Por Ricardo Galante, especialista em Customer Care e Analytics do SAS
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.