Há alguns anos, mais especificamente em meados de 2016, começou a surgir um conceito que iria se popularizar até estar presente em boa parte do dia a dia de quase todos nós: o Machine Learning. Existem várias fontes na internet para aprender sobre esse assunto, mas quase nenhuma que seja acessível para boa parte das pessoas. Todo mundo fala sobre Machine Learning, mas poucas pessoas sabem o que é, para que serve e como aplicá-lo.
Meu objetivo nesse artigo é destrinchar um pouco esse conceito e facilitar o entendimento de algo que, se utilizado corretamente, pode impactar radicalmente os resultados da sua empresa.
Machine Learning é um ramo do que se conhece como Inteligência Artificial (IA), e tem a ver com a criação de sistemas que aprendem por conta própria e que, com o passar do tempo, melhoram sua precisão.
Em 1959, Arthur Samuel foi a primeira pessoa a usar o termo no seu paper “Some Studies in Machine Learning Using the Game of Checkers”, onde destaca que “um computador pode ser programado de tal forma que vai aprender a jogar damas melhor que a pessoa que o programou. Além disso, também pode jogar em um período de tempo relativamente curto se receber somente as regras do jogo, um sentido de direção e uma lista redundante e incompleta de parâmetros que supostamente têm alguma relação com o jogo, mas cujos sinais e pesos relativos são desconhecidos e não especificados”.
Em poucas palavras, a máquina pode aprender, melhorar e chegar a derrotar seu adversário humano em pouco tempo, em função dos dados que vai recebendo e analisando.
O objetivo principal da IA é simular o processo de inteligência humana através de máquinas. A ideia é imitar as capacidades que os humanos possuem de tomar decisões e resolver problemas, mas através da tecnologia. É um campo que, por sua vez, tem ramos como Machine Learning e Deep Learning.
Existem dois tipos de Inteligência Artificial:
E onde entra o Machine Learning dentro do campo da inteligência artificial que busca simular a inteligência humana? Fundamentalmente, em tudo que tenha a ver com a aprendizagem.
Falamos de aprendizagem, mas ainda não focamos nos métodos usados para que as máquinas aprendam. Existem três tipos: supervisionado, não supervisionado e por reforço.
Nesse caso, um algoritmo é treinado com dados já etiquetados e um target (ou output) específico. Os inputs são fornecidos com outputs corretos, o que vai ajudar o modelo a aprender ao longo do tempo. Falamos de “treinamento” porque o algoritmo aprende justamente encontrando relações entre os dados ao invés de gerar uma resposta específica.
Nesse exemplo, temos inputs e outputs que se relacionam aos inputs. Para saber de qual espécie de flor estamos falando (o output), são analisadas certas características (ou, nesse caso, os inputs) e se elabora uma resposta.
Os algoritmos de Machine Learning, neste caso, trabalhariam para prever qual a espécie da flor com base no comprimento e da largura da sépala, junto com o comprimento e largura da pétala. Conforme o tempo passa e mais dados são gerados, o algoritmo aprende mais e, em um caso satisfatório, estaria prevendo a espécie na maior parte das vezes somente com os inputs.
A aprendizagem supervisionada pode ser dividida em duas subcategorias:
Alguns algoritmos utilizados comumente na aprendizagem supervisionada são redes neurais, classificadores Naive Bayes, regressão linear, regressão logística, SVM, entre outros.
Como o próprio nome já diz, estamos diante de um método em que não existe nenhuma supervisão dos dados. E qual o objetivo do algoritmo, nesse caso? Agrupar esses dados em função de características similares. Isso permite encontrar relações entre os dados que não poderiam ser encontradas de outra forma, ou seria extremamente difícil sem a ajuda de um algoritmo.
Voltando ao nosso exemplo das flores, poderíamos usar as características (comprimento e largura da sépala e da pétala) para agrupá-las por similaridade. Como no nosso set de dados não teríamos um output que nos permitisse fazer uma classificação (a espécie da flor), deixamos para os algoritmos a tarefa de agrupar por características similares.
Os métodos mais comuns para agrupar dados em função das suas relações são clustering, regras de associação e redução de dimensão.
Esse tipo é semelhante ao supervisionado, mas sem usar nenhum tipo de dado de treinamento. Basicamente, o modelo aprende com tentativas e erros com o passar do tempo. Quando uma resposta do algoritmo estiver correta, o sistema será reforçado para seguir aprendendo.
Depois de ver os diferentes métodos, você deve estar pensando que o Machine Learning não se aplica somente ao âmbito acadêmico, mas também pode abranger uma variedade enorme de casos de uso. Aqui estão alguns exemplos comuns:
Para transformar a voz humana em texto (comum em vários produtos, como Google Translate e sua funcionalidade de “Traduzir por voz”) diante do uso de NLP (conhecido em inglês como natural language processing e em português como processamento de linguagem natural).
Quando você fala com seu telefone e percebe que sua voz se transforma imediatamente em texto, existe um algoritmo de Machine Learning por trás disso.
Há alguns anos nasceu uma indústria praticamente nova, onde o Machine Learning teve um papel fundamental na hora de construir um produto sólido e que pudesse oferecer um atendimento de qualidade aos clientes, a qualquer hora e em qualquer lugar: os chatbots.
Na Botmaker, facilitamos a criação desses robôs que servem tanto para suporte ao cliente como para vendas, campanhas específicas de marketing, centros de ajuda, comunicação interna, entre outros. Temos vários casos de sucesso e trabalhamos com empresas de todo o mundo.
Da Netflix à Amazon, todos têm motores de recomendação que usam Machine Learning para mostrar coisas que possam interessar a você. No caso da Netflix, se você viu muitos filmes de ação, provavelmente você vai receber recomendações de filmes desse ou de outros gêneros que usuários com características similares às suas tenham visto. Acontece o mesmo no caso da Amazon, mas com produtos.
As fraudes são um problema enorme para bancos e empresas de e-commerce. Usando o Machine Learning, é possível detectar sinais de possíveis ações fraudulentas e evitá-las antes mesmo que aconteçam.
Conhecendo os interesses e interações dos seus usuários com o seu produto ou serviço, você pode lançar campanhas de marketing mais eficientes, que cheguem no momento correto e ofereçam ao usuário algo de valor em função do seu histórico. Esses são só alguns, mas é claro que existem muitos casos de uso que hoje são possíveis graças a essa tecnologia.
O Machine Learning é uma subcategoria da Inteligência Artificial, dedicado exclusivamente à criação de sistemas que aprendem sozinhos através de diferentes métodos (supervisionado, não supervisionado e reforçado). Apesar de ser mencionado como um sinônimo da IA, não é, já que, na verdade, compõe uma de suas partes. Existem diversos casos de uso para o Machine Learning que vão desde a criação de bots até motores de recomendação, com o objetivo de melhorar a experiência de clientes e/ou usuários de um produto ou serviço. Se você tem uma empresa e precisa atender a todos os seus clientes em uma mesma plataforma e com o apoio de uma ferramenta que permita mais eficiência e um aprendizado mais profundo das necessidades dos seus usuários, não deixe de entrar em contato com um de nossos especialistas. Na Botmaker, trabalhamos com diversas empresas para os mais variados casos de uso. Onde houver uma conversa, podemos ajudar você a gerenciá-la da melhor maneira possível.
