O que é machine learning?

O machine learning é uma forma de inteligência artificial que permite que um sistema aprenda a partir de dados, e não através de programação explícita. No entanto, o machine learning não é um processo simples. Como os algoritmos ingerem dados de treinamento, é possível produzir modelos mais precisos com base nesses dados. Um modelo de machine learning é a saída gerada quando você treina seu algoritmo de machine learning com dados. Após o treinamento, ao fornecer um modelo com uma entrada, você receberá uma saída. Por exemplo, um algoritmo preditivo criará um modelo preditivo. Então, ao fornecer o modelo preditivo com dados, você receberá uma previsão com base nos dados que treinaram o modelo.

Ilustração para machine learning

Aprendizado iterativo

O machine learning permite que os modelos treinem em conjuntos de dados antes de serem implementados. Alguns modelos de machine learning são on-line e contínuos. Esse processo iterativo de modelos on-line leva a uma melhoria nos tipos de associações feitas entre elementos de dados. Devido à sua complexidade e tamanho, esses padrões e associações poderiam facilmente ter sido negligenciados pela observação humana. Depois de um modelo ter sido treinado, ele poderá ser usado em tempo real para aprender com os dados. As melhorias na precisão são resultado do processo de treinamento e automação que fazem parte do machine learning.

Big data no contexto de machine learning

O machine learning requer que o conjunto certo de dados seja aplicado a um processo de aprendizado. Uma organização não precisa ter big data para usar técnicas de machine learning; no entanto, o big data pode ajudar a melhorar a precisão dos modelos de machine learning. Com o big data, agora é possível virtualizar dados para que possam ser armazenados da maneira mais eficiente e econômica, seja on premises ou na cloud. Além disso, melhorias na velocidade e na confiabilidade da rede removeram outras limitações físicas associadas ao gerenciamento de grandes quantias de dados na velocidade aceitável. Inclua a isso o impacto das mudanças no preço e na sofisticação da memória do computador e agora é possível imaginar como as empresas podem aproveitar os dados de maneiras que seriam inconcebíveis há apenas cinco anos.

Abordagens para machine learning

Técnicas de machine learning são necessárias para melhorar a precisão dos modelos preditivos. Dependendo da natureza do problema dos negócios em questão, existem diferentes abordagens com base no tipo e no volume dos dados. Nesta seção, discutimos as categorias de machine learning.

Aprendizado supervisionado

O aprendizado supervisionado geralmente começa com um conjunto estabelecido de dados e um certo entendimento de como esses dados são classificados. O aprendizado supervisionado destina-se a encontrar padrões em dados que possam ser aplicados em um processo analítico. Esses dados rotularam recursos que definem o significado dos dados. Por exemplo, é possível criar um aplicativo de machine learning que distinga entre milhões de animais, com base em imagens e descrições escritas.

Aprendizado não supervisionado

O aprendizado não supervisionado é usado quando o problema requer uma grande quantia de dados não rotulados. Por exemplo, aplicativos de mídia social, como Twitter, Instagram e Snapchat, têm grandes quantias de dados não rotulados. Entender o significado por trás desses dados requer algoritmos que classificam os dados com base nos padrões ou clusters encontrados. O aprendizado não supervisionado conduz um processo iterativo, analisando dados sem intervenção humana. É usado com tecnologia de detecção de spam por e-mail. Há muitas variáveis em e-mails legítimos e de spam para um analista marcar um e-mail em massa não solicitado. Em vez disso, os classificadores de machine learning, baseados em cluster e associação, são aplicados para identificar e-mails indesejados.

Aprendizado por reforço

O aprendizado por reforço é um modelo de aprendizado comportamental. O algoritmo recebe feedback da análise de dados, orientando o usuário para o melhor resultado. O aprendizado de reforço difere de outros tipos de aprendizado supervisionado, porque o sistema não é treinado com o conjunto de dados de amostra. Em vez disso, o sistema aprende por meio de tentativa e erro. Portanto, uma sequência de decisões bem-sucedidas resultará no processo sendo reforçado, porque resolve melhor o problema em questão.

