Por Ricardo Galante, especialista em Customer Care e Analytics do SAS
O mundo está em constante evolução. Mas é possível afirmar que muitas das soluções tecnológicas utilizadas hoje em dia são o avanço de tecnologias que nossos pais e avós usavam no passado. Aplicações analíticas que, em geral, eram voltadas ao segmento acadêmico, atualmente nos auxiliam em situações cotidianas. Por exemplo, ao solicitar um empréstimo financeiro não nos damos conta de que uma tecnologia analítica é utilizada para autorizar, ou não, o crédito a um indivíduo. As informações pessoais são comparadas com as de milhares de outros clientes que passaram pela mesma situação. De forma geral, se os dados e hábitos desse indivíduo forem semelhantes aos de pessoas que honraram seus compromissos, ele terá o crédito liberado.
Mas, como identificar esta similaridade entre milhares de pessoas e um indivíduo em especial? Como evitar ao máximo cometer injustiças de negar crédito a clientes que honrariam o compromisso de pagar em dia ou liberar o montante solicitado a uma pessoa que não honraria? A resposta para estes questionamentos se encontra nos ‘Modelos Analíticos’. Existem várias estratégias para se criar estes modelos e uma bastante utilizada é o Machine Learning.
O que é Machine Learning?
Antigamente, este tipo de metodologia era algo distante e mais parecido com ficção científica, mas hoje se mostra fundamental para os negócios. Machine Learning é uma área da Ciência da Computação, criada a partir de pesquisas relacionadas à Inteligência Artificial. O uso crescente destes métodos está totalmente relacionado ao forte crescimento computacional. Se no passado as pessoas tentavam resolver fórmulas complexas quase que manualmente, hoje emprega-se a tecnologia para automatizar a construção de modelos analíticos que usam algoritmos para aprender a partir de dados de forma interativa. Ou seja, a ideia é que estes algoritmos sejam quase que autossuficientes com a menor intervenção humana possível.
O que difere Machine Learning da Estatística ou dos Modelos Estatísticos?
Machine Learning e Estatística são equivalentes em alguns aspectos. Isso significa que os resultados obtidos com uma metodologia podem ser comparados a outra. Entretando, quando se fala em criar Modelos Estatísticos o objetivo é aprender algo relacionado aos dados, ou seja, obter insights a partir de informações existentes. Já com Machine Learning, ao invés de simplesmente tentar entender o que ocorre nos dados, o que se tem é a ‘criação de exemplos’ ou ‘regras’, e a cada execução do algoritmo, este é capaz de aprender e aprimorar a partir dos exemplos. O aspecto interativo de Machine Learning é importante porque os modelos se aprimoram ao aprender a partir de cálculos internos produzindo melhores resultados.
Importância do Machine Learning nos dias de hoje
O Machine Learning tem importância histórica. Há relatos de que este conjunto de técnicas nasceu durante a Segunda Guerra Mundial e vem sendo aprimorado até os dias atuais. Para se ter uma ideia, esta metodologia já estava presente, por exemplo, no SAS desde a década de 80. Nesta época, por meio de técnicas proveniente de Machine Learning, já se buscava encontrar perfis de comportamento com o objetivo de identificar fraudadores.
O impulso extraordinário no uso desta metodologia se dá por algumas razões. Primeiro porque a quantidade de dados está aumentando em um ritmo sem precedentes. Para a maioria das organizações, o desafio está em extrair informações valiosas a partir de volumes gigantescos de dados provenientes de uma variedade enorme de fontes distintas. Outro ponto são as opções de armazenamento destas informações – atualmente mais acessíveis ou até mesmo gratuitas. Além disso, o poder de processamento computacional nunca foi mais barato ou mais poderoso.
Isso significa que, com os dados corretos, as tecnologias certas, e as análises adequadas, é possível produzir de forma rápida modelos que podem analisar uma grande quantidade de dados, independentemente de sua complexidade e entregar resultados em menos tempo, mais precisos e com a mínima intervenção humana. O resultado? Previsões de alto valor que podem orientar as melhores decisões.
As aplicações para Machine Learning são inúmeras, como: detecção de fraude; recomendações online de ofertas; anúncios publicitários em tempo real na web e em mobile; análise de sentimentos baseada em fontes textuais de redes sociais; credit scoring; previsão de falhas em equipamentos; novos modelos de precificação; detecção de invasão em redes; análise de padrões de escrita; entre outras.
