#ffffff

ADOBE REAL-TIME CDP

O que é machine learning?

A man writing on a notepad.

Definição rápida: machine learning é um subcampo da inteligência artificial (IA), um sistema que permite a computadores realizar tarefas melhor e mais rapidamente do que humanos, que envolve modelos cujo desempenho é aprimorado à medida que recebe mais dados.

Embora o machine learning (ML) pareça uma tecnologia avançada longe do alcance da maioria, é na verdade uma ferramenta surpreendentemente acessível para muitas organizações. Inclusive, a maioria das pessoas utiliza ML no dia a dia sem sequer perceber.

Características principais:

Modelos de ML melhoram ao “aprenderem” a partir de resultados gerados por determinadas decisões.
O machine learning é dividido em três áreas principais: aprendizado supervisionado, não supervisionado e por reforço.
ML é ideal para trabalhar com uma quantidade de dados maior do que aquela capaz de ser processada em pouco tempo pelo cérebro humano.
O machine learning aumenta a produtividade ao cuidar das tarefas mais tediosas do trabalho de um analista de dados.

Leia este guia para saber como o machine learning funciona, os seus tipos, as vantagens e desvantagens e o futuro dessa tecnologia.

Confira as seções desta página

Como o machine learning funciona

ML é um tipo de tecnologia que ajuda sistemas de computador a aprender e melhorar seus resultados. O machine learning usa algoritmos, que são regras para solução de problemas, para gerar criações melhores a partir de máquinas.

A maioria dos modelos de ML funciona por meio da inserção de dados em um algoritmo. Em seguida, o modelo busca automaticamente por erros em suas previsões. Ele utiliza exemplos anteriores para comparar os resultados e identificar problemas. Depois, um usuário humano aceita ou rejeita os resultados. À medida que o modelo de machine learning é treinado, ele se torna mais eficaz e preciso com o tempo. Quanto mais experiência e dados o modelo adquire, menos intervenção humana é necessária.

ML é semelhante a IA, mas diferente. O machine learning consiste no acúmulo de inteligência por um computador conforme ele realiza iterações. Mas com IA, o computador usa seu conhecimento para realizar tarefas sem intervenção humana. A maior diferença entre essas duas tecnologias é que a IA pode imitar a inteligência humana, enquanto ML apenas realiza tarefas com base no reconhecimento de padrões.

Tipos de machine learning

Aprendizado supervisionado

O aprendizado supervisionado é um tipo de ciência de dados que usa dados rotulados com informações específicas sobre os resultados associados aos dados. Em seguida, um modelo é treinado para aprender quais características ou variáveis são usadas para prever os resultados atribuídos aos dados de entrada rotulados. O modelo pode usar a informação dos dados de saída para avaliar o próprio desempenho e prever resultados.

O aprendizado supervisionado envolve dois casos de uso principais: classificação e regressão linear. A classificação prevê um rótulo de classe. Por exemplo, é possível prever se um cliente cortará os laços com uma marca com base em atributos como comportamento de compra.

A regressão linear prevê um rótulo numérico, como a receita que você espera receber de um cliente com base em atributos específicos. O resultado é uma variável numérica, diferente de uma condição.

O aprendizado supervisionado requer um modelo de machine learning sólido para gerar resultados de qualidade. Saiba como modelos de ML afetam os diferentes tipos de resultados que um computador pode gerar.

Aprendizado não supervisionado

O aprendizado não supervisionado parte de um conjunto de dados brutos não rotulados. O principal objetivo do aprendizado não supervisionado é encontrar relações entre o conjunto de dados e outros pontos de dados fornecidos ao modelo.

Esse método ajuda a encontrar grupos com relação entre si em meio aos dados, ou agrupamentos, que podem ser usados para criar segmentos de cliente.

Aprendizado por reforço

O aprendizado por reforço tem como princípio a inserção de uma série de dados brutos não rotulados em um modelo. Em seguida, o modelo age a partir deles. Com base na ação, o modelo recebe feedback informando se agiu correta ou incorretamente, além dos resultados da ação. O modelo cria outra ação e continua aprendendo até alcançar otimização máxima.

Um ótimo exemplo real de aprendizado por reforço é um algoritmo de recomendação em um serviço de streaming como a Netflix. O serviço mostra um filme do qual você pode ou não gostar e aprende com base na sua classificação para determinar se deve continuar recomendando o mesmo tipo de filme.

