Machine Learning

Serviços financeiros

Bancos e outros negócios na indústria financeira usam tecnologias de machine learning para dois propósitos principais: identificar insights importantes nos dados e prevenir fraudes. Esses inisghts podem identificar oportunidades de investimento, ou ajudar investidores a saber quando fazer o trade. A mineração de dados também pode identificar clientes com alto perfil de risco ou usar cyber-vigilância para encontrar sinais de fraudes.

Governo

Agências governamentais, como segurança pública e utilities, têm uma necessidade particular para machine learning, uma vez que elas possuem múltiplas fontes de dados que podem ser mineradas para deles obterem insights. Analisar dados de sensores, por exemplo, identifica maneiras de aumentar a eficiência e economizar dinheiro. O aprendizado de máquina também pode ajudar na detecção de fraudes e na minimização de roubos de identidade.

Operadoras de saúde

Machine learning é uma tendência crescente na assistência médica graças ao advento dos dispositivos wearables e sensores que permitem aos profissionais de saúde acessar os dados de pacientes em tempo real. A tecnologia também pode ajudar especialistas médicos a analisar dados para identificar tendências ou alertas, levando ao aperfeiçoamento de diagnósticos e tratamentos. 

Marketing e vendas

Websites que recomendam produtos e serviços com base em suas compras anteriores estão usando machine learning para analisar seu histórico de compras – e promover outros itens pelos quais você pode se interessar. Essa capacidade de capturar dados, analisá-los e utilizá-los para personalizar a experiência de compra (ou implementar uma campanha de marketing) é o futuro do varejo.

Petróleo & gás

Descobrir novas fontes de energia. Analisar minerais no solo. Prever falhas em sensores de refinarias. Acelerar a distribuição de petróleo para torná-la mais eficiente e econômica. O número de aplicações de machine learning nesta indústria é vasto – e continua crescendo.

Transportes

Analisar dados para identificar padrões e tendências é essencial para a indústria de transportes, a qual depende da elaboração de rotas mais eficientes e da previsão de problemas potenciais para aumentar a rentabilidade. Os aspectos de análise e modelagem de dados de machine learning são ferramentas importantes para transportadoras, transporte público e outras organizações do setor.

Algoritmos de aprendizado supervisionado são treinados por meio de exemplos rotulados, como uma entrada na qual a saída desejada é conhecida. Por exemplo, um equipamento poderia ter pontos de dados rotulados como “F” (falha) ou “E” (executa). O algoritmo de aprendizado recebe um conjunto de entradas junto com as saídas corretas correspondentes, e aprende ao comparar a saída real com as saídas corretas para encontrar erros. Ele, então, modifica o modelo de acordo. Através de métodos como classificação, regressão e gradient boosting, o aprendizado supervisionado utiliza padrões para prever os valores de rótulos em dados não-rotulados adicionais. O aprendizado supervisionado é comumente empregado em aplicações nas quais dados históricos preveem eventos futuros prováveis. Por exemplo, ele pode antecipar quando transações via cartão de crédito são passíveis de fraude ou qual segurado tende a reivindicar sua apólice.

O aprendizado não-supervisionado é utilizado contra dados que não possuem rótulos históricos. A "resposta certa" não é informada ao sistema. O algoritmo deve descobrir o que está sendo mostrado. O objetivo é explorar os dados e encontrar alguma estrutura dentro deles. O aprendizado não-supervisionado funciona bem com dados transacionais. Por exemplo, ele pode identificar segmentos de clientes com atributos similares que podem, então, ser tratados de modo igualmente similar em campanhas de marketing; ou ele pode encontrar os principais atributos que separam segmentos distintos de clientes. Técnicas populares incluem mapas auto-organizáveis, mapeamento por proximidade, agrupamento k-means e decomposição em valores singulares. Esses algoritmos também são utilizados para segmentar tópicos de texto, recomendar itens e identificar pontos discrepantes nos dados.

Aprendizado semi-supervisionado é utilizado para as mesmas aplicações que o aprendizado supervisionado. Mas este aqui manipula tanto dados rotulados quanto não-rotulados para treinamento – normalmente uma pequena quantidade de dados rotulados com uma grande quantidade de dados não-rotulados (porque dados sem rótulos são mais baratos e demandam menos esforços para serem adquiridos). Esse tipo de aprendizado pode ser empregado com métodos como classificação, regressão e previsão. O aprendizado semi-supervisionado é útil quando o custo associado à rotulação é muito alto para possibilitar um processo de treinamento totalmente rotulado. Exemplos básicos incluem a identificação do rosto de uma pessoa em uma webcam.

Aprendizado por reforço é normalmente utilizado em robótica, jogos e navegação. Com ele, o algoritmo descobre através de testes do tipo 'tentativa e erro' quais ações rendem as maiores recompensas. Este tipo de aprendizado possui três componentes principais: o agente (o aprendiz ou tomador de decisão), o ambiente (tudo com que o agente interage) e ações (o que o agente pode fazer). O objetivo é que o agente escolha ações que maximizem a recompensa esperada em um período de tempo determinado. O agente atingirá o objetivo muito mais rápido se seguir uma boa política. Então o foco do aprendizado por reforço é descobrir a melhor política.