado é o tipo mais comum. Aqui, os dados rotulados ensinam ao algoritmo quais conclusões ele deve fazer. Assim como uma criança aprende a identificar frutas ao memorizá-las em um livro ilustrado, no aprendizado supervisionado o algoritmo é treinado por um conjunto de dados já rotulado. Um exemplo de machine learning supervisionado é um filtro de email de spam, onde o algoritmo é treinado em um conjunto de dados rotulados no qual cada email é marcado como spam ou não spam. O modelo aprende com esses exemplos rotulados e, em seguida, pode prever se novos emails recebidos são provavelmente spam ou não com base nos padrões identificados. Esse tipo de aprendizado supervisionado requer que um especialista humano forneça as respostas corretas rotulando dados para que o algoritmo possa aprender e fazer previsões precisas no futuro.
  
  Observe que o objetivo aqui não é treinar usando dados originais. Tente reproduzir o que o sistema encontrará no mundo real. Alguns spams são fáceis de detectar, mas outros são sutis ou difíceis de identificar. Dados excessivamente limpos levam ao sobreajuste, o que significa que o modelo identificará apenas outras amostras originais.
• O machine learning não supervisionado emprega uma abordagem mais independente, na qual um computador aprende a identificar processos e padrões complexos sem depender de dados previamente rotulados. O machine learning não supervisionado não envolve apenas treinamento com base em dados que não têm rótulos. Também não há saída específica e definida, como se um email é provavelmente spam.
  
  O machine learning não supervisionado tende a identificar agrupamentos de dados semelhantes, criando clusters. Uma vez treinado, o modelo pode identificar padrões semelhantes e colocar esses dados em seu grupo apropriado. Um uso comum de machine learning não supervisionado são os mecanismos de recomendação, que são usados em aplicações de consumo para fornecer sugestões de "clientes que compraram isso também compraram aquilo". Quando padrões diferentes são encontrados, o algoritmo pode identificá-los como anomalias, o que é útil na detecção de fraudes.
• O machine learning semi-supervisionado aborda o problema de não ter dados rotulados suficientes para treinar totalmente um modelo. Por exemplo, você pode ter grandes conjuntos de dados de treinamento, mas não quer perder tempo nem gastar com a rotulagem de todo o conjunto. Ao usar uma combinação de métodos supervisionados e não supervisionados, muitas vezes você pode alcançar um modelo totalmente treinado. O processo de treinamento começa como aprendizado supervisionado, usando dados rotulados para obter resultados iniciais e estabelecer diretrizes para o algoritmo. Quando os dados rotulados são esgotados, o modelo semitreinado recebe os conjuntos de dados não rotulados. Ele usa o treinamento que tem e analisa os dados não rotulados, com o objetivo de adicioná-los ao conjunto de dados rotulados. Se o modelo puder encontrar um rótulo apropriado para uma amostra com alta certeza, essa amostra será adicionada aos dados rotulados. O processo de aprendizagem começa novamente, mas agora com um conjunto maior de amostras rotuladas. Ao iterar, mais amostras são rotuladas com o que muitas vezes é chamado de pseudo-rótulos, e o modelo pode ser ainda mais refinado.

  O machine learning por reforço, como o machine learning por reforço não supervisionado, usa conjuntos de dados não rotulados e permite que algoritmos avaliem os dados. No entanto, o aprendizado por reforço difere na medida em que está trabalhando em direção a um objetivo definido, em vez de explorar dados para descobrir quaisquer padrões que possam existir. Com um objetivo em mente, o algoritmo prossegue em um processo de tentativa e erro. Cada movimento recebe feedback positivo, negativo ou neutro, que o algoritmo usa para aprimorar seu processo geral de tomada de decisão. Algoritmos de aprendizado por reforço podem trabalhar em um nível macro em direção ao objetivo do projeto, mesmo que isso signifique lidar com consequências negativas de curto prazo. Dessa forma, o reforço da aprendizagem lida com situações mais complexas e dinâmicas do que outros métodos, pois permite que o contexto do objetivo do projeto influencie o risco nas escolhas. Ensinar um computador a jogar xadrez é um bom exemplo. O objetivo geral é ganhar o jogo, mas isso pode exigir sacrifícios de peças à medida que o jogo continua.

