<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1159528794088341&amp;ev=PageView&amp;noscript=1">

CANAL WESTCON
Toda informação da tecnologia está aqui.

Mitos sobre Machine Learning: saiba o que ele pode e não pode oferecer

Essa tendência nos permite ser mais estratégicos e capacitados à medida que tomamos decisões muito humanas sobre produtos, mídia, posicionamento e experiência do cliente.

 

O Machine Learning (ou Aprendizado de Máquina) é o uso de algoritmos computadorizados que analisam grandes quantidades de dados, aprendem com eles e, assim, conseguem fazer previsões e aplicar continuamente seu aprendizado com mais rapidez e eficiência do que o humanamente possível.

Essa tendência costumava acontecer nos bastidores: a Amazon explorava seus cliques e compras para obter recomendações, o Google explorava suas pesquisas de posicionamento de anúncios e o Facebook explorava sua rede social para escolher quais postagens mostrar..

Agora o Machine Learning está nas primeiras páginas dos jornais e costuma ser o assunto de um debate acalorado. Os algoritmos de aprendizado dirigem carros, traduzem o discurso e vencem nos jogos digitais! Mas, o que se pode e não pode fazer com eles? Eles são o começo do fim da privacidade, do trabalho e até mesmo da raça humana?

Essa consciência crescente é bem-vinda, porque o Machine Learning é uma grande força que molda nosso futuro, e precisamos enfrentá-lo. Infelizmente, vários equívocos surgiram em torno dele, e eliminá-los é o primeiro passo. Vamos fazer um tour rápido pelos principais mitos sobre o assunto, confira:

1.Você não precisa de um objetivo claro

O mais básico: comece com um objetivo de negócios, uma razão para alavancar o Machine Learning. O que você quer alcançar ou resolver? O objetivo é o modo de dizer à máquina o que ela precisa aprender.

2.Algoritmos de aprendizado descobrem correlações entre pares de eventos

Essa é a impressão que você recebe da maioria das menções de aprendizado de máquina na mídia. Em um exemplo famoso, um aumento nas pesquisas do Google por "gripe" é um sinal antecipado de que está se espalhando. Tudo isso é bom, mas a maioria dos algoritmos de aprendizado descobre formas muito mais ricas de conhecimento.

3. O Machine Learning não pode prever eventos nunca vistos

Se algo nunca aconteceu antes, sua probabilidade prevista deve ser zero - o que mais poderia ser? Pelo contrário, o Machine Learning é a arte de prever eventos raros com alta precisão. Se A é uma das causas de B e B é uma das causas de C, A pode levar a C, mesmo que nunca tenhamos visto isso antes.

Todos os dias, os filtros de spam sinalizam corretamente os e-mails maliciosos recém-criados.

4. Você não precisa formar uma hipótese

O carregamento de pacotes de dados em sua plataforma de marketing não é uma estratégia eficaz. Um ponto de partida mais lógico é formar uma hipótese. A hipótese é uma suposição de que você deseja testar alternativas. Naturalmente, uma das belezas do Machine Learning é a capacidade de testar várias suposições e alternativas simultaneamente.

5. Machine Learning só pode descobrir correlações, não relações causais

Um dos tipos mais populares de Machine Learning consiste em experimentar diferentes ações e observar suas consequências. Por exemplo, um site de comércio eletrônico pode tentar várias formas diferentes de apresentar um produto e escolher aquele que leva a mais compras. Você provavelmente participou de milhares desses experimentos sem saber. E as relações causais podem ser descobertas mesmo em algumas situações em que os experimentos estão fora de questão, e tudo que o computador pode fazer é examinar os dados passados.

6. As máquinas podem aprender a mirar imediatamente

Construindo a partir de sua hipótese, pense na primeira fase do Machine Learning semelhante a um teste aleatório. Ao atender a diferentes experiências, a máquina aprende quais atributos e fatores do consumidor se correlacionam - e o que efetivamente envolve os clientes. Essa experimentação leva tempo, enquanto a máquina aprende e os recursos de segmentação melhoram.

7. O Machine Learning sempre pode se superar

O Machine Learning geralmente oferece percepções e resultados surpreendentes, mas nem sempre consegue mais. A qualidade dos insumos é fundamental para alcançar resultados de desempenho. Quatro áreas onde o desempenho da máquina pode não funcionar: os atributos de entrada não são relevantes; muitos atributos impedem a significância estatística; o público-alvo é muito homogêneo; e a execução criativa não é relevante para os alvos.

Posts relacionados

Quais projetos de TI podem ter sucesso ao aplicar Machine Learning?

Leve seu Machine Learning ao próximo nível com essas tecnologias de Inteligência Artificial.

Machine Learning: a Inteligência Artificial aprimorada

Entenda o significado desses termos e saiba como eles podem aumentar os resultados na vertical de educação.

 

Machine Learning as a Service: como funciona e quais as vantagens?

Machine Learning, Inteligência Artificial e Big Data são tendências que percorrem o mundo e que se infiltram em todas as indústrias.

 

Escreva seu comentário