A história do machine learning

Embora ML pareça uma nova tecnologia, ela existe há décadas. A origem do machine learning que conhecemos hoje remonta à década de 1940.

Década de 40

Em 1943, Warren McCulloch e Walter Pitts criaram a primeira rede neural. Isso permitiu que computadores se comunicassem entre si sem interação humana.

Década de 50

Alan Turing criou o Teste de Turing para determinar se máquinas poderiam se comportar como humanos. Pesquisadores utilizam o Teste de Turing até hoje para averiguar se humanos conseguem identificar a diferença entre resultados gerados por humanos e por máquinas.

Década de 60

Thomas Cover e Peter Hart publicaram o algoritmo K-vizinhos mais próximos (KNN), um dos primeiros algoritmos de ML capaz de identificar padrões a partir de um grande conjunto de dados.

Década de 70

Paul Werbos escreveu uma dissertação em 1974 chamada The Roots of Backpropagation (As raízes da retropropagação), que abriu caminho para a retropropagação, uma tecnologia que permite a redes neurais reconhecer padrões com maior precisão.

Década de 80

Com o aprendizado baseado em explicações (EBL), computadores passaram a analisar e treinar com dados por conta própria, além de desconsiderar dados não importantes. A rede neural artificial NetTalk também aprendeu a pronunciar corretamente texto em inglês.

Década de 90

Em 1997, a IBM surpreendeu o mundo quando o seu supercomputador Deep Blue derrotou um jogador de xadrez humano especialista. Isso mostrou ao mundo que o machine learning podia alcançar e até mesmo superar o desempenho humano.

Década de 2000

Torch (agora conhecido como PyTorch), uma biblioteca de software gratuita, tornou-se a primeira plataforma de ML em grande escala do mundo, deixando o machine learning muito mais acessível. Durante os anos 2000, computadores também aprenderam a “interpretar” texto e imagens com deep learning.

Década de 2010

O Google desenvolve o Google Brain, uma rede neural profunda que categoriza objetos automaticamente. Facebook, Amazon e Microsoft também desenvolvem modelos de ML.

Década de 2020

Em novembro de 2022, o ChatGPT da OpenAI conquistou o mundo. Essa tecnologia facilitou o acesso a ML e IA para pessoas comuns, que passaram a utilizá-la para tudo, desde gerar cartas de apresentação para uma vaga de emprego até escrever emails.

A timeline showing important moments in machine learning history.

As vantagens de usar sistemas de machine learning

Aprendizado de máquina é uma tecnologia útil que ajuda empresas a:

Aumentar a produtividade. Mais de 80% dos funcionários acreditam que a IA melhora o seu desempenho no trabalho. Ao automatizar tarefas geralmente reservadas a humanos, o machine learning aumenta a produtividade organizacional.
Ajudar clientes. Empresas utilizam ML para otimizar seus produtos e facilitar a vida dos clientes. Inclusive, 62% dos clientes estão dispostos a compartilhar seus dados em troca de uma melhor experiência.
Reduzir erros humanos. O machine learning automatiza tarefas manuais que costumam ser suscetíveis a erros humanos e de digitação. Assim, sua organização trabalha com dados mais claros para obter insights de negócios melhores.
Melhorar a disponibilidade. Considere que 51% dos clientes esperam que as empresas estejam sempre disponíveis. A implementação de soluções de ML na empresa permite atender aos clientes noite e dia.
Eliminar riscos. Deixar de cumprir a conformidade pode custar milhões em multas à sua organização, além de negócios perdidos. Felizmente, o machine learning segue regras predeterminadas para ajudar a manter a conformidade em escala.
Reduzir a quantidade de tarefas repetitivas. O machine learning automatiza tarefas tediosas, como inserção de dados, para que os funcionários se concentrem em tarefas mais importantes. Inclusive, 68% dos funcionários desejam mais tecnologias de IA para ajudar a executar tarefas.
Descobrir insights. O machine learning pode revelar insights que humanos muitas vezes não têm a capacidade de sequer considerar.