Qual é melhor para suas necessidades? A escolha de uma abordagem supervisionada ou de um dos outros três métodos geralmente depende da estrutura e do volume dos seus dados, do orçamento e das horas que podem ser dedicadas ao treinamento e do caso de uso ao qual você deseja aplicar o modelo final. A falha ao sugerir uma blusa que combine com uma saia pode ser irrelevante. Mas a falha no diagnóstico de um tumor pode ter consequências sérias.

Como o machine learning funciona

Como o próprio nome indica, o machine learning funciona criando modelos estatísticos baseados em computador que são refinados para um determinado propósito, avaliando dados de treinamento, em vez da abordagem clássica, em que os programadores desenvolvem um algoritmo estático que tenta resolver um problema. À medida que os conjuntos de dados são submetidos ao modelo de ML, a saída resultante é avaliada quanto à precisão, permitindo que os cientistas de dados ajustem o modelo por meio de uma série de variáveis estabelecidas, chamadas de hiperparâmetros, e variáveis ajustadas por algoritmos, chamadas de parâmetros de aprendizado.

Como o algoritmo se ajusta à medida que avalia os dados de treinamento, o processo de exposição e cálculo em torno de novos dados treina o algoritmo para se tornar melhor no que ele faz. O algoritmo é a parte computacional do projeto, enquanto o termo "modelo" é um algoritmo treinado que pode ser usado para casos de uso de palavras reais.

O escopo, os recursos e as metas dos projetos de machine learning determinarão o caminho mais apropriado, mas a maioria envolve uma série de etapas.

1. Colete e compile dados

O treinamento de modelos de ML requer muitos dados de alta qualidade. Encontrá-los às vezes é difícil, e rotulá-los, se necessário, pode exigir muitos recursos. Depois de identificar possíveis fontes de dados, avalie-as para determinar a qualidade geral e o alinhamento com os recursos existentes de integração/repositório de dados do projeto. Essas fontes formam a base de treinamento de um projeto de machine learning.

2. Selecione um algoritmo apropriado para gerar o modelo desejado

Dependendo se o projeto planeja usar o aprendizado supervisionado, não supervisionado ou semi-supervisionado, os cientistas de dados podem selecionar os algoritmos mais apropriados. Por exemplo, um projeto mais simples com um conjunto de dados rotulados pode usar uma árvore de decisão, enquanto o agrupamento (dividir amostras de dados em grupos de objetos semelhantes) requer mais recursos de computação, pois o algoritmo trabalha sem supervisão para determinar o melhor caminho para atingir uma meta.

3. Refine e prepare dados para análise

É provável que os dados recebidos não estejam prontos para serem usados. A preparação de dados limpa os conjuntos de dados para garantir que todos os registros possam ser facilmente ingeridos durante o treinamento. A preparação inclui uma série de tarefas de transformação, como estabelecer formatos de data e hora, unir ou separar colunas conforme necessário e definir outros parâmetros de formato, como dígitos significativos aceitáveis em dados de números reais. Outras tarefas principais incluem limpar registros duplicados, também chamados de desduplicação de dados, identificar e possivelmente remover discrepâncias.

4. Instrua o modelo por meio de treinamento

Após selecionar o modelo final desejado, o processo de treinamento começa. No treinamento, um conjunto de dados selecionados, rotulados ou não, é fornecido ao algoritmo. Nas execuções iniciais, os resultados podem não ser excelentes, mas os cientistas de dados farão os ajustes necessários para refinar o desempenho e aumentar a precisão. Em seguida, o algoritmo exibe os dados novamente, geralmente em quantidades maiores para ajustá-los com mais precisão. Quanto mais dados o algoritmo visualizar, melhor o modelo final deverá se tornar para fornecer os resultados desejados.

