Índice:
- Uma definição prática
- Aprendizagem Profunda vs. Aprendizagem Barata
- Como funciona o aprendizado barato?
- 2018 and Beyond: Where ML Is Now
Vídeo: But what is a Neural Network? | Deep learning, chapter 1 (Novembro 2024)
Do processamento de linguagem natural (PNL) ao aprendizado profundo e além, o aprendizado de máquina (ML) entrou em muitos aspectos das tecnologias comerciais mais populares. ML é apenas um fator na revolução da inteligência artificial (IA), mas é importante. Os algoritmos de ML são uma camada de inteligência vital incorporada aos produtos que usamos, e só a veremos entrando em mais casos de uso no futuro.
Os algoritmos de ML estão incorporados no tecido de grande parte da tecnologia que usamos todos os dias. As inovações de ML que abrangem visão computacional, aprendizado profundo, PNL e além fazem parte de uma revolução maior em torno da IA prática. Eles não são robôs autônomos ou seres conscientes, mas um tipo de inteligência integrada em nossos aplicativos, software e serviços em nuvem que combina algoritmos de IA e Big Data sob a superfície.
A tendência é ainda mais acentuada nos negócios. O ML não é mais usado apenas para projetos de pesquisa especializados realizados por uma equipe de cientistas de dados. As empresas agora usam o ML para obter business intelligence (BI) acionável e análises preditivas a partir de quantidades cada vez maiores de dados. É por isso que é mais importante do que nunca não apenas saber o que é ML, mas também aprender as estratégias mais eficazes de como usá-lo para obter um valor tangível.
Uma definição prática
A definição direta de ML está dando aos sistemas a capacidade de agir e aprender e fazer ajustes iterativamente, sem nenhuma programação explícita. Dunning disse que o ML é um ramo da estatística, mas que é muito prático. Ele ressaltou que, em um contexto de negócios do mundo real, você precisa ser pragmático e realista com a forma como a aplica. A principal tarefa do ML é criar um processo comercial repetível, confiável e executável.
"O aprendizado de máquina não é olhar para trás em dados científicos e tentar decidir quais conclusões são viáveis", disse Dunning. "Trata-se de olhar para o futuro e perguntar o que podemos prever sobre o futuro e o que acontecerá em vários cenários. Quando se trata de fazer negócios com esses dados, estamos falando de situações muito limitadas nas quais você deseja replicabilidade".
Crédito da imagem: Todd Jaquith no Futurism.com. Clique para expandir o infográfico completo.
Aprendizagem Profunda vs. Aprendizagem Barata
Você pode dividir essa idéia básica em vários campos diferentes no ML, mas Dunning apontou duas em particular em cada extremidade do espectro: aprendizado profundo e o que ele chama de "aprendizado barato". Aprendizagem profunda é o conceito mais complicado.
"Queríamos que o aprendizado de máquina fosse mais profundo. Essa é a origem do termo", disse Dunning. "Nos últimos 10 ou 15 anos, foram desenvolvidas técnicas que realmente o fazem. Costumava exigir muito trabalho de engenharia para tornar os relacionamentos nos dados visíveis aos algoritmos, que, por muito tempo, não eram tão inteligentes quanto nós. você queria que eles fossem. Você tinha que entregar algoritmos esses dados palatáveis em um prato, então costumávamos codificar todos esses recursos que os sistemas agora fazem sozinhos ".
O aprendizado profundo é onde reside grande parte da inovação em torno das redes neurais. Ele combina técnicas sofisticadas, como visão computacional e PNL, em camadas de aprendizado "mais profundo" que levaram a grandes avanços em áreas como reconhecimento de imagem e texto. Isso é ótimo para modelagem complexa, mas pode ser um exagero para usos comerciais mais simples e diários, que podem contar com estruturas e técnicas estabelecidas de ML com muito menos parâmetros.
O aprendizado barato, explicou Dunning, significa técnicas simples, eficazes e testadas, nas quais as empresas não precisam investir recursos caros para reinventar a roda.
"Na computação, falamos muito sobre frutas fracas. A disponibilidade de dados e o aumento maciço da capacidade computacional significam que reduzimos a árvore inteira", explicou ele. "O aprendizado de máquina simples não é mais apenas para cientistas de dados".
Como funciona o aprendizado barato?
Os algoritmos básicos de ML podem identificar correlações e fazer recomendações ou tornar as experiências mais contextuais e personalizadas. Dunning disse que há uma oportunidade em praticamente todos os aspectos de como interagimos com os computadores para que eles usem aprendizado barato para simplesmente fazer as coisas funcionarem melhor.
Um exemplo de aprendizado barato na prática é na detecção de fraudes. Bancos e comerciantes lidam com fraudes generalizadas, mas geralmente são dispersas e dizem respeito a valores baixos o suficiente para que não sejam relatados. Dunning explicou que, usando um algoritmo de aprendizado barato (ou seja, um teste de ML existente programado para essa tarefa específica), os comerciantes podem identificar mais facilmente os pontos comuns de comprometimento que colocam os usuários em risco e capturam padrões de fraude que, de outra forma, não seriam visível.
