Pode ser que em algum momento você já tenha se deparado com o termo Machine Learning e ficado na dúvida sobre como de fato ele funciona na prática de empresas ou como pode se encaixar na realidade de profissionais que lidam com o desafio constante de interpretar e extrair valor de determinado volume de dados.

Além do Big Data, que já permeia esse universo, ele (Machine Learning), por sua vez, retrata uma realidade em que algoritmos (funções matemáticas) são aplicados a um montante de informações para que seja possível extrair delas algum significado, muitas vezes não percebido de fato pela pessoa responsável por compilá-los.

Ou seja, é uma forma de utilizar IA (Inteligência Artificial) para analisar um conjunto de informações e para ensinar o algoritmo a identificar padrões nos dados, por meio do que chamamos de Aprendizado de Máquina, (aproveite para entender a diferença entre IA, Machine Learning e computação cognitiva em nosso outro post).

Quer entender melhor como essa extração de dados pode acontecer e qual o maior desafio nessa esfera?

Veja a seguir:

Passo 1 – Extrair dados suficientes em Machine Learning

Entrando neste novo campo da aprendizagem de máquina alguns profissionais podem sentir que se deparam com um problema que é onde obter uma massa de dados estudos de cenários diversos.

É o caso, por exemplo, de uma experiência bastante prática que poderia se aplicar a um cenário de pesquisa de vendas e comércio qualquer.

Para começar a implementação sabe-se que é possível utilizar uma base simples, implantando ML (machine learning) para estimar valor de venda de alguns produtos (como, em uma linha bem genérica, carros), começando por sites de vendas (como aconteceu com nosso especialista Marcelo Costa, em uma experimentação básica na área).

No início, para implementar a ML não poderia usar uma lista aleatória de carros, uma vez que os valores costumavam variar muito entre os modelos, sendo necessário buscar apenas um modelo de veículo para ter dados mais consistentes. Para obter os dados cria-se, então, um script que faz uma busca no site e extrai os campos necessários da lista de anúncios percorrendo cada página de resultado.

Pela necessidade de obter a maior quantidade de informações possíveis com o menor trabalho, nesse caso percebeu-se que na ocasião o melhor seria extrair dados na página de resultados ao invés de entrar em cada anúncio.

Algumas informações eram relativamente fáceis de obter pois estavam padronizadas nos anúncios como o ano de fabricação, quilometragem e valor, mas foi preciso perceber que seria possível conseguir ainda mais dados da descrição (como potência do motor, se era hatch ou sedã, ou se era o modelo top de linha).

Uma ferramenta útil e de fácil acesso para essa tarefa podia ser inicialmente o Excel, que trabalha com fórmulas matemáticas e contém diversas funções para pesquisar texto em cada célula e fazer tanto a extração de dados quanto a filtragem.

Em um patamar mais avançado, contudo, recursos computacionais dotado dessa mesma base de inteligência poderiam se tornar mais úteis na automatização e programação de tarefas mais complexas para projetos profissionais.

Passo 2 – Filtrando e aprimorando mais os dados

Mas mesmo que esse procedimento inicial seja relativamente simples, dependendo dos objetivos pode ser necessário garimpar um pouco mais de dados (como, no exemplo citado, quilometragem muito alta, valor muito alto, e também o inverso com valores muito baixos além da falta de tais informações), momento em que pode-se constatar que, muitas vezes, é preciso aprimorar mais ainda a técnica.

Nesse ponto, ferramentas de tecnologia podem ajudar bastante (veja aqui, inclusive, por que escolher a Kyros quando o assunto é esse).

Cabe também a cada profissional ou empresa que irá utilizar Machine Learning em algum projeto saber filtrar os dados que quer trabalhar, já que um ou outro dado discrepante sempre vai passar, mas os cálculos realizados pela ML dão conta de filtrar o que é relevante.

E isso é possível configurando funções cada vez mais apuradas de ML para trabalhar com os dados que você tem disponível em sua empresa dependendo do momento de negócio que ela vivencia e os objetivos que tem com essa busca.

Passo 3 – Saber aplicá-los e por que considerá-los

Por fim, é importante entender o valor de todo esse processo para o trabalho.

Até porque essa compreensão ajuda mesmo na hora de selecionar e programar os algoritmos para extração e classificação dos dados.

Após isto, as aplicações podem ser diversas: na área comercial Machine Learning pode entrar para auxiliar na criação de ofertas inteligentes para os clientes, que respondem mais ajustadamente às suas demandas e expectativas, compreendendo melhor o comportamento e as dores desse público para adaptar os produtos e serviços oferecidos.

Entregar, de fato, soluções mais rápidas e eficazes no dia a dia. Logo, consegue trazer às empresas maior diferencial competitivo.

Trabalhar diretamente na obtenção dos dados permite visualizar que dentre o montante de informação é preciso criar métodos para tornar os dados mais relevantes compreensíveis e aplicáveis a uma “realidade útil” de negócio, por exemplo. Esse ponto pode ser crucial para fazer toda uma estratégia de negócio dar certo depois. 

Pois, assim como ocorre com o BI ou Big Data, ML  vai ajudar a apontar caminhos mais viáveis em meio a um volume de informações, nesse caso dando ênfase também ao uso de tecnologia propriamente dita para interferir nisso de forma mais prática (Por meio da aprendizagem automática).

Engajamento 

No desenvolvimento de soluções de tecnologia, entretanto, Machine Learning também pode colaborar para que a empresa consiga maior eficiência no produto ou serviço que o público irá utilizar.

É o caso, por exemplo, de como utilizar Machine Learning em mobile apps.

Uma vez que essa tecnologia permite interpretar possíveis padrões e comportamento do usuário e agir de forma indutiva, o dispositivo utilizado se tornará capaz de captar regras e padrões para tornar a experiência do usuário a mais completa possível.

E então, você já conhecia os caminhos do ML? Já utiliza alguma forma disso em seu negócio? Fale com a Kyros para obter ajuda ou compartilhar sua experiência!

Postado por Kyros Tecnologia em 18 abril, 2018