É um exemplo de uma aplicação de um algoritmo de aprendizado de máquina?

Exemplos de Machine Learning aplicados ao dia a dia

Neste artigo apresentaremos alguns exemplos de utilização de machine learning no dia a dia das pessoas e das empresas. Entenda mais sobre a aplicação deste método.

Junto com IOT e BigData, a inteligência artificial e machine learning têm ganhado cada vez mais visibilidade através da mídia e da inovação tecnlógica trazida pelas empresas. Se você já realizou uma busca pelo Google ou pesquisou pela melhor rota no Waze, certamente já utilizou alguma plataforma que faz uso de machine learning.

Neste artigo abordaremos exemplos de machine learning aplicados ao dia a dia das pessoas e das empresas. Preparado? Então acompanhe os exemplos que selecionamos abaixo:

• Exemplos de machine learning
  • Apps de transporte e geolocalização
  • Email
  • Compras online
  • Detecção de Fraudes
  • Processamento de linguagem natural

Embora não seja um conceito tão novo, muita gente ainda confunde o termo. A primeira dúvida que muitos têm é sobre a diferença entre o aprendizado de máquina (ML) e inteligência artificial (IA).

Para simplificar a discussão, pensaremos na IA como o objetivo mais amplo de inteligência de máquina autônoma e no aprendizado de máquina como os métodos científicos específicos para a criação de IA. Todo aprendizado de máquina é IA, mas nem todo IA é aprendizado de máquina.

Vamos a alguns casos de uso:

Apps de transporte e geolocalização

Apesar de ser uma tecnologia recente, todos nós já estamos acostumados com a utilização de aplicativos para nos locomover pelas cidades, como Uber, Cabify, entre outros. Mas como eles determinam o preço do seu passeio? Como eles minimizam o tempo de espera depois que você chama um carro? Como esses serviços combinam as rotas de maneira ideal com outros passageiros para minimizar desvios? A resposta para todas essas perguntas é a utilização de Machine Learning.

A partir dos dados das “corridas”, a plataforma identifica padrões e se adapta conforme mudanças de comportamento ocorrem. As plataformas têm melhorado muito no sentido de agilizar o serviço e fornecer a melhor experiência aos seus usuários. Além do “Match” entre motoristas e usuários, e da identificação da melhor rota, os dados destas plataformas já estão sendo utilizados para o desenvolvimento dos carros autônomos.

Email

Um dos casos mais clássicos de utilização de machine learning é certamente a filtragem de e-mails de SPAM. Filtros simples baseados em regras, como “filtrar mensagens com as palavras” farmácia on-line “e” príncipe nigeriano “provenientes de endereços desconhecidos”, não são eficazes contra spam, porque os remetentes de spam podem atualizar rapidamente suas mensagens para contorná-las. Em vez disso, os filtros de spam precisam aprender continuamente com uma variedade de sinais, como as palavras na mensagem ou os os metadados da mensagem (de onde é enviado, quem o enviou etc.).

Além disso, as ferramentas antispam ainda personalizam seus resultados com base na própria definição do usuário do que constitui um spam. Talvez um e-mail de ofertas diárias que você considera spam seja bem-vindo nas caixas de entrada de outros.

Com o uso de algoritmos de aprendizado de máquina, o Gmail e outras plataformas antispam, como o Mailinspector, filtram com êxito 99,9% das mensagens indesejadas e até ameaças virtuais. Ataques via e-mail phishing, contendo malwares, são identificados em tempo real, a partir do reconhecimento de padrões.

Outra funcionalidade, baseada em machine learning, são as respostas automáticas sugeridas pelo Gmail. Utilizando processamento de linguagem natural, a ferramenta dá sugestões de respostas breves (mas personalizadas). Essa tecnologia vem evoluindo e as respostas estão ficando cada vez mais precisas.

Compras online

Quando um usuário busca um produto na Amazon, como “carregador iphone”, “notebook gamer” ou “romance histórico”, rapidamente é retornado uma lista de produtos relevantes relacionados a essa pesquisa. Por “baixo dos panos”, algoritmos aprendem automaticamente a combinar vários recursos por relevância. Os dados estruturados do catálogo da Amazon fornece muitos desses recursos relevantes e aprende com os padrões de pesquisa anteriores, adaptando-se ao que é importante para seus clientes.

Outra utilização de machine learning no comércio eletrônico são os famosos sistemas de recomendação. Ao colocar um produto no carrinho de um site de compras você provavelmente já se deparou como “pessoas que compraram o produto X também compraram o produto Y”.

Essa tecnologia é utilizada para potencializar novas compras, na tentativa de adivinhar, cientificamente, quais outros produtos que os consumidores também se interessariam. Estudos mostram que esse tipo de recurso aumenta em até 30% as vendas de lojas online.

Detecção de Fraudes

Uma das aplicações mais antigas de machine learning é a detecção de fraudes. Empresas de cartão de crédito utilizam o aprendizado de máquina para prevenção de fraudes no processamento de pagamentos online, por exemplo.

Uma das forma de se fazer isso é por meio da detecção de outliers, que permite que o emissor cartão de crédito identifique um comportamento fora do padrão. Isso possibilita que o cartão seja bloqueado no exato momento em que uma compra é realizada.

Apesar de não ser perfeito, o sistema funciona bem. Muitas vezes a transação é bloqueada sem que o próprio dono do cartão fique sabendo. Entretanto, por vezes o sistema acaba ficando rígido demais. Um dos desafios dessas empresas é minimizar falsos positivos, que é quando o sistema recusa uma transação legítima.

Hoje, as empresas de cartão de crédito perdem mais dinheiro com os falsos positivos do que com operações fraudulentas, conforme exemplo da Mastercard.

Processamento de linguagem natural

Recentemente, no evento anual I/O developer conference, o Google chocou o mundo ao apresentar uma conversa de uma inteligência artificial ao tentar realizar um agendamento por telefone. O sistena do Google utiliza de algoritmos de machine learning para ir aprendendo com interações anteriores.

Além disso, ajustes na voz são realizados em tempo real para tornar a interação mais realista. Acompanhe o vídeo abaixo:

 
Por fim, a partir destes exemplos de machine learning, percebemos que o aprendizado de máquina pode ser um método útil para consolidar conhecimento, de forma automática, a partir de dados disponiveis. Pode ser benéfico tanto para empresas quanto para os usuários e consumidores, que obtém melhores serviços e uma experiência mais personalizada.

 
Gostou do artigo? Então siga nossa página no LinkedIn e fique por dentro das novidades.

Fique atualizado com nosso melhor conteúdo!

Compartilhe

Leitores também acessaram: