{"id":1314,"date":"2020-04-30T14:32:32","date_gmt":"2020-04-30T17:32:32","guid":{"rendered":"https:\/\/hdbsystems.com.br\/?p=1314"},"modified":"2020-04-30T14:32:32","modified_gmt":"2020-04-30T17:32:32","slug":"machine-learning-uma-das-potencias-da-hiperautomacao","status":"publish","type":"post","link":"https:\/\/hdbsystems.com.br\/index.php\/2020\/04\/30\/machine-learning-uma-das-potencias-da-hiperautomacao\/","title":{"rendered":"Machine Learning: uma das pot\u00eancias da Hiperautoma\u00e7\u00e3o"},"content":{"rendered":"\n

Dando continua\u00e7\u00e3o ao post anterior, vamos falar sobre o Machine Learning<\/em>, termo amplamente conhecido no mundo tecnol\u00f3gico e cada vez mais presente no mundo dos neg\u00f3cios. Apesar de ele ser mencionado a todo momento como um componente essencial nos processos de automa\u00e7\u00e3o e intelig\u00eancia artificial, o debate \u00e9 muitas vezes superficial e n\u00e3o se sabe exatamente seu funcionamento.<\/p>\n\n\n\n

O machine learning<\/em> ou, aprendizado de m\u00e1quina, \u00e9 um conceito relacionado e, muitas vezes confundido, com a intelig\u00eancia artificial.<\/p>\n\n\n\n

Diferen\u00e7a entre machine learning <\/em>e intelig\u00eancia artificial<\/strong><\/h3>\n\n\n\n

A intelig\u00eancia artificial se baseia na Intelig\u00eancia e funcionamento humanos. A tecnologia faz o computador \u201cpensar\u201d de acordo com dados recebidos. Assim como o racioc\u00ednio humano que aprende atrav\u00e9s da repeti\u00e7\u00e3o e execu\u00e7\u00e3o de alguma tarefa, quanto mais os sistemas de AI recebem informa\u00e7\u00f5es, mais eles s\u00e3o treinados atrav\u00e9s de seus algoritmos.<\/p>\n\n\n\n

O aprendizado de m\u00e1quina funciona de forma parecida, por\u00e9m com o plus <\/em>de ser capaz de modificar seu comportamento autonomamente (ou seja, sem interfer\u00eancia humana) de acordo com sua pr\u00f3pria experi\u00eancia. Machine learning<\/em> pode ser entendido como uma subcategoria de IA. ou seja, ele \u00e9 capaz de analisar uma grande quantidade de dados por meio de m\u00e9todos estat\u00edsticos espec\u00edficos, al\u00e9m de usar uma variedade de algoritmos para encontrar padr\u00f5es no banco de dados.<\/p>\n\n\n\n

Processo de aprendizagem do Machine Learning<\/em><\/h3>\n\n\n\n

Para que aconte\u00e7a o aprendizado de m\u00e1quina, \u00e9 necess\u00e1rio que o processo comece com a constru\u00e7\u00e3o de um banco de dados, que vai permitir a compara\u00e7\u00e3o e consequente aprendizagem do sistema. Por meio da an\u00e1lise dos dados de entrada, o sistema busca padr\u00f5es nas rela\u00e7\u00f5es entre as vari\u00e1veis e aprende com eles. Nesse momento a m\u00e1quina est\u00e1 sendo treinada para saber o que procurar, como procurar, o que pode encontrar e como vai encontrar esse resultado. Dessa forma, quanto mais automatizado e quanto maior a quantidade de dados de qualidade, mais precisas s\u00e3o as respostas.<\/p>\n\n\n\n

Podemos dar como exemplo as buscas no navegador ou o filtro de spams no e-mail. Quando pesquisamos algo na internet, essas informa\u00e7\u00f5es s\u00e3o armazenadas no banco de dados e comparadas com buscas anteriores, para que o sistema possa responder de forma autom\u00e1tica e “premonit\u00f3ria” ao que desejamos. J\u00e1 o filtro de spams <\/em>dos e-mails se aprimora de forma autom\u00e1tica e, com o tempo, bloqueia mensagens indesejadas na caixa de entrada sem a necessidade de configura\u00e7\u00e3o.<\/p>\n\n\n\n

Algoritmos<\/h3>\n\n\n\n

Uma das bases para o funcionamento do machine learning <\/em>s\u00e3o os algoritmos que aprendem por meio de exemplos. Os dois modos mais conhecidos de aprendizagem de algoritmos s\u00e3o a supervisionada e a n\u00e3o supervisionada.<\/p>\n\n\n\n

Na aprendizagem supervisionada o algoritmo aprende com dados que j\u00e1 apresentam “respostas” certas e rotuladas. Por exemplo, na contrata\u00e7\u00e3o de um empr\u00e9stimo realizada em um banco, os dados analisados ser\u00e3o do hist\u00f3rico de cr\u00e9dito do cliente. As informa\u00e7\u00f5es que entram no sistema j\u00e1 est\u00e3o definidas como positivas ou negativas para a concess\u00e3o do cr\u00e9dito.<\/p>\n\n\n\n

J\u00e1 na n\u00e3o supervisionada os dados recebidos n\u00e3o carregam r\u00f3tulos nem respostas, ou seja, os efeitos das vari\u00e1veis n\u00e3o s\u00e3o previstos. Com isso, os resultados est\u00e3o relacionados com os padr\u00f5es encontrados nos dados. Por exemplo, na busca em um banco de artigos, eles s\u00e3o agrupados de acordo com determinadas vari\u00e1veis que os caracteriza. O filtro se aprimora conforme o sistema encontra novos padr\u00f5es entre os artigos selecionados.<\/p>\n\n\n\n

M\u00e9todos<\/h3>\n\n\n\n

Aqui nos referimos \u00e0 m\u00e9todos estat\u00edsticos, que s\u00e3o utilizados para o machine learning<\/em> alcan\u00e7ar o desempenho esperado. Pode ser regress\u00e3o, classifica\u00e7\u00e3o ou clustering<\/em>.<\/p>\n\n\n\n

\n