Olá pessoal, este é o primeiro de uma série de quatro artigos onde exploraremos o conceito de Machine Learning, mas baseando-se em aplicações na área de negócios, sendo o foco do nosso blog.

Para isto, o artigo está dividido em três partes. Começaremos com o conceito de Machine Learning conforme apresentado pela McKinsey, Gartner e Harvard Business Review.

Em seguida exploraremos os métodos supervisionados e não supervisionados de Machine Learning conhecendo alguns casos sólidos de referência de clusterização, análise fatorial e previsão de vendas (forecast).

No YouTube, exploraremos de uma forma visual os conceitos de Machine Learning a partir de sua aplicação utilizando a Linguagem Phyton, e pequenos trechos deste conteúdo poderão ser acessados em nosso Instagram, ou por nossos alunos na Udemy.

Machine Learning, o conceito.

É muito comum pensarmos em Machine Learning como uma disciplina complexa do Data Science, voltada apenas para especialistas em programação, matemáticos e estatísticos conceituados, mas vamos desmistificar este tema e mostrar que é possível entender os benefícios do Machine Learning para os negócios.

Em seu brilhante “Guia sobre Machine Learning para Executivos” a Mckinsey comenta que o Machine Learning, ou aprendizado de máquina, é baseado em algoritmos com a capacidade de aprender a partir de uma base de dados. Por este motivo, seu uso tem crescido vertiginosamente graças a um maior acesso aos dados a partir de avanços contínuos em digitalização e uma maior facilidade de acesso a máquinas com grande poder de processamento.

Por ser capaz de aprender a partir de uma base de dados, o Machine Learning tem auxiliado diversos profissionais, nas mais diferentes áreas de atuação, obterem insights valiosos que sem a aplicação de poder computacional levariam muito tempo para serem obtidos e não teriam a mesma precisão.

Foto de charlesdeluvio na Unsplash

Outra ótima referência da aplicação do Machine Learning em negócios pode ser encontrada no artigo da Harvard Business Review intitulado “How to win with Machine Learning”.

Nele, os autores comentam que o Machine learning tem sido utilizado por grandes empresas de tecnologia para transformar dados em insights e previsões que melhore seus produtos. Além disso, citam também exemplos muito robustos de uso de Machine Learning para aumentar a produtividade da equipe e reduzir vertiginosamente o custo.

Agora que entendemos essa capacidade do Machine Learning de aprender a partir de uma base de dados, vamos entender um pouco dois de seus métodos, os supervisionados e os não supervisionados.

Machine Learning – Métodos Supervisionados

De uma forma mais simples de entender, os métodos supervisionados de Machine Learning aprendem a partir de um pedaço de uma base de dados, também conhecida com base de treino, e o modelo criado é aplicado em uma base de dados de testes para verificação de sua precisão.

Por este motivo, a Gartner considera os métodos supervisionados de Machine Learning como sendo os mais utilizados pelos líderes de TI.

Seus usos estão relacionados a previsão, reconhecimento e classificação de dados e por este motivo tem sido amplamente aplicado por empresas dos mais variados segmentos.

Machine Learning – Métodos Não Supervisionados

Agora que conhecemos um pouco sobre os Métodos Supervisionados de Machine Learning, e sua aplicação para previsão, reconhecimento e classificação de dados, fica um pouco mais fácil entender os Métodos Não Supervisionados.

A principal diferença é a não necessidade de uma base de treino para desenvolver o modelo, uma vez que este método necessita apenas de dados de entrada em uma base de dados.

Seus usos estão relacionados a agrupamentos, associação e classificação de dados e têm sido amplamente aplicados por empresas visando agrupar clientes e classificá-los conforme seus comportamentos.

 Machine Learning – Casos de Referência

Um excelente caso de referência é o apresentado pela Harvard Business Review no artigo citado anteriormente aqui no texto onde a empresa canadense do setor farmacêutico BenchSci.

A partir do uso de Machine Learning a BenchSci gerou um potencial de economia de 17 Bilhões de dólares anualmente ao acelerar significativamente a identificação de reagentes e substâncias essenciais para o lançamento de medicamentos ao ler, classificar e apresentar insights a partir de pesquisas científicas. Isto fez com que os cientistas fossem capazes de automatizar o processo de pesquisa e avançar rapidamente nos testes necessários para aprovação.

 

O uso de Machine Learning na BenchSci é tão importante que eles possuem um blog com muitos conteúdos referentes aos trabalhos que realizam em suas pesquisas. Vale a pena conferir a partir deste link.

Já a Gartner em seu artigo 5 Formas que IA e ML entregam impactos nos negócios apresentou como um fabricante de motores para aeronaves conseguiu economizar 63 Milhões de dólares em 2 anos ao aplicar ML para prevenir e reduzir custos de manutenção em seus motores.

Por fim, mas não menos importante, a McKinsey cita que diversos bancos europeus evoluíram seus modelos estatísticos antigos por modernos modelos de Machine Learning para melhor recomendar produtos financeiros para seus clientes, conseguindo aumentar em até 10% suas vendas.

Conclusão

Independente do método de Machine Learning utilizado, a mensagem que fica é que estes modelos terão a capacidade de aprender a partir dos seus dados e ajudá-los a obter insights valiosos que manualmente você levaria muito mais tempo para obter.

Em nosso próximo artigo, vamos explorar um pouco mais o método não supervisionado de machine learning que o auxiliará a agrupar clientes a partir de sua similaridade, a Análise de Clusters.