Machine learning: o próximo passo em análise avançada

Melhores previsões e ações a partir de Big Data.

Machine learning habilita as organizações a colher um volume de percepções a partir de dados estruturados e não estruturados maior do que, de outra maneira, poderiam obter com soluções de inteligência empresarial tradicional.

1. Uma nova dimensão em análise preditiva

Na economia atual, todas as empresas estão se tornando empresas de dados. Em um estudo conduzido pela Forrester Consulting, 98% das organizações afirmaram que as análises são importantes para direcionar as prioridades da empresa, ainda que menos de 40% das cargas de trabalho estejam utilizando análises avançadas ou inteligência artificial. O machine learning oferece uma maneira com a qual as empresas possam extrair maior valor de seus dados para aumentar a receita, ganhar vantagem competitiva e cortar custos.

O machine learning é uma forma de análise preditiva que faz as organizações avançarem na curva de maturidade de inteligência empresarial (BI), afastando-se da dependência exclusiva na análise descritiva focada no passado para incluir suporte à decisão autônoma, voltada para o futuro. A tecnologia está em uso há décadas, mas a empolgação em torno de novas abordagens e produtos está estimulando muitas empresas a considerá-la novamente.

As soluções de análise baseadas no machine learning geralmente operam em tempo real, adicionando uma nova dimensão à BI. Enquanto os modelos antigos continuarão a fornecer importantes relatórios e análises para tomadores de decisão da alta direção, a análise em tempo real leva as informações aos funcionários “da linha de frente” para melhorar o desempenho de hora em hora.

No machine learning – um ramo da inteligência artificial – os sistemas são “treinados” para utilizar algoritmos especializados para estudar, aprender e fazer previsões e recomendações a partir de imensos volumes de dados. Os modelos preditivos expostos a dados novos podem adaptar-se sem intervenção humana, aprendendo com iterações anteriores para produzir decisões e resultados cada vez mais confiáveis e reproduzíveis.

Com o tempo, essa iteração torna o sistema “mais inteligente”, cada vez mais capaz de descobrir percepções ocultas, relacionamentos e tendências históricas, e revelar novas oportunidades em tudo, desde preferências dos compradores até a otimização da cadeia de suprimentos e a descoberta de petróleo. O mais importante é que o machine learning permite que as empresas façam mais com Big Data e incorporem novos recursos, tais como análise de IoT.

O machine learning é uma tecnologia de análise robusta que já está disponível. Muitas soluções novas comerciais e de fonte aberta para machine learning estão disponíveis juntamente com um ecossistema completo para desenvolvedores. É possível que sua empresa já esteja utilizando a abordagem de alguma forma, como para a filtragem de spam. O emprego mais amplo de machine learning e análise permite que você responda mais rapidamente a soluções dinâmicas e obtenha mais valor dos seus imensos volumes de dados que não param de crescer.

2. A análise preditiva está em toda parte

Um excelente motivo para a crescente popularidade da análise avançada baseada em machine learning é que ela pode proporcionar benefícios empresariais em praticamente todos os setores da indústria. Onde quer que os grandes volumes de dados e os modelos preditivos necessitem de ajustes regulares, machine learning faz sentido.

O fornecimento de recomendações para livros, filmes, vestuário e dezenas de outras categorias é um exemplo bem conhecido de machine learning em ação. Entretanto, há muitos outros.

No varejo, machine learning e a etiquetagem por RFID (identificação por frequência de rádio) permitem um gerenciamento de inventário muito melhor. O simples rastreamento da localização de um item é um grande desafio, assim como estabelecer a correspondência entre o inventário físico e o contábil. Com machine learning, os dados utilizados para solucionar esses problemas também podem melhorar a localização dos produtos e influenciar o comportamento dos clientes. Por exemplo: o sistema pode examinar a loja em busca de algum item do inventário que esteja fora do lugar de modo a realocá-lo, ou identificar itens que estejam vendendo bem e movê-los para um ponto mais visível da loja.

Quando machine learning é associado a regras de linguística, as empresas podem verificar as mídias sociais para saber o que os clientes estão dizendo sobre sua marca e seus produtos. A empresa pode até encontrar padrões subjacentes, ocultos, capazes de indicar entusiasmo ou frustração com um produto em particular.

A tecnologia já está desempenhando um papel fundamental em aplicações que envolvem sensores. Machine learning também é essencial para veículos autônomos, nos quais os dados de múltiplos sensores devem ser coordenados em tempo real de modo a garantir decisões seguras.

Machine learning pode ajudar a analisar dados geográficos a fim de descobrir padrões que possam predizer com mais exatidão a probabilidade de que um determinado local seja o ideal para a geração de energia eólica ou solar.

