Como funciona o Machine Learning

Tempo de leitura: 10 minutos

O Machine Learning está transformando negócios

Mas ainda que a tecnologia avance, as empresas continuam lutando para tirar proveito dela, em grande parte porque não entendem como implementar estrategicamente Machine Learning no atendimento de objetivos de negócios. O Hype não ajudou, semeando confusão sobre este que é exatamente a tecnologia, o quão bem funciona e o que pode fazer para sua companhia.

O que é? Machine Learning

Trata-se de um subconjunto de Inteligência Artificial que permite que os sistemas aprendam e prevejam resultados sem programação explícita. Muitas vezes, é usado de maneira intercambiável com o termo IA porque é a técnica de IA que teve o maior impacto no mundo real até mesmo agora, e é este que você provavelmente usará em sua empresa. Chatbots, recomendações de produtos, filtros de spam, carros autônomos e uma enorme variedade de outros sistemas aproveitam o Aprendizado de Máquinas, assim como “agentes inteligentes” como Siri e Cortana.

Em vez de escrever algoritmos e regras que tomem decisões diretamente, ou tentar programar um computador para “ser inteligente” usando conjuntos de regras, exceções e filtros, o Machine Learning ensina sistemas informáticos a tomar decisões aprendendo com grandes conjuntos de dados. Os sistemas baseados em regras rapidamente se tornam frágeis quando precisam explicar a complexidade do mundo real; A Aprendizagem Automática pode criar modelos de que representam e generalizam padrões nos dados que o visitante usa para treiná-lo, e pode usar esses modelos para interpretar e analisar novas informações.

O Aprendizado Automático da máquina foi adequado para a classificação

Que inclui a capacidade de reconhecer texto e objetos em imagens e vídeos, bem como encontrar padrões e associações em dados ou segmentar dados em clusters (por exemplo, encontrar grupos de clientes). O Machine Learning também é adepto da previsão, como o cálculo da probabilidade de eventos ou resultados de previsão. E têm a possibilidade de ser usado para gerar dados faltantes; por exemplo, a versão mais recente do CorelDRAW usa Machine Learning para interpolar o curso suave que você está a tentar extrair de vários cursos difíceis que você permite com a caneta.

Este coração do Machine Learning são os algoritmos. Alguns, como regressões, k-means clustering e suporte de máquinas vetoriais, estão em uso há décadas. A chave para o uso efetivo permanecequeda na combinação do algoritmo certo com o seu problema.

Redes Neurais
Uma Rede Neural é um algoritmo de Machine Learning construído em uma rede de nós interconectados que funcionam natural para tarefas como reconhecimento de padrões.

Não são um novo algoritmo, mas a disponibilidade de enormes conjuntos de dados e processamento mais poderoso (especialmente as GPUs, que podem lidar com grandes fluxos de dados em paralelo) as tornaram úteis na prática. Apesar do nome, as Redes Neurais são baseadas apenas vagamente em neurônios biológicos. Cada nó em uma rede neural possui conexões para outros nós que são acionados por entradas. Quando desencadeada, cada nó adiciona 1 peso à sua saída para marcar a probabilidade de que ele faça ou não a função desse nodo. Os nós são organizados em camadas fixas tarvés das quais estes dados fluem, ao contrário do cérebro, que cria, remove e reorganiza regularmente conexões de sinapse.

O que é o Deep Learning

O Deep Learning é especialmente um subconjunto do Machine Learning baseado em Redes Neurais profundas, que têm muitas camadas para realizar a aprendizagem em várias etapas. As chamadas Convolutional Deep Neural Networksgeralmente realizam o reconhecimento da imagem ao processar uma hierarquia de recursos em que cada camada procura objetos mais complicados. Por exemplo, a primeira camada de uma rede profunda que reconhece raças de cães pode vir a ser treinada para achar a forma do cachorro em uma imagem, a segunda camada pode observar texturas como pele e dentes, com outras camadas reconhecendo ouvidos, olhos, caudas e outras características e o nível final que distingue as diferentes raças. Já as Recursive Deep Neural Networks são usadas para reconhecimento de fala e processamento de linguagem conterraneo, onde a seqüência e o contexto são importantes.

Existem muitos kits do ferramentas de aprendizado profundo de código aberto apresentados que você pode utilizar para criar seus próprios sistemas. Theano, Torch e Caffe são escolhas populares, e o TensorFlow, do Google e o Microsoft Cognitive Toolkit permitem de que você use vários servidores para criar sistemas mais poderosos com mais camadas em sua rede.

O Microsoft Distributed Machine Learning Toolkit colabora com muitos desses kits de ferramentas de Deep Learning e e outras bibliotecas por Machine Learning, e tanto a AWS como a Azure oferecem máquinas virtuais com ferramentas de aprendizado profundas pré-instaladas.

Aprendizado de Máquinas na prática: Estes resultados do Machine Learning são uma certeza percentual de que os dados que você está procurando correspondem ao que seu modelo está treinado para descobrir. Assim, uma Deep Learning treinada para identificar as emoções de fotografias e vídeos de rostos de pessoas pode marcar uma imagem como “97, 6% de felicidade 0, 1% tristeza 5, 2% surpresa 0, 5% neutro 0, 2% raiva 0, 3% desprezo 0, 01% detesto 12% de medo”. ML gera probabilidades e incerteza, não resultados exatos.

