Já imaginou um sistema que detecta fraudes em cartões de crédito no momento exato que tentam fraudá-lo? Ou ainda, um sistema que detecta precocemente, se um paciente tem câncer?Esses sistemas já existem! Através de técnicas de aprendizado de máquina, computadores analisam dados e geram insights inteligentes, aprendem a tomar decisões e classificá-las.Mas o que é aprendizado de máquina? O que você precisa saber sobre os benefícios e desafios desta tecnologia?

O que é Machine learning?

Machine learning é o uso de algoritmos para coletar dados, reconhecer padrões e fazer com que a máquina aprenda com eles.Ao invés de implementar um software com instruções prontas, a máquina é treinada usando uma quantidade de dados e algoritmos que lhe dão a habilidade de aprender como executar uma tarefa.Arthur Samuel, pioneiro na ciência da computação, definiu o aprendizado de máquina como "tecnologia que dá aos computadores capacidade de aprender sem serem explicitamente programados".

Diversas organizações e indústrias já usam machine learning. Em alguns casos eles adaptam aplicativos de aprendizado de máquina, de uso geral, para suas necessidades ou desenvolvem suas próprias aplicações inteligentes com a ajuda de cientistas de dados.

Machine learning na prática

Algumas empresas estão começando a investir nesse tipo de tecnologia para melhorar o atendimento ao público.Chatbots modernos já estão adotando machine learning para melhorar a experiência do cliente, e acabam garantindo para a empresa a melhoria na qualidade do serviço e redução de custos.Com o avanço da IA, os chatbots podem aprender com as interações que realizam no dia a dia. Aplicações que contam com PLN (Processamento de Linguagem Natural), permitem que alguns Chatbots interajam dando a sensação que o cliente está conversando com outro humano.

Em 2018, a Lu da Magazine Luiza foi eleita a melhor bot pelo público. Depois de alguns testes de pesquisa de comportamento do usuário, eles entenderam as necessidades dos clientes e integraram aprendizado profundo, com uma implementação em Python para a criação da assistente virtual.Muitas das interações do Chatbot hoje, nascem do contato das pessoas com a Lu em outras plataformas.O aprendizado de máquina pode acontecer de 3 maneiras:

‍

‍1. Aprendizado supervisionado

‍Sabe quando somos bebês e nossos pais ficam apontado para um cachorro e falando o nome dele, repetindo inúmeras vezes até aprendermos a diferenciá-lo de um gato, por exemplo? Esse é o aprendizado supervisionado: quando alguém que já sabia, nos treina.No caso da máquina, é necessário que um programador ofereça exemplos de quais entradas se alinham com os resultados.Por exemplo, se você quisesse usar machine learning para ensinar um computador a reconhecer fotos de gatos, você forneceria um banco de imagens com algumas fotos rotuladas de "gatos" e outras de "não gatos".Os algoritmos de aprendizado de máquina ajudariam o sistema a aprender os conceitos, para que ele pudesse identificar gatos em imagens.

‍2. Aprendizado não supervisionado

‍Quando você está em uma reunião na sua empresa e surge a pergunta: "Quais os perfis de clientes que compram em uma determinada loja?", estamos falando de aprendizado de máquina não supervisionado.Neste caso, não existe uma variável específica a ser respondida.

Imagine que você é dono de um comércio e quer conhecer quem são seus consumidores. Pode haver um perfil de consumidor que compra só vinho e queijo, ou que compra carne e carvão.O aprendizado não supervisionado pode te ajudar com soluções para o seu negócio, como a distribuição de produtos em prateleiras específicas. Com o mapeamento de uma loja, é possível posicionar estrategicamente os produtos, definindo os caminhos que os clientes farão. Dessa forma, aumenta a probabilidade de crescimento nas vendas.Vamos supor que você tem um grande conjunto de dados de vendas. O aprendizado não supervisionado poderia ser usado para conhecer perfis e melhorar suas estratégias de marketing. Você conseguiria descobrir, por exemplo, que homens nascidos no início da década de 90, com renda mensal de 5 mil reais por mês, têm afinidade por determinado modelo de sapato.O aprendizado não supervisionado exige que o sistema desenvolva suas próprias conclusões, a partir de um determinado conjunto de dados.