Podemos dizer que a ideia central é utilizar uma tecnologia de alta performance, com aspecto interativo. O que torna o uso do Machine Learning vantajoso é a possibilidade de criar sistemas que aprendam com os próprios dados obtendo os melhores resultados com a mínima intervenção humana, gerando resultados altamente eficazes e possibilitando decisões estratégicas, inclusive, em tempo real.
Mas, como identificar esta similaridade entre milhares de pessoas e um indivíduo em especial? Como evitar ao máximo cometer injustiças de negar crédito a clientes que honrariam o compromisso de pagar em dia ou liberar o montante solicitado a uma pessoa que não honraria? A resposta para estes questionamentos se encontra nos ‘Modelos Analíticos’. Existem várias estratégias para se criar estes modelos e uma bastante utilizada é o Machine Learning.
O que é Machine Learning?
Antigamente, este tipo de metodologia era algo distante e mais parecido com ficção científica, mas hoje se mostra fundamental para os negócios. Machine Learning é uma área da Ciência da Computação, criada a partir de pesquisas relacionadas à Inteligência Artificial. O uso crescente destes métodos está totalmente relacionado ao forte crescimento computacional. Se no passado as pessoas tentavam resolver fórmulas complexas quase que manualmente, hoje emprega-se a tecnologia para automatizar a construção de modelos analíticos que usam algoritmos para aprender a partir de dados de forma interativa. Ou seja, a ideia é que estes algoritmos sejam quase que autossuficientes com a menor intervenção humana possível.
O que difere Machine Learning da Estatística ou dos Modelos Estatísticos?
Machine Learning e Estatística são equivalentes em alguns aspectos. Isso significa que os resultados obtidos com uma metodologia podem ser comparados a outra. Entretando, quando se fala em criar Modelos Estatísticos o objetivo é aprender algo relacionado aos dados, ou seja, obter insights a partir de informações existentes. Já com Machine Learning, ao invés de simplesmente tentar entender o que ocorre nos dados, o que se tem é a ‘criação de exemplos’ ou ‘regras’, e a cada execução do algoritmo, este é capaz de aprender e aprimorar a partir dos exemplos. O aspecto interativo de Machine Learning é importante porque os modelos se aprimoram ao aprender a partir de cálculos internos produzindo melhores resultados.
Importância do Machine Learning nos dias de hoje
O Machine Learning tem importância histórica. Há relatos de que este conjunto de técnicas nasceu durante a Segunda Guerra Mundial e vem sendo aprimorado até os dias atuais. Para se ter uma ideia, esta metodologia já estava presente, por exemplo, no SAS desde a década de 80. Nesta época, por meio de técnicas proveniente de Machine Learning, já se buscava encontrar perfis de comportamento com o objetivo de identificar fraudadores.
O impulso extraordinário no uso desta metodologia se dá por algumas razões. Primeiro porque a quantidade de dados está aumentando em um ritmo sem precedentes. Para a maioria das organizações, o desafio está em extrair informações valiosas a partir de volumes gigantescos de dados provenientes de uma variedade enorme de fontes distintas. Outro ponto são as opções de armazenamento destas informações – atualmente mais acessíveis ou até mesmo gratuitas. Além disso, o poder de processamento computacional nunca foi mais barato ou mais poderoso.
Isso significa que, com os dados corretos, as tecnologias certas, e as análises adequadas, é possível produzir de forma rápida modelos que podem analisar uma grande quantidade de dados, independentemente de sua complexidade e entregar resultados em menos tempo, mais precisos e com a mínima intervenção humana. O resultado? Previsões de alto valor que podem orientar as melhores decisões.
As aplicações para Machine Learning são inúmeras, como: detecção de fraude; recomendações online de ofertas; anúncios publicitários em tempo real na web e em mobile; análise de sentimentos baseada em fontes textuais de redes sociais; credit scoring; previsão de falhas em equipamentos; novos modelos de precificação; detecção de invasão em redes; análise de padrões de escrita; entre outras.
Podemos dizer que a ideia central é utilizar uma tecnologia de alta performance, com aspecto interativo. O que torna o uso do Machine Learning vantajoso é a possibilidade de criar sistemas que aprendam com os próprios dados obtendo os melhores resultados com a mínima intervenção humana, gerando resultados altamente eficazes e possibilitando decisões estratégicas, inclusive, em tempo real.
PT 
EN 