5. Avalie o desempenho e a precisão do modelo

Depois que o modelo tiver sido treinado com precisão suficiente, é hora de fornecer dados nunca antes vistos para testar seu desempenho. Muitas vezes, os dados usados para teste são um subconjunto dos dados de treinamento reservados para uso após o treinamento inicial.

6. Ajuste e aprimore os parâmetros do modelo

O modelo agora provavelmente está próximo da implementação. Execuções com conjuntos de dados de teste devem produzir resultados altamente precisos. Os aprimoramentos acontecem por meio de treinamento adicional com dados específicos, muitas vezes exclusivos das operações de uma empresa, para complementar os dados generalizados usados no treinamento original.

7. Inicie o modelo

Com os resultados otimizados, o modelo agora está pronto para lidar com dados nunca antes vistos no uso normal da produção. Quando o modelo estiver ativo, as equipes de projeto coletarão dados sobre como o modelo funciona em cenários reais. Isso pode ser feito monitorando as principais métricas de desempenho, como precisão, a correção geral das previsões do modelo e o recall, a proporção de observações positivas previstas corretamente. Considere também como as previsões do modelo estão afetando os resultados dos negócios na prática. Está gerando valor, seja no aumento das vendas de blusas ou em melhores diagnósticos?

A realização de auditorias e análises regulares do desempenho do modelo pode ajudar a identificar problemas ou distorções que possam ter surgido após a implementação e são essenciais para garantir que o modelo funcione de forma eficaz e atenda aos objetivos desejados.

Algoritmos de machine learning

Algoritmos são a parte computacional de um projeto de machine learning. Depois de treinados, os algoritmos produzem modelos com uma probabilidade estatística de responder a uma pergunta ou atingir uma meta. Esse objetivo pode ser encontrar determinados recursos em imagens, como “identificar todos os gatos”, ou detectar anomalias nos dados que possam indicar fraude, spam ou um problema de manutenção em uma máquina. Ainda outros algoritmos podem tentar fazer previsões, como quais peças de roupa um comprador também pode gostar com base no que está atualmente em um carrinho de compras.

Alguns dos algoritmos mais comuns usados ​​em machine learning são os seguintes:

