Desbloqueando Machine Learning: Insights Práticos para Líderes da Indústria

Machine Learning (ML) pode parecer impenetrável para qualquer um não familiarizado com ele. Falta de entendimento sobre o que é ML, e o que significa para indústria manufatureira, às vezes dá origem a ideias extravagantes sobre máquinas inteligentes prestes a assumir humanidade. Mas ML, basicamente, é grande avanço no desenvolvimento de Tecnologia da Informação (TI). A forma como funciona, e suas limitações, devem ser totalmente compreendidas por aqueles que querem usá-lo para o pleno benefício de suas organizações.

ML, admitidamente, requer uso de habilidades estatísticas e de TI específicas que poucas pessoas ainda têm, ou precisaram na manufatura. Mas seus princípios são bastante simples — e até intuitivos de compreender. Para mim, foi o que uma vez considerei ser um serviço de tradução de idioma online mundano — nomeadamente Google Translate — que me ajudou perceber potencial transformador do ML.

Simplificando, software de tradução de idioma há muito baseia-se em programar dicionários, regras gramaticais e suas numerosas exceções. Esta abordagem envolve esforço considerável.

De processos 'baseados em regras' para 'orientados a dados'

• A nova metodologia surgiu de ideia mais simples: não tente definir regras e tabelas léxicas do zero, deixe software 'descobri-las'. Milhões de páginas já traduzidas são coletadas de organizações internacionais.

• Quando usuário submete texto para tradução, software fatia em elementos básicos e então busca por idênticos ou similares no mesmo idioma dentro das páginas traduzidas.

• A tradução mais provável é extraída para ser sugerida ao usuário.

Padrões estatísticos relevantes encontrados nos dados, portanto, substituem regras de tradução. Em vez de ter que ser meticulosamente programados, eles são automaticamente 'aprendidos' pelo software. É fácil ver valor de economia de custo desta abordagem, comparada à tradicional, especialmente desde que qualidade da tradução resultante geralmente está no mesmo nível.

Na manufatura, ganhos de produtividade são compostos por melhoria substancial de qualidade. Qualquer um que já especificou processos de automação sabe quão complexo pode ser antecipar todas situações possíveis que software terá que enfrentar uma vez em produção. Isso mesmo quando especialistas funcionais de domínio estão envolvidos. Regras funcionais do software baseiam-se em suposições que elas mesmas dependem de número limitado de observações. Mas realidade frequentemente prova ser muito mais complexa que esperado, significando que automação eventualmente se torna subótima ou software acaba requerendo correções caras.

Machine Learning, por outro lado, absorve e desenvolve a si mesmo usando todos dados disponíveis, independentemente do volume. Isso significa que risco de padrões ou caso de uso sendo deixado fora da imagem é limitado.

Humanos devem permanecer no comando

A máquina também evita 'viéses cognitivos' da inteligência humana que se traduzem em seleções imperfeitas de dados disponíveis e tomada de decisão inadequada.

Bom exemplo é processamento automatizado de solicitações de empréstimo recebidas por bancos. Algoritmo olha através de informação-chave do mutuário junto com informação de reembolso. Então destaca provável relação entre perfil de mutuário e risco de default. Aplicado a nova solicitação de empréstimo, algoritmo prediz, com nível de precisão considerado suficiente, se mutuário pagará de volta. Isso significa risco de decisão ruim, disparada por preconceito ou humor do operante do banco, é removido.

Nãoetheless, é crucial que humanos permaneçam tomadores de decisão finais.

Primeiro, porque software obviamente não é perfeito. É governado por configurações feitas por humanos. Por exemplo, pode ter sido otimizado para evitar 'falsos-positivos' (onde empréstimo é concedido a mutuário que dará default) e assim tenderá a rejeitar certas solicitações de empréstimo. Portanto, usuário deve verificar que recomendações do sistema são legítimas e, se necessário, rejeitá-las. Isso permitirá que sistema aprenda novos critérios para que algoritmo aceite solicitações de perfis similares na próxima vez.

Outra razão chave é que apenas humanos devem garantir que padrões éticos sejam atendidos, especialmente quando decisão concerne direitos de um indivíduo.

Dados acima de tudo

É essencial escolher e configurar modelo algorítmico que se ajuste ao processo de manufatura em questão e tipo de dados sustentando-o. A performance de automação dependerá de atender dois imperativos: qualidade de dados, e representatividade do conjunto de treinamento, significando que automação será mais eficiente quando ML for realizado baseado em observações não enviesadas.

Acesso a dados é crucial para sucesso de ML porque, ultimately, nenhum nível de sofisticação algorítmica jamais compensará um conjunto de dados pobre.

Com poder crescente de computadores e digitalização, tornou-se possível e provavelmente essencial alavancar abordagem orientada a dados para desenhar processos de manufatura automatizados mais eficientes. Além das habilidades científicas requeridas, sucesso destas soluções reside na coleta de dados relevantes e monitoramento de suas operações por humanos. Machine Learning tende a descartar comportamentos arbitrários. Cabe a nós garantir que não os substitua com generalizações excessivas inadequadas.

Por Jean-Cyril Schütterlé, VP Produto & Ciência de Dados na Sidetrade