News

Machine learning: uma tendência que não pode ser ignorada

Cientista de dados da Radix comenta as inovações e os riscos da utilização da tecnologia

Machinelearning

Quando você faz uma busca na internet e logo depois aparece uma propaganda relacionada àquilo que você procurou, não é por acaso. Isso acontece graças a uma área chamada “aprendizado de máquina”, popularmente conhecida como “machine learning”. Ela permite que sistemas computacionais aprendam a reconhecer e desenvolver padrões baseados em dados. Na publicidade, técnicas de machine learning são usadas para analisar o histórico de determinado público-alvo, identificar padrões, reconhecer preferências e mostrar anúncios específicos para esses usuários.

O que faz o machine learning tão importante atualmente é sua habilidade em realizar tarefas inteligentes de forma autônoma, contribuindo para a redução de tempo e aumento da assertividade nas tomadas de decisão. De acordo com o cientista de dados da Radix, Raul Sena, a análise inteligente de dados é tendência global nos negócios, visto que ela pode impactar positivamente o uso de recursos de uma empresa:

– Com o machine learning é possível analisar, de forma automática, um volume maior de dados complexos e apresentar indicadores mais precisos para os especialistas. A técnica pode ser usada para melhorar o desempenho de uma tarefa rotineira ou, dependendo da aplicação, para tomar decisões mais apropriadas para o contexto. Além disso, machine learning pode ser usado para resolver problemas que possuem a necessidade de previsões, recomendações, agrupamentos ou classificações em uma grande quantidade de dados – explica ele.

O cientista de dados diz que machine learning pode ser aplicado tanto em pequenas como grandes empresas. O valor de projetos usando a tecnologia varia de acordo com tempo e quantidade de profissionais envolvidos. No entanto, ele pondera:

– De forma geral, os projetos não costumam durar muito tempo em sua fase de construção e nem necessitam de um investimento alto para obter os primeiros resultados. Assim, é possível, logo no início, ter um retorno suficiente para pagar o que foi investido. É por isso que machine learning se tornou tão acessível.

Na Radix, machine learning é usado atualmente em quatro projetos: analisando e classificando imagens em postos de gasolinas, dando suporte à decisão de envio de equipes de manutenção para uma multinacional do setor de energia, prevendo índice de fluidez em processos químicos para uma multinacional do setor de química e fazendo manutenção preditiva em plantas químicas. Outros projetos com grande potencial ainda estão sendo prospectados, como machine learning aplicado a dados sísmicos.

O que você precisa saber para trabalhar com machine learning

Para quem procura uma oportunidade no mercado de trabalho, essa pode ser uma boa área, já que está em expansão. Ainda de acordo com o cientista de dados da Radix, é indicado fazer uma especialização, de preferência, um mestrado focado no tema. Além disso, o profissional deve ter algumas características:

– Primeiramente, a pessoa tem que gostar de programar, preferencialmente na linguagem de programação Python, e ter curiosidade em descobrir o que os dados têm a dizer. Depois, para se inserir no mercado, ela precisa ter boas noções de estatística e estudar como se conduz um experimento e como se avalia modelos de machine learning, para saber o significado dos resultados – explica Sena.

O especialista ainda ressalta que saber explicar os resultados dos algoritmos é mais importante do que saber usar as bibliotecas-padrão (ferramentas que possuem os algoritmos desenvolvidos):

– Nesta área, teoria sem prática não ajuda a consolidar o conhecimento, enquanto prática sem teoria pouco diferencia o profissional de um "mero reprodutor de código".

Vale ainda estar atento a curiosidades para quem trabalha ou quer trabalhar com machine learning. Sena explica que essa tecnologia tem alguns vícios e que pode ser preconceituosa com minorias quando aplicada sem um cuidado especial, por exemplo, nas análises de crédito em bancos ou lojas:

– Números são frios, e machine learning usa matemática e estatística em cima de números. Por isso, é preciso ter o cuidado de remover certos critérios da máquina para não haver preconceito com determinados grupos sociais – adverte ele: – Usar cor da pele ou gênero como parâmetros pode ser perigoso, já que a máquina faz correlação em cima dos dados sem distinguir se eles fazem sentido dentro de um contexto cultural ou social. Por exemplo, se uma região pobre tiver um número significativo de pessoas inadimplentes e negras, a máquina pode chegar à conclusão que todas as mulheres negras dali serão inadimplentes e, assim, negar crédito a elas.