• Redes neurais: o nosso cérebro funciona criando redes de nós que executam funções tão variadas quanto o processamento de imagens dos nossos olhos, o armazenamento de memórias e o controle dos nossos músculos. As redes neurais baseadas em computador são modeladas de acordo com essa arquitetura cerebral, criando camadas de nós que ponderam as relações entre os dados que analisaram e os dados nos nós adjacentes. Trabalhando como uma rede, esses nós podem determinar características de dados, como elementos dentro de uma imagem.
• Regressão linear: os algoritmos de regressão linear pegam pontos de dados e criam uma equação matemática para uma linha que oferece melhor suporte aos resultados previstos. Isso às vezes é chamado de "linha de melhor ajuste". A regressão linear funciona ajustando variáveis na equação para minimizar os erros nas previsões. Um exemplo de regressão linear é visto em cuidados pediátricos, onde diferentes pontos de dados podem prever a altura e o peso de uma criança com base em dados históricos. Da mesma forma, o IMC é uma regressão linear que tenta correlacionar a altura e o peso com a gordura corporal total. Como o algoritmo usa uma linha simples para suas previsões, as taxas de erro podem ser altas. Por exemplo, um IMC na faixa de 30 indica obesidade. Isso geralmente é verdadeiro para o público em geral, mas definitivamente não para atletas de força, como os linebackers da NFL.
• Regressão logística: mais bem usada em resultados binários, a regressão logística é como regressão linear, mas com considerações especiais nos limites de possíveis intervalos de dados. Um exemplo de regressão logística inclui análise de aprovação/reprovação sobre a probabilidade de converter um cliente potencial em um cliente pagante. A regressão logística é frequentemente usada em diagnósticos médicos. Por exemplo, as concentrações de glicose plasmática em um determinado intervalo são usadas como um forte indicador de diabetes. A regressão logística também pode ser usada para prever se um email é spam ou não, ou se uma transação de cartão de crédito é fraudulenta.
• Clustering: o clustering é uma forma de aprendizado não supervisionado que expõe um algoritmo a conjuntos de dados não rotulados nos quais os dados podem cair em grupos distintos ou clusters. À medida que o algoritmo avalia os dados de treinamento, ele procura padrões e detalhes sobrepostos entre os dados e cria grupos. Digamos que o algoritmo esteja analisando o valor nutricional de uma grande variedade de frutas. Pode ser que as frutas cítricas formem um grupo, as frutas vermelhas formem outro e os melões formem um terceiro. Isso permite uma compreensão mais fácil do que torna cada cluster único. A clusterização é particularmente útil para qualquer tipo de projeto de categorização, como segmentação de mercado.
• Árvores de decisão: as árvores de decisão usam aprendizado supervisionado e progressões básicas hipotéticas para fazer previsões. Dependendo da complexidade do projeto, as árvores de decisão podem ser ideais como algoritmos com poucos recursos que produzem resultados diretos. Por exemplo, se uma faculdade quisesse determinar quais alunos poderiam pular o primeiro ano de inglês, poderia usar uma árvore de decisão que perguntasse primeiro se o aluno havia cursado quatro anos de inglês no ensino médio e, em caso afirmativo, se o aluno tinha um GPA de pelo menos 3,6 nessas aulas. Outro caminho pode simplesmente perguntar se o aluno obteve uma pontuação melhor do que um determinado limite nas seções de leitura, redação e idioma do exame SAT.
• Florestas aleatórias: por si só, as árvores de decisão têm limitações devido aos seus fluxos de trabalho rígidos inerentes e à exigência de que todas as perguntas de avaliação sejam respondidas. No exemplo de árvore de decisão acima, a faculdade pode exigir que ambas as condições sejam verdadeiras, mesmo que atender apenas uma possa ser suficiente. E pode haver outros fatores a serem considerados, como o desempenho de um aluno em uma redação de admissão. Se todos os três fatores fossem exigidos, a faculdade teria o problema de exigir um “sobreajuste” à árvore de decisão. Os alunos que se saíram bem em todos os três critérios, provavelmente não precisariam fazer o curso de inglês básico. No entanto, outros que também seriam aprovados ainda devem fazer o curso. As florestas aleatórias reúnem coleções de árvores de decisão que ponderam cumulativamente os resultados para apresentar uma perspectiva mais ampla. Com florestas aleatórias, os projetos ainda podem usar a mecânica central das árvores de decisão, considerando relações diferenciadas entre pontos de dados relevantes. Portanto, a faculdade pode dividir esses três critérios em árvores de decisão separadas e usar pesos para decidir quem pode pular o curso de inglês básico com base no fato de que ter um bom desempenho em inglês no ensino médio é o indicador mais importante e que o desempenho na redação é o menos preditivo.

Além das redes neurais

O machine learning usa uma vasta gama de algoritmos. Embora os discutidos acima sejam os mais populares, aqui estão cinco algoritmos menos comuns, mas ainda úteis.

Benefícios do machine learning

O machine learning permite que as organizações extraiam insights de seus dados que talvez não fosse possível encontrar de outra forma. Alguns dos benefícios mais comuns da integração de machine learning em processos incluem:

• Otimização da tomada de decisões e a análise preditiva: decisões baseadas em dados começam com a análise de dados. Essa é uma afirmação óbvia, mas quando feito manualmente, o processo de análise consome muito tempo e recursos e pode não gerar insights ricos o suficiente para justificar o custo. O machine learning pode analisar grandes volumes de dados para identificar tendências e padrões, de modo que os usuários possam se concentrar em consultas e resultados acionáveis, em vez de otimizar o processamento manual de dados. Dependendo da ferramenta de análise, o machine learning pode gerar previsões e identificar insights difíceis de encontrar nos dados, permitindo uma análise mais aprofundada e mais valor para a organização.
• Aumento da eficiência e automatização de tarefas: o machine learning é a base de muitas das tecnologias que aumentam a eficiência dos profissionais. Muitas tarefas repetitivas e de baixo nível cognitivo, incluindo a verificação ortográfica e a digitalização e classificação de documentos, agora são realizadas por computadores, graças ao machine learning.
  
