5 Mitos sobre Machine Learning

O Machine Learning, aprendizado de máquina em português, está em alta no momento. Milhares de sites, eventos e veículos de comunicação estão repletos de opiniões de especialistas sobre o que é e como esta tecnologia impacta diversos setores da economia industrial. No entanto, como qualquer outra tecnologia que se torna protagonista da vez, o debate sobre sua aplicação prática gera divergências de opiniões e distorções sobre a mesma.

Consequentemente, à medida que o termo cai em uso popular, muitos conceitos e crenças errôneas surgem em torno da tecnologia. Para ajudar a esclarecer alguns pontos conflitantes da sua aplicação no ambiente industrial, a Crave Industry, visa explanar alguns mitos que estão sendo replicados nos últimos tempos. Vejamos alguns:

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

Em complemento ao raciocínio anterior, após o treinamento do modelo, em que os padrões assertivos já foram validados, não é mais necessário a inserção de dados destinados a treinamento.

A falácia se explica pelo fato da modelagem uma vez validada, de nada adiantaria treinar o mesmo modelo com remessas de dados de mesmo significado.

Além disso, uma tendência de mercado é que as indústrias busquem a prontidão de conectividade de dados e integração unificada, ambas essenciais para avançar para com o uso do Machine Learning e consequentemente acelerar o processo de modelagem em larga escala. Isto é, primeiro é necessária a implementação de um sistema integrado (topologia Crave Platform), um pipeline de dados (data pipe line as a service) para um cenário ideal e avanço para a terceira camada de tecnologias emergentes.

Mito 3 – Machine Learning é imparcial

O fato é que os modelos aprendem a partir de dados, identificação de padrões, respostas dadas por humanos e vão responder com a parcialidade ou imparcialidade a qual foram treinados e nada além disso.

Por isso, se são mostradas, como exemplo, inúmeras fotos de peças azuis e verdes e pede-se para o algoritmo identificar as azuis, provavelmente ele irá separar pelas identificações ou etiquetas tituladas azuis, como azul em uma determinada paleta de cores, uma vez que esta foi a variação de paleta apresentada a ele.

Em poucas palavras podemos dizer que a máquinas não faz o que você quer, ela faz o que ela foi orientada (treinada) a fazer!

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.

Mito 5 – O Machine Learning anula completamente a necessidade de humanos

Assim como, muitos afirmam que toda tecnologia anula empregos, por sua vez gera um gap de mão de obra especializada para trabalhar com ela. Embora possibilite que a execução de tarefas repetitivas seja substituída, por outro lado, torna necessária uma maior capacitação do empregado para se manter no mercado.

Mas e quanto à Indústria? O Machine Learning ja é uma realidade no cenário industrial?

A adoção do Machine Learning corporativa, segundo relatório da Gartner, mais de 270% nos últimos quatro anos. Tal adoção se justifica pela tecnologia Machine Learning possuir a capacidade de acelerar os processos de tomadas de decisões, de processos industriais por exemplo, e gerar maiores retornos sobre o investimento (ROI), segundo o mesmo relatório mencionado, cerca de 37% das organizações já implementaram em algum de seus processos.