Mito 1 – Todos os dados do chão de fábrica precisam ser utilizados
Um achismo comum no entendimento da indústria é que quanto mais dados disponíveis para treinamento de um modelo, melhor será sua validação de testes e facilidade em encontrar o resultado desejável.
Neste processo de treinamento, muitos dados são descartados por inúmeras razões como por exemplo, pelo fato de não serem relevantes ao contexto e objetivo final do modelo de Machine Learning que está sendo desenvolvido.
Mito 2- São necessários muitos dados
Mito 3 – Machine Learning é imparcial
Mito 4- Aprendizado por Reforço é o fim do processo
Aprendizado por reforço é quando a máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada.
Essa ideia de fato deriva do conceito de “aprendizagem por reforço” da psicologia, no qual uma recompensa ou punição é dada a um agente, dependendo da decisão tomada; com o tempo e a repetição dos experimentos, espera-se que o agente consiga associar as ações que geram maior recompensa para cada situação que o ambiente apresenta, e passe a evitar as ações que geram punição ou recompensa menor.
Atualmente, são poucas as recompensas oferecidas hoje no mercado a este modelo de aprendizagem, não exigindo demais dos computadores para fazerem tentativas suficientes além do monitoramento dever ser permanente no processo de aprendizado.