Deep learning

Deep learning é um método específico de aprendizado de máquina que incorpora redes neurais em camadas sucessivas para aprender com os dados de uma maneira iterativa.Deep learning é especialmente útil quando você está tentando aprender padrões de dados não estruturados. Redes neurais complexas de Deep learning são projetadas para emular como o cérebro humano funciona, para que os computadores possam ser treinados para lidar com abstrações e problemas mal definidos. A criança com cinco anos de idade pode reconhecer facilmente a diferença entre o rosto do professor e o rosto do guarda de trânsito. Em contraste, o computador deve trabalhar muito para descobrir quem é quem. Redes neurais e deep learning são frequentemente usados em aplicativos de reconhecimento de imagem, fala e visão computacional.

Gráfico de machine learning

Aplicando machine learning às necessidades de negócios

O machine learning oferece valor potencial para as empresas que tentam alavancar grandes volumes de dados e as ajuda a entender melhor as sutis mudanças de comportamento, preferências ou satisfação do cliente. Os líderes de negócios estão começando a perceber que muitas coisas que acontecem em suas empresas e indústrias não podem ser compreendidas por meio de uma consulta. Não são as perguntas que você conhece, são os padrões ocultos e anomalias enterradas nos dados que podem ajudá-lo ou prejudicá-lo.

Como tudo vem junto

A vantagem do machine learning é que é possível alavancar algoritmos e modelos para prever resultados. É importante assegurar que os cientistas de dados que executam o trabalho estejam usando os algoritmos corretos, alimentando os dados mais adequados (que são precisos e limpos) e usando os melhores modelos de desempenho. Se todos esses elementos se unirem, será possível treinar continuamente o modelo e aprender com os resultados por meio dos dados. A automação desse processo de modelagem, o treinamento do modelo e o teste levam a previsões precisas para suportar mudanças nos negócios.

Inteligência artificial

Produtos

IBM Watson Studio

Uma solução de cloud on premises, privada ou pública, que fornece uma plataforma colaborativa de aprendizado de máquina para as equipes explorarem, modelarem e implementarem soluções de dados, usando as principais ferramentas de software livre.

IBM Machine Learning for z/OS

Uma solução de machine learning on premises que extrai valor oculto dos dados corporativos. Alimente e transforme dados rapidamente para criar, implementar e gerenciar modelos de autoaprendizado de alta precisão, usando dados do IBM z Systems®.

IBM SPSS® Modeler

Uma plataforma de análise gráfica para usuários de todos os níveis de habilidade para implementar insights em escala com uma ampla variedade de algoritmos e recursos, como análise de texto, análise geoespacial e otimização.

IBM Watson Explorer

Uma plataforma de análise cognitiva e de procura cognitiva com base em aprendizado de máquina, que fornece aos usuários acesso a insights acionáveis de todos os dados e ajuda a alcançar melhores resultados de negócios.

Estudos de caso

O Ahus obtém novos insights com o Watson Explorer para oferecer saúde de alta qualidade

O Akershus University Hospital (Ahus) está usando o Watson Explorer, junto com o parceiro Capgemini, para analisar milhares de relatórios de radiologia a fim de garantir que as equipes estejam seguindo as melhores práticas, ajudando a manter altos padrões de saúde.

A análise de conteúdo em tempo real ajuda as centrais de atendimento a atender os clientes com eficiência

A Mizuho Bank Ltd. impulsiona as interações com o cliente de forma eficaz e reduz o tempo de atendimento ao cliente com a ajuda dos recursos de processamento de linguagem natural em tempo real do IBM Watson Explorer.

Recursos

Faça um tour guiado de como construir um modelo de machine learning para prever a rotatividade de clientes do IBM Watson Studio

Confira mais tutoriais sobre aprendizado de máquina e aplicativos de deep learning

Inicie agora a sua versão de avaliação do Watson Studio sem nenhum custo