  O machine learning também se destaca na análise de dados rápida e instantânea, o que é extremamente difícil de ser realizado por humanos. Essa transação é fraudulenta ou esse email é um golpe de phishing? Os sistemas de machine learning geralmente podem determinar com precisão a resposta em segundos e tomar medidas apropriadas automaticamente. Ao combinar tecnologias de ML, é possível fazer previsões a partir de dados acompanhados de explicações sobre os fatores que influenciaram a previsão, ajudando os executivos a traçar os melhores caminhos para suas organizações.
• Personalização e inovação em serviços: o machine learning abriu uma nova porta para experiências do cliente por meio da personalização. O histórico de compras, o histórico de navegação, os dados demográficos e outras informações podem ser usados para criar um perfil do cliente, que pode ser comparado com perfis semelhantes para fazer previsões sobre seus interesses. Isso permite ofertas de mecanismo de sugestão, descontos gerados automaticamente e outros tipos de engajamento personalizado para fidelizar clientes.
  
  Usando a nomenclatura discutida aqui: as árvores de decisão podem ajudar a classificar clientes. Talvez um cliente goste de moda vintage e de segunda mão, enquanto outro prefere roupas de grife da última estação. O agrupamento de clientes semelhantes pode ajudar a identificar os produtos nos quais eles provavelmente clicarão ou se eles provavelmente serão fortemente motivados pelas vendas. Em seguida, o ML pode prever as melhores ofertas para cada cliente, considerando em quais clusters ele se encaixa.

Desafios do machine learning

Os projetos de machine learning são tão eficazes quanto o sistema e os recursos com os quais são construídos. Isso destaca a necessidade de investir em planejamento e preparação adequados.

Veja a seguir alguns dos desafios mais comuns enfrentados pelos projetos de machine learning:

• Qualidade dos dados: o ditado “garbage in, garbage out” se aplica ao machine learning. A qualidade dos dados é essencial, tanto durante a fase de treinamento quanto na produção. Dados de alta qualidade podem levar a resultados mais precisos entregues de maneira oportuna e eficiente; dados de baixa qualidade podem criar imprecisões e distorções nos modelos. Observe que "qualidade" pode significar coisas diferentes para diferentes projetos. Para treinar sistemas de reconhecimento de imagem, os dados devem representar o que o modelo verá no mundo real. Isso inclui pessoas com pouca iluminação, ligeiramente fora de foco e que não estão olhando diretamente para a câmera. Para fins de treinamento, quanto mais os dados se assemelharem ao que o sistema verá na produção, melhor.
  
  Para isso, as organizações devem examinar as fontes de dados, transformar os conjuntos de dados para obter formatos consistentes e compatíveis, executar procedimentos de limpeza e desduplicação, treinar os usuários em processos e protocolos e integrar ferramentas para avaliar a qualidade e a adequação.
• Viés: os dados podem estar limpos, mas estão livres de viés? Como um caso óbvio, digamos que você queira treinar um sistema de machine learning para detectar cachorros em imagens e tenha um conjunto de dados robusto com apenas fotos de labradores e poodles. Após o treinamento, o modelo é ótimo para detectar esses cães, até de forma tendenciosa. Porém, quando é apresentada a foto de um buldogue, ele diz que não consegue encontrar um cachorro. Claro, não foi treinado para isso.
  
