Série Inovação: Desmistificando o aprendizado de máquina

O Dr. Tom Mitchell, ex-presidente do departamento de Aprendizado de Máquina da Universidade Carnegie Mellon, oferece uma definição elegante de Aprendizado de Máquina em seu livro. Ele sugere que "o campo do aprendizado de máquina está preocupado com a questão de como construir programas de computador que melhorem automaticamente com a experiência" Atualmente, existem muitos tipos diferentes de aprendizado de máquina, mas o mais amplamente utilizado em aplicativos de negócios é o aprendizado supervisionado. O aprendizado supervisionado usa algoritmos como regressões lineares e logísticas e classificação multiclasse para analisar uma série de variáveis de entrada (X) para produzir uma saída (Y) por meio de uma função de mapeamento, como y=f(x). O paralelo do aprendizado supervisionado é o de um professor e um aluno, em que o aluno é treinado em um assunto pelo professor. O aprendizado supervisionado exige que os possíveis resultados do algoritmo sejam conhecidos e que os dados usados para treinar o algoritmo sejam rotulados com as respostas corretas. A maioria dos aplicativos de aprendizado de máquina supervisionado geralmente envolve as seguintes etapas:

1. Reunir o conjunto de dados a ser avaliado
2. Extrair o conjunto de parâmetros e atributos para apoiar as previsões
3. Escolher o algoritmo de aprendizado de máquina
4. Treinar o modelo
5. Fazer previsões usando o modelo implantado
6. Ajustar os parâmetros para refinar o modelo

Imagine que você trabalha no grupo de FP&A de um desenvolvedor de aplicativos móveis e está tentando prever as vendas futuras de vários aplicativos móveis. Há muitas variáveis, como a plataforma suportada, o preço, a disponibilidade global, as pontuações dos críticos on-line e as avaliações dos usuários que podem influenciar a lucratividade de um aplicativo móvel, e é nesse ponto que a aprendizagem automática pode ser usada para prever o sucesso. Tudo começa com os dados disponíveis que podem ser usados em um modelo. Quanto mais dados estiverem disponíveis, maior será a oportunidade de o algoritmo de aprendizado de máquina encontrar a correlação entre um conjunto de atributos para melhorar as previsões futuras. Durante a fase de treinamento do modelo, um algoritmo de aprendizado de máquina é selecionado e usado para avaliar os dados coletados. Em nosso exemplo, alimentaríamos o modelo com dados contendo atributos selecionados de um grupo de aplicativos móveis que foram atingidos e os compararíamos com os resultados previstos pelo modelo. Os experimentos podem ser repetidos usando o mesmo conjunto de dados, mas com diferentes algoritmos de aprendizado de máquina para determinar qual algoritmo é mais eficaz na previsão dos resultados. Um modelo de avaliação é criado após a conclusão do treinamento inicial do modelo e quando estivermos satisfeitos com a eficácia do algoritmo escolhido. Agora podemos implementar o Modelo de Avaliação para fazer previsões. O verdadeiro aspecto mágico ou de "aprendizado" é quando comparamos os valores previstos do nosso Modelo de Avaliação com os valores reais, conforme eles ocorrem ao longo do tempo. Por meio de ajustes incrementais, podemos refinar os parâmetros do modelo, aumentar ou diminuir a resolução do conjunto de dados, e o Modelo de Avaliação pode executar novamente as previsões para determinar se os ajustes nos parâmetros (e/ou nos dados) melhoraram a precisão da previsão. De modo geral, os aplicativos de aprendizado de máquina complementarão e aprimorarão muito os recursos de FP&A. Esses aplicativos não apenas conduzirão a uma análise mais eficaz e a modelos preditivos de maior precisão, mas também permitirão que as previsões sejam acompanhadas de confiança. Para saber mais, clique aqui.