Esses são alguns dos muitos exemplos de machine learning em ação. Trata-se de uma técnica comprovada que está fornecendo resultados valiosos neste momento.

3. Vantagem competitiva diferenciada

Machine learning pode oferecer vantagem competitiva às empresas ao solucionar problemas e revelar percepções mais rapidamente e com mais facilidade do que a análise convencional. Ele é especialmente útil para fornecer valor em três tipos de situação.

A solução de um problema muda com o tempo: O acompanhamento da reputação de uma marca via mídias sociais é um bom exemplo. A demografia de plataformas individuais altera-se; novas plataformas aparecem. Alterações como essas geram confusão e exigem revisões constantes para que os profissionais de marketing que utilizam análises baseadas em regras alcancem os alvos certos com as mensagens corretas. Em contrapartida, os modelos de machine learning adaptam-se com facilidade, oferecendo resultados confiáveis ao longo do tempo e liberando recursos para a solução de outros problemas.

A solução varia de acordo com a situação: Na Medicina, por exemplo, o histórico pessoal ou familiar de um paciente, sua idade, sexo, estilo de vida, alergias a certos medicamentos e muitos outros fatores fazem com que cada caso seja diferente. Machine learning pode considerar todos esses fatores para oferecer diagnóstico e tratamento personalizado, enquanto otimiza os recursos de cuidados de saúde.

A solução ultrapassa a capacidade humana: As pessoas podem reconhecer muitas coisas, como vozes, rostos de amigos, certos objetos, etc., mas não conseguirem explicar por que. O Problema? Variáveis demais. Ao separar e classificar muitos exemplos, machine learning pode aprender objetivamente a reconhecer e identificar variáveis externas específicas que, por exemplo, dão voz ao seu personagem. (Tom, volume, sons harmônicos, etc.)

A vantagem competitiva é resultado do desenvolvimento de máquinas que não dependem de sentidos, descrição, intervenção ou interação humanas para solucionar uma nova classe de decisões. Esse recurso abre uma nova oportunidade em muitos campos, inclusive Medicina (rastreamento de câncer), manufatura (avaliação de defeitos) e transportes (uso do som como mais uma pista para a segurança ao volante).

4. Mais rápido e menos dispendioso

Em comparação com outras abordagens analíticas, machine learning oferece diversas vantagens para profissionais de TI, cientistas de dados, grupos com diferentes linhas de negócios e suas organizações.

Machine learning é ágil e flexível com dados novos. Os sistemas baseados em regras apresentam bons resultados em situações estáticas, mas machine learning sobressai-se quando os dados são alterados ou acrescentados constantemente. Isso ocorre porque ele elimina a necessidade de ajustar constantemente um sistema ou adicionar regras para obter os resultados desejados. Esse recurso economiza tempo de desenvolvimento e reduz em muito a necessidade de grandes mudanças.

Os custos de pessoal para machine learning são geralmente menores no longo prazo do que os custos da análise convencional. No início, obviamente, as empresas devem contratar especialistas altamente qualificados em probabilidade, estatística, algoritmos de machine learning, métodos de treinamento de IA, entre outros. Todavia, uma vez que machine learning esteja em pleno funcionamento, os modelos preditivos podem ajustar-se, o que significa que são necessários menos seres humanos para regular a precisão e a confiabilidade.

Outra vantagem é a escalabilidade. Os algoritmos de machine learning são criados com paralelismo em mente e, portanto, dimensionam-se melhor, o que, em última análise, significa respostas mais rápidas aos problemas empresariais. Os sistemas que dependem da interação humana não se dimensionam tão bem. Machine learning minimiza a necessidade de constantemente recorrer a pessoas para a tomada de decisões.

Finalmente, as aplicações de machine learning podem custar menos para rodar do que outros tipos de análise avançada. Muitas técnicas de machine learning ajustam-se facilmente a múltiplas máquinas, em vez de a uma única plataforma de alta tecnologia mais cara.

5. Primeiros passos com machine learning  

O sucesso na atualização para machine learning começa com a identificação de um problema empresarial, no qual a tecnologia pode ter impacto claro e mensurável. Após a identificação de um projeto apropriado, as organizações devem alocar especialistas e escolher uma técnica adequada para ensinar os sistemas como pensar e agir. São eles:

Aprendizado supervisionado: O sistema recebe exemplos de entradas e saídas e depois recebe a tarefa de criar regras gerais de comportamento. Exemplo: os sistemas recomendados pela maioria das principais marcas utilizam o aprendizado supervisionado para melhorar a relevância das sugestões e aumentar as vendas.

