O que é machine learning e por que você deve se importar?

Hoje, não pensamos duas vezes quando a Netflix ou a Amazon recomendam um vídeo ou produto que provavelmente nos interessaria. Ou quando o Google parece ler nossas mentes enquanto estamos digitando uma frase de pesquisa. Esses são exemplos claros de machine learning (ou aprendizado de máquina) – um braço da inteligência artificial (IA) – em ação em nossas vidas cotidianas.

O machine learning (ML) utiliza a IA para analisar os dados de desempenho de uma empresa e então toma decisões capazes de torná-la mais eficiente. O interesse pela inteligência artificial tem crescido nos últimos anos, com líderes tecnológicos como Elon Musk e Mark Zuckerberg, utilizando o aprendizado de máquinas para aprimorar a tecnologia existente.

O Brasil é, atualmente, um dos países com maior número de profissionais em grau máximo (considerados masters) em aprendizado de máquinas pelo Kaggle, um dos principais sites do mundo orientado à organização de competições de machine learning. O país fica atrás apenas dos Estados Unidos, China e Rússia. Além disso, o machine learning já é aplicado no Brasil em recomendações para os consumidores como filmes, viagens, músicas e ofertas de produtos e serviços.

Início do Machine Learning

Antes do aprendizado de máquina e da internet, os computadores executavam tarefas baseadas em programas escritos em código binário contidos em sistemas fechados. Os computadores sabiam como executar tarefas específicas e repetíveis, com base na entrada direta de humanos.

Como a internet avançou na década de 1990, o cenário de código também evoluiu em um ritmo acelerado. Avançando para hoje, o fato é que simplesmente temos muitos dados e muitos processos comportamentais exclusivos para qualquer sistema binário acomodar. Smartphones, mídias sociais e tecnologias em tempo real agora alimentam mais dados em computadores do que poderíamos processar através de sistemas fixos.

O machine learning nos ajuda a lidar tanto com mudanças identificadas de comportamento quanto com a proliferação de dados, por meio de algoritmos que evoluem sem a necessidade de entrada humana. Para resumir, estamos ensinando os computadores a fazer avaliações sem intervenção humana, ou seja, ensinando os computadores a aprender da mesma forma que nós humanos: interpretando informações do mundo ao nosso redor e colocando-as em categorias gerenciáveis.

Os algoritmos de ML aplicam essas informações às situações que enfrentam em tempo real. Muitos algoritmos de aprendizado de máquina aprendem continuamente à medida que aplicam informações em tempo real para criar cenários preditivos para reagir ao estímulo da internet.

Bibliotecas e aplicativos de Machine Learning

Pense no seu cérebro como tendo dois componentes ou capacidades principais: armazenar informações (ou seja, sua memória) e pensar (através da inteligência). Agora, podemos treinar os computadores para pensar com base nas informações coletadas e armazenadas. No mundo do machine learning, a memória de um computador é sua biblioteca de informações.

Ao invés de criar essa biblioteca lentamente adicionando novos “livros” (ou seja, informações) ao longo do tempo, podemos dar ao computador acesso a bibliotecas e aplicativos de ML que já existem e que recorrem a algoritmos ou conjuntos de informações pré-existentes. O resultado é que cada algoritmo de ML não precisa aprender tudo do zero. Ele pode usar os problemas resolvidos pelos algoritmos anteriores, que são acessados por meio dessas bibliotecas.
As bibliotecas de aprendizado de máquina ajudam os computadores a “pensar” na situação em questão, aproveitando dados coletados por algoritmos que resolveram problemas semelhantes no passado.

Machine Learning em campo

A capacidade de processar, interpretar e aprender melhor com dados capacita as equipes de serviço em campo a prever, em vez de apenas reagir. Além disso, permite automatizar tarefas que não precisam de intervenção humana. Aqui estão alguns exemplos:

Monitorar e reparar ativos: O ML pode processar dados coletados por sensores em equipamentos em campo para identificar problemas ou até mesmo prever os potenciais. Melhor ainda, em alguns casos, o aprendizado de máquina pode aplicar a correção necessária e eliminar a necessidade de uma visita de um técnico de serviço em campo. Um cenário semelhante, mas ligeiramente diferente, é que o machine learning pode detectar tendências de manutenção, solicitar peças necessárias e agendar visitas por engenheiros de serviço em campo antes que um cliente faça uma chamada.

Otimizar as operações: para eliminar ou minimizar os reparos e visitas dos técnicos, o aprendizado de máquina pode monitorar os ativos e ajustar as configurações para garantir operações otimizadas. Como resultado, os engenheiros só precisariam se envolver em questões importantes ou emergências.

Realizar diagnósticos de primeiro nível: os algoritmos de ML podem processar tíquetes de serviço para determinar o melhor curso de ação. Isso pode incluir o envio de um link de um manual em PDF para o cliente ou mesmo de um e-mail com instruções passo a passo sobre como reiniciar um equipamento.

Ajudar a equipar técnicos: avaliando as chamadas de serviço e reconhecendo o melhor curso de ação, o machine learning pode recomendar as peças e ferramentas mais adequadas para os técnicos levarem para um trabalho.

Fica claro que incorporar o machine learning tornou-se uma estratégia de negócios. Mais aplicações virão e, quando isso acontecer, as empresas poderão obter ainda mais vantagem competitiva, desde que se preparem desde já para aproveitar essas oportunidades.

*Morris Menasche é vice-presidente de Vendas da ClickSoftware para América Latina