Aprendizado de máquina desmistificado

Aprendizado de máquina (ML) pode parecer impenetrável para quem não está familiarizado com ele. A falta de compreensão sobre o que é ML e o que isso significa para o fabricante...
Machine Learning (ML) pode parecer impenetrável para quem não conhece. A falta de compreensão sobre o que é ML e o que isso significa para a indústria manufatureira, às vezes dá origem a ideias estranhas sobre máquinas inteligentes prontas para dominar a humanidade. Mas o ML, basicamente, é um grande avanço no desenvolvimento da Tecnologia da Informação (TI). A maneira como funciona e suas limitações devem ser totalmente compreendidas por aqueles que desejam usá-lo para o benefício total de suas organizações.

O ML, reconhecidamente, requer o uso de habilidades estatísticas e de TI específicas que poucas pessoas ainda têm ou precisaram na fabricação. Mas seus princípios são bastante simples – e até intuitivos de entender. Para mim, foi o que eu já considerei um serviço online de tradução de idiomas bastante mundano – ou seja, o Google Translate – que me ajudou a perceber o potencial transformador do ML.

Para simplificar, o software de tradução de idiomas há muito se baseia em dicionários de programação, regras gramaticais e suas inúmeras exceções. Esta abordagem envolve um esforço considerável.

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

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

·  Quando um usuário envia um texto para tradução, o software o divide em elementos básicos e, em seguida, procura por outros idênticos ou semelhantes no mesmo idioma nas páginas traduzidas.

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

Padrões estatísticos relevantes encontrados nos dados, portanto, substituem as regras de tradução. Em vez de ter que ser meticulosamente programado, eles são automaticamente “aprendidos” pelo software. É fácil ver o valor da economia de custos dessa abordagem, em comparação com a tradicional, especialmente porque a qualidade da tradução resultante geralmente está no mesmo nível.

Na fabricação, os ganhos de produtividade são compostos por uma melhoria substancial da qualidade. Quem já especificou processos de automação sabe o quão complexo pode ser antecipar todas as situações possíveis que o software terá que enfrentar quando estiver em produção. Isso ocorre mesmo quando especialistas de domínio funcional estão envolvidos. As regras funcionais do software são baseadas em suposições que se baseiam em um número limitado de observações. Mas a realidade muitas vezes se mostra muito mais complexa do que o esperado, o que significa que a automação acaba ficando abaixo do ideal ou que o software acaba exigindo correções caras.

O Machine Learning, por outro lado, absorve e se desenvolve usando todos os dados disponíveis, independentemente do volume. Isso significa que o risco de padrões ou um caso de uso ser deixado de fora é limitado.

Os humanos devem permanecer no comando

A máquina também evita os “preconceitos cognitivos” da inteligência humana que se traduzem em seleções imperfeitas de dados disponíveis e tomadas de decisão inadequadas.

Um bom exemplo é o processamento automatizado dos pedidos de empréstimos recebidos pelos bancos. Um algoritmo analisa as principais informações de um mutuário junto com as informações de reembolso. Em seguida, destaca a provável relação entre o perfil do mutuário e o risco de inadimplência. Aplicado a um novo pedido de empréstimo, o algoritmo irá prever, com um nível de precisão considerado suficiente, se o mutuário irá reembolsar. Isso significa que o risco de uma má decisão, desencadeada por preconceito ou humor do bancário, é afastado.

No entanto, é crucial que os humanos continuem sendo os tomadores de decisão finais.

Primeiro, porque o software obviamente não é perfeito. É governado por configurações feitas por humanos. Por exemplo, pode ter sido otimizado para evitar “falsos-positivos” (em que o empréstimo é concedido a um mutuário que entrará em default) e, portanto, tenderá a rejeitar determinados pedidos de empréstimo. Portanto, o usuário deve verificar se as recomendações do sistema são legítimas e, se necessário, rejeitá-las. Isso permitirá que o sistema aprenda novos critérios para que o algoritmo aceite aplicativos de perfis semelhantes na próxima vez.

Outra razão importante é que apenas os humanos devem garantir que os padrões éticos sejam atendidos, especialmente quando uma decisão diz respeito aos direitos de um indivíduo.

Data über alles

É essencial escolher e configurar um modelo algorítmico que se ajuste ao processo de fabricação em questão e ao tipo de dados que o sustenta. O desempenho da automação dependerá do atendimento de dois imperativos:qualidade dos dados e representatividade do conjunto de treinamento, o que significa que a automação será mais eficiente quando o ML for realizado com base em observações imparciais.

O acesso aos dados é crucial para o sucesso do ML porque, em última análise, nenhum nível de sofisticação algorítmica compensará um conjunto de dados ruim.

Com o crescente poder dos computadores e da digitalização, tornou-se possível e provavelmente essencial alavancar uma abordagem orientada por dados para projetar processos de fabricação automatizados mais eficientes. Para além das competências científicas exigidas, o sucesso destas soluções reside na recolha de dados relevantes e na monitorização das suas operações por parte de humanos. O aprendizado de máquina tende a descartar comportamentos arbitrários. Cabe-nos a nós certificarmo-nos de que não as substitui por generalizações inadequadas.

Por Jean-Cyril Schütterlé, ‎VP Product &Data Science da Sidetrade