  Criar o conjunto de dados de treinamento correto é um dos aspectos mais complicados e caros da criação de ferramentas de ML que funcionam da maneira que você deseja. A dificuldade de encontrar determinados tipos de dados pode, muitas vezes, gerar uma fonte não intencional de viés. Por exemplo, o mastim tibetano é uma raça rara, mas parece um Terra Nova marrom-alaranjado. Portanto, se existirem amostras de dados insuficientes do mastim tibetano, não será muito surpreendente se um modelo de ML o identificar como um Terra Nova.
• Segurança de dados: apesar de seus muitos benefícios, o machine learning pode introduzir uma série de problemas de segurança. Os dados usados na análise de ML podem conter informações confidenciais ou proprietárias não destinadas ao consumo público. Da mesma forma, os dados podem ser alvo de um ataque cibernético com o objetivo de contaminar o modelo e criar informações incorretas nos resultados. As etapas de preparação de dados podem expor e tratar vulnerabilidades de segurança, principalmente quando os conjuntos de dados passam por processos de exportação ou importação entre sistemas. Para ajudar a reduzir os problemas de segurança, as empresas devem empregar uma série de políticas, procedimentos e controles de proteção, incluindo treinamento prático da equipe.
• Privacidade de dados: garantir que dados confidenciais não sejam divulgados é um esforço contínuo. A anonimização de dados é uma prática emergente, mas nem sempre pode estar disponível ou ser suficiente. Por exemplo, digamos que uma empresa queira oferecer um serviço que permita que seus clientes empresariais saibam mais sobre seus consumidores finais com base nos dados coletados. Esse tipo de informação precisaria ser protegido e usado de acordo com os requisitos legais, e as empresas precisariam considerar cuidadosamente os novos vetores de ameaças que podem tentar comprometer os dados por meio de um sistema de ML.

Casos de uso de machine learning

O machine learning pode fornecer benefícios significativos para quase todos os setores e departamentos de uma organização. Se os números forem analisados e os dados existirem, o machine learning oferece uma maneira de aumentar a eficiência e obter novos tipos de engajamento. Casos de uso comuns de machine learning em todos os setores incluem o seguinte:

• Varejo: para varejistas, o machine learning pode ajudar operações, vendas e muito mais. Em um nível de operações, o machine learning pode analisar dados da cadeia de suprimentos para ajudar a otimizar o gerenciamento de estoque e identificar possíveis atrasos no início. Para ajudar a aumentar as vendas, o machine learning pode examinar a pesquisa de um cliente e navegar pelo histórico, juntamente com dados demográficos, para criar um perfil que funcione como base para um maior engajamento.
• Mídia de streaming: como os varejistas, os streamers de áudio e vídeo podem criar perfis de clientes com base no engajamento, histórico de navegação e dados demográficos do usuário. Dessa forma, esse perfil pode alimentar mecanismos de recomendação que ajudam na descoberta e aumentam o engajamento.
• Finanças: uma das formas de uso mais poderosas, porém simples, do machine learning é a detecção de fraudes no setor financeiro. Com o machine learning, os algoritmos podem identificar o comportamento geral da conta e, em seguida, começar a sinalizar comportamentos anômalos para possíveis investigações de fraude.
• Assistência médica: o setor de saúde está preparado para usar o machine learning em quase todas as facetas das operações. Os perfis dos pacientes por meio de prontuários eletrônicos podem identificar possíveis problemas antecipadamente com base em padrões comparados a dados demográficos semelhantes. Os dados dos dispositivos da Internet das Coisas, como um dispensador de medicamentos inteligente, podem sinalizar erros rapidamente, e os dados operacionais do tráfego de pacientes ou do uso de leitos hospitalares podem informar a escalabilidade da equipe.

Machine learning mais rápido e seguro com a Oracle

O Machine Learning no Oracle Database oferece um espectro de recursos e funcionalidades para acelerar o processo de machine learning. Com a capacidade de manter os dados dentro do banco de dados, os cientistas de dados podem simplificar o fluxo de trabalho e aumentar a segurança, aproveitando mais de 30 algoritmos integrados de alto desempenho, suporte para linguagens populares, incluindo R, SQL e Python, recursos automatizados de machine learning e interfaces no-code.