3. Reinforcement Learning

Neste aprendizado, a máquina aprende qual a melhor decisão a ser tomada.O aprendizado por reforço envolve um feedback de recompensa, caso o sistema execute ações positivas ou punições, caso ele execute ações negativas.A máquina aprende de acordo com as interações com o ambiente, com suas próprias experiências.Um exemplo clássico, de como aplicar esse aprendizado, é um agente aprendendo um jogo. O objetivo é vencer o jogo e a máquina vai sendo recompensada ou punida de acordo com seus erros e acertos.

O que é Deep learning?

Deep learning é a parte do aprendizado de máquina que, por meio de algoritmos de alto nível, tenta imitar o cérebro humano. Ele treina o computador para aprender sozinho através do reconhecimento de padrões em várias camadas de processamento.Graças ao interesse renovado em IA e deep learning, alguns avanços estão acontecendo. Hoje, existem muito mais dados disponíveis para construir redes neurais com camadas profundas, incluindo os fluxos de dados da IoT (internet das coisas), dados textuais de mídias sociais, receitas médicas e transcrições de investigações.Um bom exemplo é o AlphaGo, programa de IA do Google, que derrotou um campeão mundial no jogo chinês Go. A máquina é treinada através de deep learning (aprendizado profundo), que utiliza redes neurais artificiais para que o computador faça intuições, se aproximando ao máximo do cérebro humano.Mas como essa técnica está sendo usada?

Reconhecimento de fala

Algumas empresas já empregam aprendizado profundo em seus sistemas, para reconhecer padrões de fala e voz.Assistentes virtuais como a Cortana da Microsoft, a Siri da Apple e o Google Assistant, nos permitem interagir com os dispositivos de forma simples. Um simples comando de voz e o computador/smartphone faz o que pedimos.

Reconhecimento de imagem

Uma aplicação prática do reconhecimento de imagem é a legendação (ou descrição de cena) automática.O reconhecimento de imagem está levando melhorias para a robótica: drones automáticos capazes de fazer entregas e carros self-driving. Ford, Tesla, Uber, Baidu e Google estão trabalhando em protótipos de carros que não precisam de motoristas.

A área médica também tem se beneficiado com essa tecnologia.O reconhecimento de imagem junto à visão computacional, tem ajudado na leitura de imagens de forma mais precisa que um profissional da área faria para diagnosticar um câncer e de forma menos invasiva, acelerando assim, a busca por uma cura.Esse vídeo traz um pouco mais sobre deep learning para análise médica (em inglês):

Sistemas de recomendação

O deep learning pode ser usado para aprimorar as recomendações em ambientes complexos, como para músicas ou preferências de roupas em múltiplas plataformas.A Amazon e a Netflix popularizaram o conceito de sistemas de recomendação através de boas chances de acertar no que você pode estar interessado depois de realizar uma ação, a partir de comportamentos anteriores.

Algumas redes sociais constroem seus negócios aprendendo sobre seus usuários. Elas usam aprendizado profundo para decidir quais anúncios mostrar e a quais usuários. Com isso, elas permitem que os anunciantes possam fazer campanhas com um foco bastante específico, com um feedback metrificado para investimentos em publicidade mais assertivos.O interesse por inteligência artificial não para de crescer, e hoje vemos os termos machine learning e deep learning sendo mencionados com frequência cada vez maior, e soluções comerciais surgindo a todo momento.As organizações precisam se preparar para esse novo cenário. As oportunidades que são abertas pelas novas tecnologias são promissoras, mas os desafios são também muito grandes.Conte conosco para preparar sua empresa para o futuro.