Aprendizado de máquinas - análise de dados aumentada e automatizada

Aprendizado de máquinas - análise de dados aumentada e automatizada

O que é aprendizado de máquinas?

A próxima classe de tecnologia é o aprendizado de máquinas - "machine learning". O aprendizado de máquinas abrange um amplo contexto de tecnologias e capacidades. Alguns cientistas abordam o domínio puramente a partir de uma perspectiva de programas de computador que "aprendem". Uma perspectiva relacionada engloba o reconhecimento de padrões baseados em computador, a modelagem estatística e a análise para a tomada de decisões. Uma terceira perspectiva combina algoritmos de computador, padrões estatísticos e inteligência artificial. Hoje, existem três tecnologias principais que, quando agrupadas, desbloqueiam aspectos-chave de cada perspectiva: computação em nuvem, big data e inteligência artificial (aumentada).

• A computação em nuvem é o acesso sob demanda a recursos de computação, incluindo aplicativos de software, armazenamento, rede e outros serviços. O advento da nuvem sinalizou a separação de armazenamento e processamento do dispositivo, criando acesso onipresente a software e dados. Também deu origem a formas criativas de colaboração.

• Big data é a geração e coleta de grandes quantidades de dados estruturados e não estruturados na busca por novos insights e novas respostas aos desafios que as organizações e os tomadores de decisão enfrentam.

• Inteligência Artificial é a programação e os algoritmos que permitem que dispositivos digitais acessem, combinem e compartilhem dados para aprender, explicar e prever eventos, processos e tendências.

Embora essas três tecnologias sejam frequentemente descritas como distintas, elas raramente são independentes. Juntas, elas têm efeitos marcantes além do domínio típico da tecnologia da informação. Esse impacto é impulsionado pela (1) disponibilidade de dados em muitas formas e de várias fontes; (2) a capacidade de acessá-lo em muitos lugares e de muitos dispositivos; e (3) a capacidade de analisar dados de forma eficiente e aplicá-los de maneira eficaz.

Por que utilizar o aprendizado de máquinas?

A capacidade de acessar, organizar, interpretar e distribuir dados são a força vital da empresa moderna. Mas hoje, os dados são maiores do que nunca. É originado dentro e fora dos limites da empresa. Além disso, é estruturado (uma transação, fatura ou recibo) e não estruturado (um tweet, um vídeo, uma postagem no blog). Esse fluxo caótico de dados pode parecer uma ameaça ou inconveniência na superfície, mas abriga uma enorme oportunidade de obter informações valiosas sobre a operação de uma empresa e o ecossistema maior que inclui seus clientes, fornecedores e partes interessadas.

Ao desenvolver totalmente as capacidades de aprendizado de máquina de suas empresas, os líderes corporativos precisam expandir seu alcance analítico, desde o monitoramento e controle (análise operacional) até a previsão e planejamento (análise estratégica). Além disso, eles devem estender seu alcance explicativo de tomada de decisão altamente previsível (não-interpretativa) para tomada de decisão dinâmica e imprevisível (interpretativa). A promessa completa do aprendizado de máquina é sua capacidade de ser uma fonte nova e colaborativa para os tomadores de decisão em abordar cadeias complexas de causa e efeito, bem como renderizar um conjunto potencial de soluções tradicionais e novos caminhos para avançar.

Onde é aplicado o aprendizado de máquinas?

Big data e analytics estão rapidamente ofuscando outras fontes de valor no domínio do comércio. As empresas usaram dados para criar perfis de hábitos de compra, preços e outros contextos de varejo para direcionar melhor os produtos aos consumidores. Em muitos setores, isso levou a métodos de design de produtos e serviços menos lineares e mais focados nos aspectos dinâmicos da oferta e da demanda, bem como na natureza dinâmica das experiências e resultados do cliente.

O projeto Watson da IBM agrupa big data, computação em nuvem e inteligência artificial em uma tecnologia de aprendizado de máquinas que é maior que a soma de suas partes. O Watson combina processamento de linguagem natural com algoritmos de recuperação, raciocínio e aprendizado para pesquisar, vincular e reconciliar dados estruturados e não estruturados para entender as perguntas que os humanos fazem e fornecer respostas que eles possam entender e justificar. A IBM chama isso de “inteligência aumentada” em vez de "Inteligência artificial" para enfatizar a maneira pela qual Watson aprimora, ao contrário de replicações, a inteligência humana. Os elementos do Watson já foram encontrados em aplicativos executados em dispositivos como o Apple Watch, onde ele responde às perguntas dos usuários sobre exercícios, dieta e saúde - e até oferece conselhos não solicitados.

No futuro, muitas formas de tecnologia emergente terão inteligência aumentada. Andrew Moore, reitor da Escola de Computação Carnegie Mellon, estima que 98% dos pesquisadores de AI estão focados em sistemas de engenharia que ajudarão as pessoas a tomar melhores decisões versus simular a consciência humana. A interface entre aprendizado de máquinas e inteligência humana está rapidamente se tornando o Graal da indústria de alta tecnologia.

Nos cuidados de saúde, o surgimento do aprendizado de máquinas promete uma mudança dramática nas estratégias de tratamento e diagnóstico. Em vez de esperar que apareçam sintomas incômodos, os médicos agora podem monitorar continuamente os marcadores vitais de saúde dos pacientes, começando com uma idade muito mais precoce. Isso permite medidas preventivas e intervenções mais oportunas.

Aprender em todas as suas inúmeras formas é o resultado principal desta tecnologia. Muitas das hipóteses subjacentes à teoria da aprendizagem estão mudando à medida que as tecnologias de disponibilidade, acesso e análise de dados continuam a evoluir. Simulações, realidade virtual e outras ferramentas oferecem aos alunos uma compreensão mais completa de sistemas complexos, como o ambiente e a anatomia humana.

As tecnologias de aprendizado de máquinas permitem que os educadores moldem conteúdo e resultados para atender a diversas necessidades no ensino de pedagogia. Por exemplo, os educadores serão capazes de entender como os alunos interpretam e aplicam conceitos através de padrões revelados por suas ações, decisões e interações com outros alunos. Isso levará ao desenvolvimento de novos “caminhos” que atendam às predisposições cognitivas dos aprendizes. Isso também nos permitirá personalizar experiências educacionais, bem como fornecer contextos únicos e avenidas de colaboração em equipe.

Big data e aprendizado de máquina contribuem de muitas maneiras para a preservação do meio ambiente. Eles permitem a criação de mapas geoespaciais em tempo real que oferecem informações valiosas sobre condições, tendências e riscos que envolvem a qualidade do clima, do ar e da água, bem como a vida animal e vegetal. Esta informação fornece aos líderes empresariais e governamentais informações críticas sobre o potencial impacto do desenvolvimento no meio ambiente. Também permite que as empresas reduzam o desperdício, economizem energia e compreendam o impacto ambiental de todas as suas cadeias de valor.