As desvantagens de sistemas de machine learning

Existem algumas desvantagens no uso de sistemas de machine learning, como:

Quantidade de dados necessária. Modelos de ML costumam exigir uma grande quantidade de dados para funcionar.
Tamanho do conjunto de dados. O tamanho e a qualidade de um conjunto de dados são dois dos principais fatores para determinar a qualidade de um modelo; quanto mais dados você possui, mais tempo leva para classificá-los corretamente para uso em métodos de aprendizado supervisionado.
Combinação de tipos de dados. É preciso pensar nos diferentes tipos de dados que devem ser adicionados ao conjunto de dados para criar um modelo robusto, pois o objetivo é ensinar a máquina a tomar decisões de modo semelhante a um humano.
Possíveis preconceitos. Outra desvantagem de ML diz respeito à ética, especialmente quando se trata de deep learning. Muitos desses modelos não compartilham como tomam decisões, logo não é possível saber quais fatores eles utilizam. A qualidade do modelo depende dos dados que ele ingere, mas ainda não está claro quais tipos de associações o modelo faz e se elas são moralmente justas.
Possíveis imprecisões. É importante lembrar que, embora seja mais eficaz do que resultados humanos, ML não é infalível. Caso haja impressões nos dados ou na lógica, o modelo de machine learning refletirá isso.
Custo. Se você deseja criar uma solução personalizada de ML para sua organização, existem custos associados à contratação de cientistas de dados para desenvolver e manter esses modelos. Em média, organizações gastam de US$ 60 mil a US$ 95 mil nos primeiros cinco anos de uso do modelo. No entanto, ao escolher soluções como o Adobe Sensei, a organização pode reduzir muitos desses custos.

O machine learning não é perfeito, mas organizações podem superar muitas das suas desvantagens ao escolher o modelo de ML ideal para cada cenário.

Como empresas utilizam machine learning

Há muitas situações em que implementar algoritmos de ML pode ajudar a simplificar e otimizar os recursos de uma organização. Um caso comum é quando o big data é muito para um humano processar, mas possui informações importantes que podem orientar as decisões da empresa.

Essa vantagem não se limita a empresas de tecnologia: 68% das empresas do mundo todo utilizam ML, e esse número provavelmente crescerá. As vantagens do machine learning são tantos que ele está se expandindo para outros setores.

Saúde

Empresas de saúde utilizam ML para processar diversos dados de pacientes, em conformidade com as leis de proteção de dados. Por exemplo, algumas organizações usam machine learning para melhorar a precisão do diagnóstico por imagem para detectar doenças em seus primeiros estágios. O seu uso também ajuda a detectar fraudes, identificar erros e personalizar o tratamento.

Manufatura

Muitos fabricantes estão adotando ML para realizar uma manutenção preventiva mais inteligente. Em vez de gastar tempo e dinheiro com a manutenção de máquinas que ainda não necessitam, fabricantes utilizam o machine learning para analisar tendências de dados e otimizar quais máquinas devem ser reparadas.

Mas esse não é o único uso do machine learning no setor de manufatura. A tecnologia também é usada para gerenciar veículos autônomos e semiautônomos em suas instalações.

Entretenimento

Você tem uma conta da Netflix? Se tiver, deve ter visto ML na prática. O serviço de streaming utiliza machine learning para personalizar miniaturas, recomendar filmes e séries e otimizar a qualidade da reprodução.

Netflix interface which highlights machine learning in practice.

Marketing

Digamos que a sua equipe de marketing precise analisar novos dados de diferentes segmentos de cliente. É difícil separar os diversos atributos de clientes para identificar segmentos de alto desempenho ou quais as preferências do Segmento de Cliente A em comparação ao Segmento de Cliente B.

Com a quantidade de dados disponível, é pouco provável que a sua equipe de marketing tenha a capacidade de raciocínio para processar tudo isso, muito menos extrair insights úteis. Isso é algo que ML pode fazer com mais rapidez e provavelmente melhor do que humanos.

Usar automação de machine learning pode resultar em insights preditivos que a sua equipe talvez não encontrasse por conta própria.

Finanças

Robôs-advisors estão cada vez mais populares no mundo financeiro. Por exemplo, serviços como Wealthfront usam ML e IA para automatizar o gerenciamento de portfólio dos usuários. Isso reduz a quantidade de tempo que empresas de finanças gastam gerenciando os investimentos dos clientes, além de oferecer-lhes a vantagem de investimentos gerenciados.

Capacite experiências do cliente incríveis com machine learning.

Precisa de segmentação e personalização melhores com machine learning (ML)? A Adobe Real-Time CDP pode ajudar.

style

grid width 10

Artigos recomendados

https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp

#ffffff

Voltar ao início