Como avançar em machine learning

Machine learning requer uma abordagem sistemática para sistemas, arquitetura e dados.

O desenvolvimento da análise de machine learning produz benefícios imediatos e de longo prazo.

1. Faça de machine learning parte de uma estratégia de modernização   

Depois de décadas em laboratórios de pesquisa, machine learning está agora recebendo enorme atenção para aplicações no mundo real que aproveitam o notável poder da tecnologia para discernir padrões em imensas quantidades e tipos de dados em alta velocidade: detecção de fraude, cliente 360, reconhecimento facial, gerenciamento do fluxo de trabalho, personalização de compras e muito mais.

A compensação de tais iniciativas pode ser grande. Porém, oportunidades maiores ainda encontram-se na criação de sistemas de análise avançada que utilizam a inigualável capacidade do machine learning para ver, organizar e aproveitar percepções de montanhas de dados que não param de crescer para desbloquear o potencial profundo e transformador de Big Data e da Internet das coisas.

Para chegar ao próximo nível de machine learning, as empresas devem desenvolver um sólido estudo de caso; implementar algoritmos do machine learning para acelerar em grande escala; utilizar sistemas equipados com processadores com múltiplos núcleos integrados, subsistemas de memória mais rápida e desenvolver arquiteturas que possam lidar com quantidades massivas de dados em tempo real.

Para muitas organizações, este é o momento ideal para ampliar ou iniciar uma experiência de machine learning, aprofundar o conhecimento e colher os benefícios e vantagens competitivas que a sofisticada tecnologia da análise de dados pode oferecer.

O primeiro passo importante é reconhecer que machine learning e a análise avançada são um componente fundamental da revolução digital.

2. Comece com o estudo de caso (e comece pequeno)

À medida que as empresas progridem na análise avançada, a TI deve envolver os tomadores de decisão na etapa inicial de P&D. É provável que o lado empresarial já esteja considerando formas de obter novas percepções. Muitos implementarão as aplicações analíticas e outras soluções de que necessitam com ou sem TI. Portanto, dar o pontapé inicial no trabalho conjunto é vantajoso para todos – e mais ainda com machine learning.

A tecnologia pode aprimorar incontáveis processos de negócios, conduzir a novos modelos de negócios, produtos e serviços, além de ajudar a enfocar as melhores maneiras de caminhar em novas direções surpreendentes e lucrativas. Uma parceria robusta entre empresa e TI tornará mais fácil a tarefa de examinar todas as oportunidades tentadoras.

Uma iniciativa de machine learning bem-sucedida com uma oportunidade de negócio ou um problema específico. Por exemplo: a Intel desenvolveu um projeto de machine learning de validação do conceito para identificar os melhores revendedores potenciais em oito setores verticais da indústria, em quatro áreas geográficas e oito idiomas. Os revendedores foram classificados e seus perfis foram desenvolvidos com um algoritmo que pesquisou o conteúdo do website de cada empresa relacionado à comunicação com clientes. Essa análise forneceu percepção sobre como os revendedores comercializavam a si próprios. Como resultado dessa informação, o projeto de machine learning encontrou clientes que os departamentos de vendas e de marketing da Intel ainda não conheciam – uma importante prioridade para qualquer organização.1

Os resultados foram impressionantes. Depois que a solução de machine learning foi implementada, o dobro de revendedores passaram da fase de “leads” (oportunidades de vendas) para a de “leads” qualificadas. A taxa de cliques para boletins informativos por e-mail triplicou, e os revendedores escolhidos concluíram o treinamento da Intel três vezes mais rápido do que o restante do canal de vendas.

Iniciar com um projeto com parâmetros definidos de forma restritiva – que resultam em métricas claras – pode gerar sucesso e entusiasmo por machine learning, que rapidamente se dissemina pela organização, estimulando a curiosidade das pessoas por usos ainda mais sofisticados de análise preditiva.

3. Procure novas fontes de dados

Mais ainda do que com outros tipos de análise, machine learning depende de alto volume e de diversidade de fontes de dados. Diante dos elevados volumes de dados (geralmente não estruturados) necessários, é essencial identificar onde iremos criar, tratar, tomar decisões e armazenar esses dados.

Dados armazenados em silos, incompletos ou incorretos devem ser tratados em conjunto com um projeto de machine learning. Prepare-se para dedicar algum tempo a aparar e limpar os dados a fim de reduzir a interferência no ambiente de análise, que pode prejudicar o valor dos resultados.

Contudo, um grande benefício do machine learning é que os dados não precisam ser tão limpos quanto em outros tipos de análise. Outra vantagem: machine learning pode aumentar o volume e a variedade de big data, descobrindo novas fontes que são maiores e mais baratas do que o conjunto estruturado inicial.

À medida que a empresa avança em machine learning, analise cuidadosamente o volume de dados necessário e como adaptar e utilizar os atuais conjuntos de dados para maximizar seu valor. Pesquise novas fontes de dados, que frequentemente estão fora da empresa, tais como informações precisas acerca do clima e a localização e movimentação de pessoas e produtos.

Por exemplo: se um anunciante puder saber que os clientes estão passando por um local com recepção de sinal de telefone ruim e tempo nublado, talvez eles não respondam a um anúncio direcionado. Ao associar todas essas informações no momento em que ocorrem, as campanhas de marketing podem ser significativamente aprimoradas.

Uma abordagem prospectiva de fontes de dados permite que os cientistas de dados forneçam resultados relevantes com formulação cuidadosa de problemas, análise exploratória de dados e modelagem de dados – ainda que a qualidade desses dados não seja tão elevada quanto você gostaria.

