Evolução do machine learning


Graças às novas tecnologias computacionais, o machine learning de hoje não é como o machine learning do passado. Ele nasceu do reconhecimento de padrões e da teoria de que computadores podem aprender sem serem programados para realizar tarefas específicas; pesquisadores interessados em inteligência artificial queriam saber se as máquinas poderiam aprender com dados. O aspecto iterativo do aprendizado de máquina é importante porque, quando os modelos são expostos a novos dados, eles são capazes de se adaptar independentemente. Eles aprendem com computações anteriores para produzir decisões e resultados confiáveis, passíveis de repetição. Isso não é uma ciência nova – mas uma ciência que está ganhando um novo impulso.

Embora diversos algoritmos de machine learning existam há muito tempo, a capacidade de aplicar cálculos matemáticos complexos ao big data automaticamente – de novo e de novo, mais rápido e mais rápido – é um desenvolvimento recente. Eis alguns exemplos bem conhecidos de aplicações de machine learning, dos quais você já deve ter ouvido falar:

  • Os carros autônomos super esperados do Google? A essência do machine learning;
  • Ofertas recomendadas como as da Amazon e da Netflix? Aplicações de machine learning para o dia-a-dia;
  • Saber o que seus clientes estão falando de você no Twitter? Machine learning combinado com criação de regras linguísticas;
  • Detecção de fraudes? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.

 

Play Video

Machine learning e inteligência artificial

Enquanto a inteligência artificial (IA) pode ser definida, de modo amplo, como a ciência capaz de mimetizar as habilidades humanas, o machine learning é uma vertente específica da IA que treina máquinas para aprender com dados. Assista a este vídeo para entender melhor a relação entre a inteligência artificial e o aprendizado de máquina. Você verá como essas duas tecnologias funcionam, com exemplos úteis e alguns apartes divertidos.

Qual a importância do machine learning?

O interesse renovado no aprendizado de máquina se deve aos mesmos fatores que tornaram a mineração de dados e a análise Bayesiana mais populares do que nunca: coisas como os crescentes volume e variedade de dados disponíveis, o processamento computacional mais barato e poderoso, o armazenamento de dados acessível etc.

Tudo isso significa que é possível produzir, rápida e automaticamente, modelos capazes de analisar dados maiores e mais complexos, e entregar resultados mais rápidos e precisos – mesmo em grande escala. E ao construir modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas – ou de evitar riscos desconhecidos.

 

O que é preciso para criar bons sistemas de machine learning?

  • Capacidade de data preparation;
  • Algoritmos – básicos e avançados;
  • Processos automatizados e iterativos;
  • Escalabilidade;
  • Modelagem conjunta.
Machine learning infographic

Você sabia?

  • No aprendizado de máquina, um alvo é chamado de rótulo;
  • Em estatística, um alvo é chamado de variável dependente;
  • Uma variável em estatística é chamada de recurso em machine learning;
  • Uma transformação em estatística é chamada de criação de recurso em machine learning.

Machine learning no mundo de hoje

Ao usar algoritmos para construir modelos que revelam conexões, as organizações podem tomar decisões melhores sem intervenção humana. Leia mais sobre essa tecnologia que está transformando o mundo em que vivemos.

White Paper

Por que se fala tanto em machine learning?

Como implementar machine learning na sua empresa? Para quem é essa tecnologia? Como ela funciona? Como ela pode atingir resultados? Leia neste relatório da Harvard Business Review Insights.

Baixe o relatório

Mitos e verdades sobre machine learning

É preciso tomar cuidado com a qualidade e com a forma como a análise de dados tem sido realizada. Leia este artigo para conhecer 10 desafios, mitos e verdades sobre machine learning.

Saiba mais

Report

A evolução da inteligência analítica

Avanços recentes têm aumentado o interesse na adoção do machine learning como parte de uma estratégia analítica maior, mas incorporá-lo na infraestrutura de dados de produção não é fácil. Aprenda a superar os obstáculos.

Baixe o relatório

yellow and orange abstract art
Data Mining Enterprise Miner

Advanced analytics do SAS

Machine learning não é uma tecnologia específica em si; ele envolve softwares como de mineração de dados e advanced analytics para processar grandes volumes de dados e descobrir insights. As soluções do SAS® são criadas com algoritmos inovadores que tornam isso possível.

Leia mais sobre as soluções de analytics do SAS

Quem está usando?

A maioria das indústrias que trabalham com grandes quantidades de dados tem reconhecido o valor da tecnologia de aprendizado de máquina. Ao extrair insights desses dados – frequentemente em tempo real – as organizações são capazes de trabalhar com mais eficiência ou de ganhar uma vantagem competitiva sobre seus concorrentes.

Serviços financeiros

Bancos e outros negócios na indústria financeira usam tecnologias de machine learning para dois propósitos principais: identificar insights importantes nos dados e prevenir fraudes. Esses inisghts podem identificar oportunidades de investimento, ou ajudar investidores a saber quando fazer o trade. A mineração de dados também pode identificar clientes com alto perfil de risco ou usar cyber-vigilância para encontrar sinais de fraudes.

Governo

Agências governamentais, como segurança pública e utilities, têm uma necessidade particular para machine learning, uma vez que elas possuem múltiplas fontes de dados que podem ser mineradas para deles obterem insights. Analisar dados de sensores, por exemplo, identifica maneiras de aumentar a eficiência e economizar dinheiro. O aprendizado de máquina também pode ajudar na detecção de fraudes e na minimização de roubos de identidade.

Operadoras de saúde

Machine learning é uma tendência crescente na assistência médica graças ao advento dos dispositivos wearables e sensores que permitem aos profissionais de saúde acessar os dados de pacientes em tempo real. A tecnologia também pode ajudar especialistas médicos a analisar dados para identificar tendências ou alertas, levando ao aperfeiçoamento de diagnósticos e tratamentos.

Marketing e vendas

Websites que recomendam produtos e serviços com base em suas compras anteriores estão usando machine learning para analisar seu histórico de compras – e promover outros itens pelos quais você pode se interessar. Essa capacidade de capturar dados, analisá-los e utilizá-los para personalizar a experiência de compra (ou implementar uma campanha de marketing) é o futuro do varejo.

Petróleo & gás

Descobrir novas fontes de energia. Analisar minerais no solo. Prever falhas em sensores de refinarias. Acelerar a distribuição de petróleo para torná-la mais eficiente e econômica. O número de aplicações de machine learning nesta indústria é vasto – e continua crescendo.

Transportes

Analisar dados para identificar padrões e tendências é essencial para a indústria de transportes, a qual depende da elaboração de rotas mais eficientes e da previsão de problemas potenciais para aumentar a rentabilidade. Os aspectos de análise e modelagem de dados de machine learning são ferramentas importantes para transportadoras, transporte público e outras organizações do setor.

Anúncios

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

Conectando a %s