Para organizações com grandes conjuntos de dados, o machine learning no banco de dados com HeatWave MySQL dispensa a necessidade de mover dados para um sistema separado para machine learning, o que pode aumentar a segurança, reduzir custos e economizar tempo. O HeatWave AutoML automatiza o ciclo de vida do machine learning, incluindo a seleção de algoritmos, a amostragem inteligente de dados para treinamento, a seleção de recursos e o ajuste, o que geralmente economiza ainda mais tempo e esforço.

O resultado do machine learning é a capacidade de analisar e interpretar grandes quantidades de dados de forma rápida e precisa. Depois de treinados, os modelos de machine learning podem identificar, em segundos ou minutos, padrões, tendências e insights que poderiam levar semanas para serem detectados por seres humanos, ou que talvez nunca fossem percebidos. O resultado é uma tomada de decisão mais assertiva, melhor resolução de problemas e a capacidade de fazer previsões baseadas em dados. Além disso, os modelos de machine learning podem automatizar processos de rotina, economizando tempo e recursos. O machine learning está percebendo seu potencial para revolucionar o local de trabalho e impulsionar a inovação.

Perguntas frequentes sobre machine learning

Qual é a diferença entre IA e ML?

Inteligência artificial é o nome dado à ampla área da computação que se concentra na criação e no aprimoramento de sistemas para pensar como os humanos. O machine learning é um subconjunto desse campo que se concentra especificamente no aspecto computacional do processo de aprendizagem. Os dois termos são frequentemente usados como equivalentes e enfrentam desafios semelhantes, mas existem de forma independente, apesar dessa conexão.

Quais são os quatro principais tipos de machine learning?

Os quatro tipos de machine learning são os seguintes:

• Supervisionado. O aprendizado supervisionado usa conjuntos de dados rotulados para treinar o algoritmo em direção a uma meta específica.
• Não supervisionado. O aprendizado não supervisionado usa conjuntos de dados não rotulados que fornecem o espaço do algoritmo para explorar e identificar padrões.
• Semissupervisionado. O aprendizado semissupervisionado usa conjuntos de dados rotulados para treinamento inicial para estabelecer os parâmetros gerais do projeto. Em seguida, o algoritmo usa esse treinamento para avaliar amostras não rotuladas para ver se consegue rotulá-las com alta probabilidade. Esse processo pode ser repetido, com o conjunto de amostras rotuladas aumentando a cada iteração.
• Reforço. O aprendizado por reforço funciona de forma semelhante ao aprendizado não supervisionado, pois usa conjuntos de dados não rotulados. No entanto, o aprendizado por reforço se concentra em aprender o melhor caminho para alcançar um objetivo específico por meio de feedback positivo, negativo e neutro, em vez de procurar padrões.

É difícil aprender machine learning?

Como qualquer outra técnica, conhecer os prós e contras do machine learning é um processo iterativo que requer tempo e dedicação. Um bom ponto de partida para o machine learning é ter uma base em linguagens de programação, como Python ou R, juntamente com algum conhecimento de estatística. Muitos elementos envolvidos na avaliação dos resultados do machine learning exigem a compreensão de conceitos estatísticos, como regressão, classificação, ajuste e parâmetros.

O que seria um exemplo de machine learning?

Um dos exemplos mais comuns de machine learning é um mecanismo de sugestão. No comércio eletrônico, isso é visto como uma sugestão de produto "você também pode gostar..." Na mídia de streaming de vídeo, isso é visto como ideias para o que assistir em seguida. Nesses casos, o algoritmo pega o histórico de um usuário e cria previsões sobre o que ele pode achar interessante, e quanto mais o usuário adiciona pontos de dados, mais o algoritmo pode refinar as previsões.