A conclusão é que machine learning requer pensamento abrangente sobre as fontes de dados e as maneiras de utilizá-las.

4. Crie uma solução completa

Para implementar machine learning com êxito, as empresas precisam de uma infraestrutura escalável e altamente flexível – inclusive computação, armazenamento, memória e rede – para desenvolver, treinar e implantar o machine learning e outras análises avançadas.

Como ocorre com qualquer projeto de análise, machine learning começa com a modernização, inclusive o entendimento de como as necessidades herdadas podem ser suportadas sem interrupção, ao mesmo tempo em que novos usos são incorporados ou criados.

Os algoritmos de machine learning implementados para velocidade e escala devem ser suportados por sistemas com múltiplos núcleos integrados, subsistemas de memória mais rápida e arquiteturas que possam estabelecer o paralelismo do processamento de imensos volumes de dados, tais como alimentações de sensores em tempo real. Arquiteturas como Apache Hadoop permitem que as empresas armazenem imensos volumes de dados em formato totalmente atômico, fornecendo pontos de dados para o aprendizado e treinamento de máquina iniciais.

Para cada projeto, considere cuidadosamente onde as informações necessitam ser treinadas e processadas. Isso orientará as decisões sobre a melhor maneira de aproveitar a infraestrutura existente e se devemos incluir ou não plataformas ou armazenamento baseado em cloud.

Abordar machine learning a partir de uma perspectiva completa aumenta as possibilidades de sucesso hoje, ao mesmo em que prepara a empresa para utilizações da análise avançada no futuro.

5. Insira machine learning nos planos de análise futuros

Machine learning pode, a princípio, parecer intimidador. Todavia, os implementadores mais bem-sucedidos veem a tecnologia como um caminho para a análise avançada.

Comumente, machine learning começará com foco nas melhorias operacionais. Mesmo que a empresa faça progresso nessa área, ela deve estar atenta ao futuro, desenvolver habilidades relevantes juntamente com a previsão de como machine learning pode proporcionar novas receitas ou modelos de negócios. Reflita sobre os benefícios futuros de machine learning, mesmo durante as primeiras incursões na tecnologia.

Isso pode significar a obtenção de maior experiência com as técnicas de machine learning, como o “aprendizado profundo”, que imita o modo de funcionamento do cérebro humano. As atuais redes neurais profundas – uma forma avançada de machine learning – são usadas para o reconhecimento de imagem, vídeo e processamento de linguagem natural, bem como para entender todas as indicações visuais complexas necessárias para a direção autônoma.

Essa utilização de dados é uma parte essencial da maturidade analítica de uma empresa. O valor dos dados só pode ser maximizado quando uma empresa ultrapassa os sistemas tradicionais de Inteligência empresarial, com percepções limitadas sobre o passado E adota análises mais avançadas, que fazem previsões sobre o futuro e atuam sobre essas previsões. 

Cada vez mais, machine learning desempenhará um papel fundamental em fazer com que isso aconteça. Certifique-se de que machine learning esteja integrado às estratégias de análise e de big data da empresa.

Como a Intel ajuda na sua jornada para machine learning 

A Intel oferece uma variedade de recursos e tecnologias para criar a arquitetura robusta e completa necessária para machine learning e análise. A Intel faz parcerias com os principais integradores de sistemas e fornecedores de tecnologia para lhe proporcionar estruturas proprietárias e de fonte aberta para o armazenamento distribuído e o processamento de big data.

Uma ampla gama de soluções aciona machine learning em ambientes da Intel. Importantes atores como SAP, SAS, IBM e Oracle oferecem produtos e recursos de machine learning, contribuindo significativamente para a fonte aberta, ao passo que Cloudera e outros fornecedores importantes oferecem machine learning baseado em cloud e de fonte aberta.

É possível utilizar sistemas padrão para análise avançada mediante o uso de software avançado. À medida que o volume de dados aumenta, o tempo de operação de alguns algoritmos eleva-se exponencialmente – até que eles não possam mais atender aos requisitos dos clientes. A Intel ajuda a enfrentar essa questão com estruturas e algoritmos de machine learning. 

Hardware especializado ajuda a elevar machine learning ao próximo nível. O processador Intel® Xeon Phi™ é o primeiro processador de host projetado especificamente para cargas de trabalho altamente paralelas, compatível com a escala que machine learning exige. Considere a AlexNet*, uma rede neural que executa reconhecimento de imagem sofisticado e que expõe os algoritmos de machine learning a milhões de imagens a fim de reconhecer padrões. Esse processo pode demorar vários dias. Após a implementação do processador Intel® Xeon Phi™, que pode dimensionar-se de maneira quase linear entre os núcleos e threads, a AlexNet* experimentou uma redução de 50 vezes no tempo de treinamento.2
 Quando machine learning tornar-se um imperativo empresarial, as empresas necessitarão expandir suas infraestruturas de modo a suportar a empresa digital.

A Biblioteca do kernel de matemática Intel® (Intel® MKL) e a Intel® Data Analytics Acceleration Library (Intel® DAAL) fornecem os componentes básicos para os algoritmos de machine learning e elas são finamente ajustadas para oferecer alto desempenho nos processadores Intel. A MeritData, Inc., um importante fornecedor de tecnologia e serviços de análise de big data da China, utilizou esses recursos para otimizar os múltiplos algoritmos de mineração de dados da empresa de 3 vezes para 14 vezes.3

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

Machine learning, dados e análise preditiva (1 de 3)

Conheça a relação entre machine learning, dados e análise preditiva e como eles estão energizando o futuro.

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