Aprendizado semi-supervisionado: O sistema geralmente recebe uma pequena quantidade de dados identificados (com a “resposta certa”) e um volume muito maior de dados não identificados. Este modo tem os mesmos casos de uso do aprendizado supervisionado, mas é mais econômico devido aos menores custos dos dados. Ele é em geral a melhor opção quando se espera que os dados de entrada mudem com o tempo, como ocorre no comércio de produtos básicos, mídias sociais ou situações relacionadas ao clima, por exemplo.

Aprendizado não supervisionado: Neste caso, o sistema simplesmente examina os dados buscando estrutura e padrões. Este modo pode ser usado para descobrir padrões que, de outro modo, não seriam percebidos, como o comportamento de compras nas lojas que pode conduzir mudanças na localização de produtos para aumentar as vendas.

Aprendizado de reforço: Nesta abordagem, o sistema é colocado em um ambiente interativo e em transformação, recebe uma tarefa e feedback na forma de “punições” e “recompensas”. Esta técnica tem sido utilizada com grande sucesso para treinar robôs de fábricas a identificar objetos.

Independentemente do seu projeto, o progresso de uma organização para utilizar machine learning com eficácia na análise, depende do domínio destas práticas básicas. 

6. Intel: Processadores potentes são apenas o início

A Intel ajuda as empresas a colocar machine learning em funcionamento em aplicações do mundo real que exigem desempenho de alta velocidade. Ela o faz com uma abordagem de sistemas que inclui processadores, software otimizado e suporte para desenvolvedores, além de um imenso ecossistema de parceiros do setor.

Machine learning exige elevado poder de computação. Os processadores Intel® Xeon® fornecem uma linha de base escalável e o processador Intel® Xeon Phi™ é especificamente projetado para cargas de trabalho altamente paralelas, típicas de machine learning, bem como para as necessidades de memória e malha (redes) do machine learning. Em um teste da Intel, este processador forneceu uma redução de 50 vezes no tempo de treinamento do sistema.1 A tecnologia de hardware da Intel também incorpora aceleradores programáveis e fixos, memória, armazenamento e recursos de criação de redes.

Além disso, a Intel oferece o suporte a software que habilita as organizações de TI a passarem do problema de negócios para a solução com eficácia e eficiência. Esse suporte inclui:

  • Bibliotecas e linguagens com componentes básicos otimizados em processadores Intel® Xeon®. Entre esses componentes estão a Biblioteca do kernel de matemática Intel® (Intel® MKL) e a Intel® Data Analytics Acceleration Library (Intel® DAAL), bem como a Distribuição Intel para Python*
  • Estruturas otimizadas para simplificar o desenvolvimento, inclusive Apache Spark*, Caffe*, Torch* e TensorFlow*. A Intel habilita softwares de fonte aberta e comerciais que permitem que as empresas beneficiem-se dos mais novos processadores e recursos do sistema tão logo são disponibilizados no mercado
  • Os kits de desenvolvimento de software (SDKs), inclusive a tecnologia Intel® Nervana™, TAP e o SDK de aprendizado profundo Intel®. Isso proporciona um conjunto de interfaces de aplicações para que o desenvolvedor possa beneficiar-se imediatamente dos melhores algoritmos de machine learning

Quando se trata de otimização, a Intel adota múltiplas abordagens. Inclusive orientar clientes e parceiros de vendas nas maneiras de fazer seu código de machine learning rodar mais rápido no hardware da Intel, bem como implementar algumas funções de aprendizado no chip, o que é sempre mais rápido.

Finalmente, os engenheiros da Intel estão constantemente no campo, falando com os gerentes de TI e de linha de negócios para obter percepções sobre como a análise preditiva baseada em machine learning pode solucionar problemas empresariais no mundo real.

Os fundamentos por trás da criação de machine learning (2 de 3)

Saiba mais sobre a criação e implementação de soluções de machine learning e veja por que você deve adotar uma abordagem sistemática.

Saiba mais

Exemplos e aplicações de machine learning (3 de 3)

Explore os exemplos e aplicações de machine learning no mundo real e veja como as empresas estão tomando decisões mais rápidas e mais inteligentes.

Saiba mais

Análise avançada

O próximo nível de inovação empresarial exige percepções aceleradas. Comece a usar os produtos e tecnologias Intel®.

Saiba mais

Inteligência artificial

As soluções de inteligência artificial acionadas pela tecnologia Intel® ajudam as empresas a acelerar soluções, automatizar operações e melhorar percepções.

Saiba mais