Imagine poder prever comportamentos e identificar padrões “fora da curva”. Esse é o grande atrativo das tecnologias de Machine Learning e Analytics. No Eldorado, aplicamos esse conceito em um case de sucesso. Saiba mais.

Machine Learning ou Aprendizado de Máquina é uma tecnologia que consiste na habilidade de a máquina aprender e prever tendências por meio de dados precedentes. Com ela, é possível projetar e desenvolver softwares e serviços personalizados e adaptáveis às necessidades de cada usuário. Computadores, automóveis, celulares e uma infinidade de outros dispositivos, além de customizáveis a necessidades pontuais, podem ter seu desempenho melhorado de forma progressiva.

No Eldorado, uma das utilizações que tivemos da técnica de aprendizado de máquina foi aplicada para melhorar exponencialmente o tempo de resposta de chamados de problemas técnicos de usuários de um sistema.

Nosso time treinou um modelo de aprendizado supervisionado com base em dados históricos de diversos gráficos. Assim, com o tempo, a máquina passou a perceber pequenas nuances em cima daquilo que recebeu como treinamento muito antes do problema ser percebido pelo usuário final e passou a emitir alarmes para os administradores do sistema, que agora podem atuar proativamente na resolução desses problemas, otimizando a resolução de falhas e melhorando a qualidade do produto.

No Eldorado, diversas outras aplicações foram baseadas nessas tecnologias: sistemas que analisam centenas de dados de e-commerces para evitar quedas, aplicações na área de telefonia para identificar instabilidades na rede antes mesmo dos usuários as perceberem, dentre outras. Falamos um pouco dessas aplicações nesse artigo, confira.

Entendendo a tecnologia

Basicamente, para que ocorra o aprendizado da máquina, é preciso que ela reconheça padrões, classifique e, por fim, tome as decisões. Além disso, juntamente com a tecnologia de Analytics, é possível analisar dados de qualquer fonte para encontrar diversos tipos de respostas, como soluções para redução de custos e de tempo, desenvolvimento de novos produtos com melhor experiência para o usuário, ofertas otimizadas, decisões mais inteligentes, busca por padrões e correlações que mostrem respostas não óbvias, predição de eventos futuros, otimização de agendas, de manutenções, entre outras. Assim, são criados os algoritmos de aprendizado. Quando isso acontece, a máquina é capaz de realizar tarefas autônomas.

Vamos tomar como exemplo a Netflix. Afinal, como ela sabe indicar o filme ou o documentário que combina tanto com você?

No início deste ano, após se tornar presente em 190 países, a companhia anunciou que estava mudando seu algoritmo de classificação de conteúdo que, até então, era feito pelo sistema de cinco estrelas. O novo algoritmo separa os assinantes em comunidades globais e leva em consideração os gostos e preferências pessoais de cada usuário. Desse modo, o engajamento se mostrou muito maior, pois o algoritmo antigo era limitado, levando em conta apenas a região em que o usuário se encontrava e a avaliação daqueles que estavam geograficamente próximos, ou seja, a avaliação era muito regionalizada.

O aprendizado de máquina permite que a Netflix ofereça sugestões assertivas e alinhadas ao gosto do usuário

Quanto mais dados são oferecidos à máquina, mais precisa ela fica em suas previsões. Além disso, quanto mais complexo for o que se quer ensinar, maior deve ser a oferta de dados para que ela aprenda. Atualmente, os algoritmos de aprendizado são oferecidos para solucionar problemas pontuais, mediante aquilo que está em desenvolvimento. Para acontecer o aprendizado de máquina, o algoritmo busca padrões dentro do grupo de dados que lhe é oferecido como base.

Os carros autônomos, como o carro do Google, são um bom exemplo para compreender a tecnologia. Por meio do computador de bordo, esse carro já tem uma série de comandos “ensinados” a ele. Quanto mais dados são enviados para a sua nuvem, mais ele aprende sobre as “regras” do ambiente do trânsito. Esses novos dados podem ser enviados por outros carros inteligentes, criando uma rede de troca de dados, ou pelos seus próprios criadores.

 

Quanto mais dados recebem, melhor é o desempenho dos carros autônomos

Essa capacidade de comparar dados em grande escala para prever comportamentos e identificar padrões “fora da curva” é exatamente o grande atrativo das tecnologias de Machine Learning e Analytics.

Nos próximos anos, essas tecnologias terão, cada vez mais, aplicações em diferentes setores, seja para melhorar a usabilidade de aplicativos e e-commerces, como também para prever falhas em sistemas financeiros, elétricos, telefônicos e industriais em geral.

Como os exemplos acima mostram, essas tecnologias terão cada vez mais aplicações em diferentes setores, seja para melhorar a usabilidade de aplicativos e e-commerces, como também para prever falhas em sistemas financeiros, elétricos, telefônicos e industriais em geral.