Este Probabilistic Machine Learning usa o conceito de probabilidade para permitir que você realize a aprendizagem automática sem a escrita do algoritmos Em vez destes valores estabelecidos das variáveis na programação padrão, várias variáveis na programação probabilística têm valores que se enquadram em um alcance conhecido e outros têm valores desconhecidos. Trate os dados que deseja entender como se fosse este resultado deste código e você pode trabalhar para trás para preencher o que esses valores desconhecidos deveriam ser para produzir esse resultado. Com menos codificação, você pode fazer mais prototipagem e experimentação. O Probabilistic Machine Learning também é mais fácil por depurar.

Esta é a técnica que o refugio Clutter no Outlook usa para filtrar mensagens de que são menos propensas a serem interessantes para o visitante com base nas mensagens que você leu, respondeu e excluiu no passado. Ele foi construído usando Infer. NET, um framework. NET que você pode usar para construir seus próprios sistemas probabilísticos.

Já Computação Cognitiva é este termo que a IBM usa para suas ofertas do Watson, porque em 2011, quando uma variação anterior ganhou o Jeopardy, o termo IA não estava na moda; Ao longo das décadas em que foi trabalhado, a IA passou por períodos alternados de hype e fracasso.

Leia também:

O Watson não é uma única ferramenta

É uma mistura de modelos e APIs que você também pode obter de outros fornecedores, tais como Salesforce, Twilio, Google e Microsoft. Estes oferecem estes chamados serviços “cognitivos”, saiba como reconhecimento de imagem, incluindo reconhecimento facial, reconhecimento do fala (falante), compreensão por linguagem natural, análise de sentimentos e outras API de reconhecimento que se parecem com habilidades cognitivas humanas. Quer se trate da Watson ou dos Microsoft Cognitive Services, o termo cognitivo é realmente apenas uma marca do marketing para designar uma coleção de tecnologias (muito úteis). Você poderia usar essas APIs para criar um chatbot a partir de uma página por FAQ existente que pode responder a consultas de texto e também reconhecer fotos de produtos para prover as informações de suporte corretas ou usar fotos de etiquetas de prateleiras para verificar os níveis de estoque.

Muitas APIs “cognitivas” usam Deep Learning, mas você não precisa saber como elas foram construídas porque muitos funcionam como APIs REST de que você chama de seu próprio aplicativo. Alguns permitem criar modelos personalizados a partir de seus próprios dados. O Salesforce Einstein possui um serviço de reconhecimento de imagem customizado e as APIs Cognitivas da Microsoft permitem que você crie modelos personalizados para texto, fala, imagens e vídeo.

Isso é facilitado pela transferência do aprendizagem, que é menos uma técnica e muito mais um efeito colateral útil de redes profundas. Uma Rede Neural Profunda de que foi treinada para criar uma coisa, como traduzir entre inglês e mandarim, descobre uma segunda reforma, como traduzir entre inglês e francês, de forma ainda mais eficiente. Isso pode ser porque os números muito longos que representam, digamos, as relações matemáticas entre palavras como “bigs” e “larges” são até certo ponto comuns entre as linguas, mas nós certamente não sabemos.

A transferência de aprendizagem não foi bem compreendida, mas têm a possibilidade de permitir que você obtenha bons resultados de um conjunto de treinamento menor. O Microsoft Custom Vision Service usa transferência por aprendizagem para treinar 1 sistema que conheça uma imagem em apenas alguns minutos, usando 30 a 50 imagens por classe, em vez de muitos milhares, geralmente necessárias para conseguir resultados precisos.

Crie seu próprio sistema de Machine Learning

Se você não quer APIs pré-construídas, e você possui os dados para trabalhar, há uma enorme diversidade de ferramentas criar mecanismos de Machine Learning, a partir de scripts R e Python, até análises preditivas usando Spark e Hadoop, para ferramentas específicas da AI e estruturas.

Em vez de configurar sua própria infraestrutura, você pode utilizar serviços de Deep Learnig na nuvem para produzir modelos de dados. Usando os serviços em nuvem, você não precisa instalar uma variedade de ferramentas. Além disso, esses serviços desenvolvem mais conhecimentos necessários para obter resultados bem-sucedidos.

O Amazon Machine Learning oferece vários modelos de Machine Learning que você pode usar com dados armazenados em S3, Redshift ou R3, mas o visitante não pode exportar os modelos e o tamanho do conjunto de treinamento é bastante limitado. O Azure ML Studio, da Microsoft, por sua vez, possui uma gama mais ampla de algoritmos, contendo Deep Learning, além de pacotes R e Python, e uma interface gráfica do usuário para trabalhar com eles. Também oferece a opção de usar este Azure Batch para carregar periodicamente conjuntos de treino extremamente amplos, e você pode usar seus modelos treinados como APIs para seus próprios programas e serviços. Existem também recursos de aprendizado de máquina, como o reconhecimento de imagens incorporados em bancos por dados em nuvem, do tipo SQL Azure Data Lake, para que você possa fazer sua máquina aprendendo onde seus dados estão.

Referência: http://cio.com.br/tecnologia/2018/07/21/guia-pratico-para-dominar-machine-learning

Como funciona o Machine Learning
3.2 (64.29%) 28 votos

Digite o seu comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *