O que é Machine Learning?
Definição de machine learning
O machine learning (ML) é o subconjunto da inteligência artificial (IA) que se concentra na construção de sistemas que aprendem, ou melhoram o desempenho, com base nos dados que consomem. A inteligência artificial é um termo amplo que se refere a sistemas ou máquinas que imitam a inteligência humana. O machine learning e a IA são frequentemente abordados juntos, e os termos às vezes são usados de forma intercambiável, mas não significam a mesma coisa. Uma distinção importante é que, embora todo machine learning seja IA, nem toda IA é machine learning.
Hoje, o machine learning funciona ao nosso redor. Quando interagimos com bancos, fazemos compras on-line ou usamos mídias sociais, os algoritmos de machine learning entram em ação para tornar nossa experiência eficiente, suave e segura. O machine learning e a tecnologia em torno dele estão se desenvolvendo rapidamente, e estamos apenas começando a arranhar a superfície de seus recursos.
Tipos de machine learning: Duas abordagens para aprendizagem
Os algoritmos são os motores que alimentam o machine learning. Em geral, dois tipos principais de algoritmos de machine learning são usados hoje: aprendizado supervisionado e aprendizado não supervisionado. A diferença entre eles é definida por como cada um aprende sobre dados para fazer previsões.
| Machine Learning Supervisionado | Os algoritmos de machine learning supervisionados são os mais usados. Com esse modelo, um cientista de dados age como um guia e ensina ao algoritmo quais conclusões ele deve ter. Assim como uma criança aprende a identificar frutas memorizando-as em um livro de imagens, na aprendizagem supervisionada, o algoritmo é treinado por um conjunto de dados que já está rotulado e tem uma saída predefinida. Os exemplos de machine learning supervisionado incluem algoritmos, como regressão linear e logística, classificação de multiclasse e máquinas de vetores de suporte. |
| Machine Learning Não Supervisionado | O machine learning não supervisionado usa uma abordagem mais independente, na qual um computador aprende a identificar processos e padrões complexos sem que um ser humano forneça uma orientação próxima e constante. O machine learning não supervisionado envolve treinamento baseado em dados que não possuem rótulos ou uma saída específica definida. Para continuar a analogia do ensino infantil, o machine learning sem supervisão é semelhante a uma criança que aprende a identificar frutas observando cores e padrões, em vez de memorizar os nomes com a ajuda de um professor. A criança procuraria semelhanças entre as imagens e as separaria em grupos, atribuindo a cada grupo seu próprio novo rótulo. Os exemplos de algoritmos de machine learning não supervisionados incluem agrupamento k-means, análise de componentes principais e independentes e regras de associação. |
| Escolhendo uma Abordagem | Qual abordagem é melhor para suas necessidades? A escolha de um algoritmo de machine learning supervisionado ou não supervisionado geralmente depende de fatores relacionados à estrutura e ao volume de seus dados e ao caso de uso ao qual você deseja aplicá-lo. O machine learning se espalhou em uma ampla gama de setores, sendo compatível com uma variedade de objetivos de negócios e casos de uso, incluindo:
|
Machine learning e desenvolvedores
Ao iniciar o machine learning, os desenvolvedores confiarão no conhecimento de estatística, na probabilidade e no cálculo para criar modelos que aprendem ao longo do tempo de forma mais bem-sucedida. Com habilidades focadas nessas áreas, os desenvolvedores não devem ter problemas para aprender a usar as ferramentas que muitos outros desenvolvedores usam para treinar algoritmos de ML modernos. Os desenvolvedores também podem decidir se seus algoritmos serão supervisionados ou não. É possível que um desenvolvedor tome decisões e configure um modelo no início de um projeto, permitindo que o modelo aprenda sem muita interferência do desenvolvedor.
Em geral, há uma linha tênue entre desenvolvedor e cientista de dados. Às vezes, os desenvolvedores sintetizam dados de um modelo de machine learning, enquanto os cientistas de dados contribuem para o desenvolvimento de soluções para o usuário final. A colaboração entre essas duas disciplinas pode tornar os projetos de ML mais valiosos e úteis.
Objetivo de negócios do machine learning: Modelando o valor da vida útil do cliente
A modelagem do valor do tempo de vida do cliente é essencial para as empresas de e-commerce, mas também é aplicável em muitos outros setores. Nesse modelo, as organizações usam algoritmos de machine learning para identificar, entender e manter os seus clientes com mais valor. Esses modelos de valor avaliam grandes quantidades de dados de clientes para determinar os maiores gastadores, os defensores mais leais de uma marca ou combinações desses tipos de qualidades.
Os modelos de valor de tempo de vida do cliente são especialmente eficazes para prever a receita futura que um cliente individual trará para uma empresa em um determinado período. Essa informação permite que as empresas concentrem seus esforços de marketing em incentivar os clientes de alto valor a interagir com sua marca com mais frequência. Os modelos de valor de tempo de vida do cliente também ajudam as organizações a direcionar seus gastos de aquisição para atrair novos clientes que são semelhantes aos clientes de alto valor existentes.
Modelando a rotatividade de clientes por meio do aprendizado
Adquirir novos clientes é mais demorado e mais dispendioso do que manter os clientes atuais satisfeitos e leais. A modelagem de insatisfação do cliente ajuda as empresas a identificar quais clientes provavelmente deixarão de se envolver com uma empresa e por que.
Um modelo de insatisfação do cliente eficaz usa algoritmos de machine learning para fornecer informações sobre tudo, desde pontuações de risco de insatisfação para clientes individuais até motivadores de insatisfação, classificados por importância. Esses resultados são fundamentais para o desenvolvimento de uma estratégia de retenção algorítmica.
Obter informações mais detalhadas sobre a insatisfação dos clientes ajuda as empresas a otimizar ofertas de desconto, campanhas por e-mail e outras iniciativas de marketing direcionadas que mantêm seus clientes de alto valor comprando, e sempre buscando mais.
Os consumidores têm mais opções do que nunca e podem comparar preços por uma ampla gama de canais, instantaneamente. O preço dinâmico, também conhecido como preço de demanda, permite que as empresas acompanhem a dinâmica acelerada do mercado. Ele permite que as organizações definam itens de preço com base em fatores, incluindo o nível de interesse do cliente-alvo, demanda no momento da compra e se o cliente se envolveu com uma campanha de marketing.
Esse nível de agilidade comercial requer uma estratégia sólida de machine learning e uma grande quantidade de dados sobre como a disposição dos diferentes clientes em pagar por um bem ou serviço muda em diferentes situações. Embora os modelos de preço dinâmico possam ser complexos, as empresas, como companhias aéreas e serviços de compartilhamento de viagens, implementaram com sucesso estratégias de otimização de preço dinâmico para maximizar a receita.
Objetivo de negócios do machine learning: Direcionando os clientes com segmentação
O marketing de sucesso sempre foi oferecer o produto certo para a pessoa certa no momento certo. Não muito tempo atrás, os profissionais de marketing confiavam em sua própria intuição para a segmentação de clientes, separando-os em grupos para campanhas direcionadas.
Hoje, o machine learning permite que os cientistas de dados usem algoritmos de agrupamento e classificação para agrupar clientes em personas com base em variações específicas. Essas personas consideram as diferenças dos clientes em várias dimensões, como demografia, comportamento de navegação e afinidade. Conectar essas características aos padrões de comportamento de compra permite que as empresas com conhecimento de dados implementem campanhas de marketing altamente personalizadas que sejam mais eficazes para impulsionar as vendas do que as campanhas generalizadas.
À medida que os dados disponíveis para as empresas crescem e os algoritmos se tornam mais sofisticados, os recursos de personalização aumentam, aproximando as empresas do seu segmento de clientes ideal.
Objetivo de negócios do machine learning: Explorando o poder da classificação de imagens
O machine learning é compatível com vários casos de uso além do varejo, serviços financeiros e e-commerce. Ele também tem um imenso potencial para aplicativos de ciência, saúde, construção e energia. Por exemplo, a classificação de imagens emprega algoritmos de machine learning para atribuir um rótulo de um conjunto fixo de categorias a qualquer imagem de entrada. Ele permite que as organizações modelem planos de construção em 3D com base em projetos 2D, facilitam a marcação de fotos nas mídias sociais, informam diagnósticos médicos e muito mais.
Métodos de aprendizagem profunda, como as redes neurais, são frequentemente usados para classificação de imagens, pois podem identificar com mais eficácia as características relevantes de uma imagem na presença de complicações potenciais. Por exemplo, eles podem considerar variações no ponto de vista, iluminação, escala ou volume de confusão na imagem e compensar esses problemas para fornecer as informações mais relevantes e de alta qualidade.
Mecanismos de recomendação
Os mecanismos de recomendação são essenciais para clientes de vendas cruzada e adicional e para oferecer uma melhor experiência do cliente.
A Netflix valoriza o mecanismo de recomendação, impulsionando suas sugestões de conteúdo em US$ 1 bilhão por ano, e a Amazon alega que seu sistema aumenta as vendas anuais em 20 a 35%.
Os mecanismos de recomendação usam algoritmos de machine learning para filtrar grandes quantidades de dados para prever a probabilidade de um cliente comprar um item ou gostar de um conteúdo para, então, fazer sugestões personalizadas para o usuário. O resultado é uma experiência mais personalizada e relevante que incentiva um melhor relacionamento e reduz a insatisfação.
Casos de uso de machine learning
O machine learning capacita uma variedade de casos de uso de negócios importantes. Mas como isso proporciona vantagem competitiva? Entre as qualidades mais atraentes do machine learning está a sua capacidade de automatizar e acelerar o tempo de decisão e acelerar o tempo de valorização. Isso começa com uma melhor visibilidade dos negócios e o aprimoramento da colaboração.
"Tradicionalmente, o que vemos é que as pessoas não conseguem trabalhar juntas", diz Rich Clayton, vice-presidente de estratégia de produtos do Oracle Analytics. "A adição do machine learning ao Oracle Analytics Cloud ajuda as pessoas a organizar seu trabalho e a criar, treinar e implementar esses modelos de dados. É uma ferramenta de colaboração cujo valor está em acelerar o processo e permitir que diferentes partes da empresa colaborem, oferecendo melhor qualidade e modelos para implantação."
Por exemplo, os departamentos financeiros típicos são rotineiramente sobrecarregados pela repetição de um processo de análise de varação, uma comparação entre o que é real e o que foi previsto. É um aplicativo pouco cognitivo que pode se beneficiar muito do machine learning.
"Ao incorporar o machine learning, as finanças podem trabalhar de maneira mais rápida e inteligente, e continuar de onde a máquina parou", diz Clayton.
O Poder da Previsão
Outro recurso interessante do machine learning é sua capacidade de previsão. No passado, as decisões de negócios eram muitas vezes feitas com base em resultados históricos. Hoje, o machine learning emprega análises avançadas para prever o que acontecerá. As organizações podem tomar decisões proativas e voltadas para o futuro, em vez de confiar em dados passados.
Por exemplo, a manutenção preditiva pode permitir que fabricantes, empresas de energia e outros setores aproveitem a iniciativa e garantam que suas operações permaneçam confiáveis e otimizadas. Em um campo de petróleo com centenas de perfuratrizes em operação, os modelos de machine learning podem detectar equipamentos que correm risco de falhas em um futuro próximo e, em seguida, notificar as equipes de manutenção com antecedência. Essa abordagem não apenas maximiza a produtividade, aumenta o desempenho dos ativos, o tempo de atividade e a longevidade. Ela também pode minimizar o risco do funcionário, diminuir a responsabilidade e melhorar a conformidade com as regulamentações.
Os benefícios da manutenção preditiva se estendem ao controle e gerenciamento de estoque. Evitar o tempo de inatividade não planejado do equipamento implementando a manutenção preditiva ajuda as empresas a prever com mais precisão a necessidade de peças de reposição e reparos, reduzindo significativamente as despesas operacionais e de capital.
O potencial do machine learning
O machine learning oferece um grande potencial para ajudar as empresas a obterem valor comercial a partir da riqueza de dados disponíveis hoje. No entanto, os workflows ineficientes podem impedir que as empresas percebam o potencial máximo do machine learning.
Para obter sucesso em nível empresarial, o machine learning precisa fazer parte de uma plataforma abrangente que ajuda as organizações a simplificar as operações e implementar modelos em escala. A solução certa permitirá que as organizações centralizem todo o trabalho da ciência de dados em uma plataforma colaborativa e acelerem o uso e o gerenciamento de ferramentas, estruturas e infraestrutura de código aberto.