Machine Learning: O que é?

1

Uma área da Ciência da Computação, criada a partir de pesquisas relacionadas à Inteligência Artificial, a Machine Learning torna-se cada vez mais essencial para os negócios. O uso crescente de seus métodos está totalmente relacionado ao forte crescimento computacional. Se no passado as pessoas tentavam resolver fórmulas complexas quase que manualmente, hoje emprega-se a tecnologia para automatizar a construção de modelos analíticos que usam algoritmos para aprender a partir de dados de forma interativa. Ou seja, a ideia é que estes algoritmos sejam quase que autossuficientes com a menor intervenção humana possível.

Significa que, com os dados corretos, as tecnologias certas, e as análises adequadas, é possível produzir de forma rápida modelos que podem analisar uma grande quantidade de dados, independentemente de sua complexidade e entregar resultados em menos tempo, mais precisos e com a mínima intervenção humana. O resultado? Previsões de alto valor que podem orientar as melhores decisões.

As aplicações para Machine Learning são inúmeras, como: detecção de fraude; recomendações online de ofertas; anúncios publicitários em tempo real na web e em mobile; análise de sentimentos baseada em fontes textuais de redes sociais; credit scoring; previsão de falhas em equipamentos; novos modelos de precificação; detecção de invasão em redes; análise de padrões de escrita; entre outras.

Fonte: SAS.com

Curiosidade – O nascimento de um modelo preditivo

1

Um modelo preditivo é o resultado da combinação de dados e matemática, onde o aprendizado pode ser transformado na criação de uma função de mapeamento entre um conjunto de campos de dados de entrada e uma resposta ou variável de destino.

Para desenvolver um modelo preditivo, primeiro, é preciso montar o conjunto de dados que será utilizado para o treinamento. Para isso, um conjunto de campos de entrada que representa um cliente, por exemplo, é reunido a um registro. Esse registro pode conter recursos, como idade, gênero, CEP, número de itens adquiridos nos últimos seis meses e número de itens retornados, combinados a uma variável de destino que pode ser utilizada para informar se o cliente migrou ou não para o concorrente no passado. O registro de um cliente pode ser matematicamente descrito como um vetor em um espaço de recurso multidimensional, já que diversos recursos estão sendo utilizados para definir o objeto do tipo de cliente. Quando todos os registros de cliente estiverem reunidos, eles se tornam um conjunto de dados que pode conter milhões de registros.

As técnicas de modelagem preditiva permitem o desenvolvimento de modelos preditivos precisos, contanto que existam dados suficientes e que a qualidade dos dados não seja uma preocupação. Dados inválidos geram modelos inválidos, independentemente da qualidade da técnica preditiva. Como diz o ditado, entra lixo, sai lixo.

Fonte: IBM

Imagens X assimilação de dados

1

O cérebro humano é incapaz de processar grande volume de dados, no entanto, as empresas geram, diariamente, toneladas de dados que são transformadas em informações e que devem ser assimiladas…pelo cérebro humano. Felizmente, há algo para ajudar seu cérebro não apenas a imaginar as informações de sua corporação, mas a consumi-las: as imagens.

A visualização de dados é a representação dos mesmos em um formato pictórico ou gráfico. O objetivo da visualização é simplificar o valor dos dados, promover a compreensão sobre eles, e comunicar conceitos e ideias importantes. A visualização é a maneira mais fácil para que o nosso cérebro receba e interprete grandes quantidades de informação. Ela dá aos profissionais a capacidade de usar os dados de forma intuitiva, sem conhecimentos técnicos aprofundados. Mesmo usuários iniciantes podem criar visualizações de dados que sejam significativas, como gráficos de pizza, gráficos de linha, gráficos de bolhas e mapas de calor.

Visualizações de dados avançadas suportam técnicas analíticas mais profundas e complexas. Os profissionais podem não somente perceber o que aconteceu, mas também prever o que poderá acontecer, usando gráficos ricos para derivar rapidamente ações empresariais. O fato é que, quando as pessoas fazem a transição de planilhas para visualizações de dados, elas são capazes de registrar os valores que estão vendo como um todo.

Por este motivo, o SAS disponibilizou um e-book que traz algumas razões pelas quais você não pode ficar sem a visualização de dados. Para ver o e-book completo, clique aqui.

Para ler a matéria completa, clique aqui.

Fonte: SAS

Seguradoras buscam alternativas no BA para combater o aumento de fraudes

1

O SAS, recentemente, realizou uma pesquisa com seguradoras nos Estados Unidos. O resultado apontou que somente 13% dos entrevistados usavam uma variedade de técnicas, incluindo Business Analytics e Advanced Analytics; e apenas 21% monitoravam a incidência de fraude em tempo real. E constatou que, dentre as companhias que fazem o uso do BA, 57% tiveram um crescimento anual de 4% na detecção de fraudes. Já as seguradoras sem soluções automatizadas de detecção, ou somente baseadas em regras de negócios, apenas 16% tiveram um crescimento similar.

Entre os maiores obstáculos enfrentados por muitas seguradoras estão as falhas em seus sistemas de detecção, soluções ultrapassadas, dificuldades no processo de integração de dados, e atividades de terceiros que resultam em dados incompletos ou não confiáveis.

Para minimizar os riscos, o SAS oferece as soluções de Analytics Avançadas, que fornecem uma abordagem para detecções. Normalmente, elas começam pela extração de dados existentes de seguradoras para ‘limpá-los’ e qualifica-los, se necessário. A tecnologia pode conectar os dados para fornecer uma investigação cautelosa dos clientes da empresa. Depois desse processo, a abordagem analítica híbrida deve ser aplicada, incorporando desde regras de negócios, passando por detecções de anomalias, modelos preditivos, mineração de textos e análise de redes de relacionamentos.

Para ler a matéria completa, clique aqui.

Fonte: SAS.com