Não basta ter e conhecer os dados, é essencial saber o que fazer com eles. E é para isso que existem as técnicas e todo o Aprendizado de Máquinas (do inglês, Machine Learning) em Inteligência Artificial, área da computação que utiliza informações para inúmeros fins, com objetivo de criar soluções, dar mais segurança a transações ou otimizar experiências e venda e compra.
Existem dois grandes grupos de aprendizado de máquinas que são bem requisitados. No primeiro, chamado aprendizado supervisionado, os dados já têm uma correlação identificada no passado e passam por análise para que esta relação seja estabelecida para o presente ou o futuro. “Com isso, pode-se fazer, por exemplo, um agrupamento de clientes de um banco entre “bons” ou “maus” pagadores e, de acordo com essa separação, avaliar riscos de empréstimos para novos clientes”, ensina o professor de Ciência da Computação da CESAR School, João Paulo (JP) Magalhães.
O outro grupo é o de aprendizado não-supervisionado, que utiliza uma base de usuários sem uma definição específica para correlacioná-los. JP Magalhães explica que é possível usar este tipo de ferramenta para oferecer promoções ou propagandas a clientes de acordo com o estilo de consumo que eles têm, mais do que utilizando grupos escolhidos ao acaso ou baseando-se em conceitos pré-estabelecidos que não mais refletem a nossa sociedade.
“O e-commerce é um bom exemplo. Supondo que você tenha um site que venda itens para diversos tipos de consumidores: aqueles que compram eletrônicos, os que buscam livros, os que fazem compras altas ou ainda os que adquirem de tudo em pequenas quantidades. Podemos identificar esses perfis diversos, analisar como se agrupam e sugerir, por exemplo, qual campanha de marketing vai surtir mais efeito para cada um deles. É um uso para o aprendizado não supervisionado muito demandado pelo mercado”, detalha.
A indústria busca aplicações de machine learning que são já muito difundidas e se tornam cada vez mais essenciais para otimizar recursos, sejam eles financeiros, produtivos ou humanos.
Existe um ganho muito visível, continua o professor, quando uma empresa investe em tecnologias que acompanham o funcionamento de seus equipamentos e podem detectar rapidamente falhas que, muitas vezes, passariam imperceptíveis. “É melhor parar 30 minutos para fazer uma manutenção preventiva em um problema sutil do que ser obrigado a interromper a produção por dias por causa de uma máquina quebrada”, diz JP.
Noutros processos, o “olhar” de uma máquina “bem treinado” pode evitar falhas. Em linhas de produção nas quais funcionários garantem o padrão dos produtos, as falhas são minimizadas com a ajuda de equipamentos inteligentes, que podem direcionar o foco de atenção dos funcionários em determinados momentos.
Real problems
Esses conhecimentos estratégicos estão entre as abordagens da pós-graduação em Engenharia e Análise de Dados, que está com inscrições abertas na CESAR School, em Manaus. Este curso também é baseado na metodologia PBL (Problem-based Learning), utilizada por toda instituição, em que todo aprendizado é baseado em problemas reais.
“Desde a escola, é normal serem utilizados exemplos que não são tão reais para os alunos, distantes de sua realidade. Um carro que se desloca de um ponto A para um ponto B, tal distância, tanto tempo. Na School, nós usamos problemas reais e, de preferência, problemas que os alunos estejam imersos. Fazemos todos o aprendizado dos conceitos e conteúdos e, principalmente, toda a parte prática aplicada nesses dados reais. Isso é totalmente diferente de você pegar um texto de um livro que está longe da realidade dos alunos. Ensinamos técnicas, ferramentas e métodos que são necessários para resolver os problemas reais”.