"Suponha que você queira descobrir quais comerciantes parecem estar vazando dados que levam à fraude. Você pode usar um teste G 2 para simplesmente descobrir quais comerciantes estão super-representados nos históricos de transações de vítimas de fraude versus consumidores sem fraude", Dunning disse. "Isso parece simples demais para ser chamado de aprendizado de máquina, mas encontra pessoas más na vida real. Extensões dessa técnica podem ser usadas para aprimorar técnicas um pouco mais avançadas, permitindo que algoritmos de aprendizado mais simples tenham sucesso onde possam falhar de outra forma".
O aprendizado barato pode ser usado de várias maneiras diferentes, então Dunning deu outro exemplo de como uma empresa on-line pode usá-lo. Nesse caso, ele explicou como um algoritmo de ML existente pode resolver um problema simples de classificação de comentários.
"Suponha que você tenha um artigo com vários comentários. Em que ordem eles devem ser colocados? Que tal ordenar os comentários de acordo com o quanto as pessoas pensam que são interessantes? Você pode contar o número de vezes que as pessoas leram o comentário e como muitas vezes eles votam, mas ainda é necessário um pouco de mágica ", disse Dunning.
"Um voto positivo de um leitor provavelmente não é realmente melhor do que oito votos positivos em cada 10 leitores", explicou ele. "Pior ainda, se você colocar os primeiros vencedores no topo, os outros comentários nunca verão a luz do dia e nunca aprenderão sobre eles. Um pouquinho de aprendizado de máquina chamado amostragem Thompson pode resolver isso de uma maneira que reúne dados sobre novos comentários. e onde as classificações são incertas, mas geralmente as ordenam de maneira a proporcionar aos usuários a melhor experiência ".
Dunning também estabeleceu um conjunto de práticas recomendadas sobre como sua empresa pode tirar o máximo proveito da ML. Para uma análise detalhada de como a logística, os dados e um arsenal de diferentes algoritmos e ferramentas são considerados uma estratégia de negócios bem-sucedida, confira nossa história de 7 dicas para o sucesso do aprendizado de máquina.
2018 and Beyond: Where ML Is Now
Talvez isso não seja uma surpresa para você, mas o Big Data e o espaço associado ao banco de dados estão crescendo rapidamente, para dizer o mínimo. Durante a conferência do BigData SV 2018 em San Jose, Peter Burris, diretor de pesquisa da empresa de análise de tecnologia Wikibon Research, apresentou descobertas indicando que a receita da indústria global de Big Data estima-se que cresça de US $ 35 bilhões em 2017 para US $ 42 bilhões em 2018. Em Além disso, Burris prevê que a receita chegue a US $ 103 bilhões até o ano 2027.
Para lidar efetivamente com todos esses dados, as soluções inteligentes de ML se tornarão ainda mais necessárias do que são agora. É evidente que o ML continuará sendo um tópico quente no futuro próximo. Quando conversamos pela última vez com Dunning da MapR, há um ano, ele enfatizou a adoção de uma abordagem realista e calculada da ML para os negócios. Mas um ano é muito tempo em que você está falando sobre tecnologia. Recentemente, conversamos com Dunning e, segundo ele, as coisas permaneceram iguais desde a nossa última conversa. "Nesse nível mais alto, nada mudou", disse Dunning. "A idéia básica de raciocinar a partir de evidências certamente não é novidade no ano passado, mas algumas das ferramentas mudaram".
Com isso em mente, Dunning também disse que há mais jogadores no campo do que há apenas um ano atrás, mas esse fato não é necessariamente uma coisa boa. "Uma coisa que aconteceu foi o surgimento de mais e mais fornecedores que estão falando sobre aprendizado de máquina 'mágico', para colocar uma palavra desagradável nisso", explicou ele. "Há um grande equívoco de que você pode simplesmente lançar seus dados em um produto e obter algumas idéias bonitas com ele".
- Por que o Machine Learning é o futuro Por que o Machine Learning é o futuro
- Comet.ml quer mudar como interagimos com o Machine Learning Comet.ml quer mudar como interagimos com o Machine Learning
- Google simplifica aprendizado de máquina com SQL Google simplifica aprendizado de máquina com SQL
Esperar um resultado mágico da ML pode ser "nada assombroso", de acordo com Dunning. "Você ainda precisa pensar em qual problema realmente importa. Você ainda precisa coletar dados e gerenciar a implantação do seu sistema", afirmou. "E essas realidades pragmáticas e logísticas ainda dominam o problema".
Dunning discorda de parte do elevado marketing oferecido por algumas empresas de software. "Nenhuma das coisas mágicas da IA aborda isso", disse ele. Ele tem um conselho para as empresas considerarem. Segundo ele, uma maneira de garantir boas práticas é contratar um analista de negócios de IA específico, para que você faça com que alguém em sua empresa identifique aspectos do seu negócio que podem ser aprimorados usando a tecnologia ML.
"Em alguns casos, isso pode ser uma extensão do seu negócio para novas oportunidades", explicou Dunning. Porém, na maioria dos casos, ele enfatizou que é crucial contratar alguém para entender as necessidades da sua organização e usar essas informações para orientar sua estratégia de ML.
