O que geralmente não te contam sobre Machine Learning (ML) e Deep Learning (DL)

Muito do hype da Inteligência Artificial está, na minha opinião, na visão errada sobre o potencial de Machine Learning (ML) e Deep Learning (DL).

Alguns exemplos:

– Ter um grande volume de dados não garante a qualidade preditiva ou mesmo resulta no uso de ML/DL, mesmo com dados totalmente rotulados, pois é necessário que o problema realmente seja aplicável e também vários outros fatores estejam alinhados, como padrões a serem aprendidos e causalidade nos dados.
– ML não necessariamente imita nosso cérebro e implementa redes neurais artificiais. DL, que é uma possível técnica de ML que faz isso.
– Mesmo que haja causalidade e alinhamento de dados com o problema, o DL está sujeito aos mais variados erros devido ao grande número de parâmetros, como under/overfitting e todas as outras complexidades de setup.
– A adoção do ML/DL não garante necessariamente a automação para resolver problemas, especialmente os cognitivos e os mais complexos, que requerem um trabalho de análise e data science, e, principalmente, de construção de algoritmos que suportem os modelos criados.

Mas a verdade é que, poucos contam isso, e mais poucos ainda contam com isso!

____
Rogerio Figurelli – @ 2018-08-09

Anúncios

IoT e Machine Learning, os novos capítulos de CRM

“Nos dias de hoje, a Inteligência Artificial começa a ocupar um papel determinante nas nossas vidas. A capacidade de computação trouxe associada a si novas formas de pensar. A área de Machine Learning envolve probabilidade estatística que é depois codificada em linguagens de programação para as mais diversas aplicações. O motor é um artíficio matemático para calcular probabilidades e, baseado nisso, é estipulado um conjunto de regras que dão feedback aos utilizadores ou outros sistemas.

Num passado recente toda a lógica de negócio estava centrada do lado do cliente. Contudo, com o conceito de Cloud existe uma descentralização do poder de computação para o lado do servidor. Como exemplo, o CRM Salesforce permite gerir um tipo de portefólio comum no mundo dos negócios: leads, opportunities, contacts, accounts tudo isso através de um browser. Dessa forma essa tecnologia torna-se omnipresente no dia a dia, muito pela sua escalabilidade e facilidade de utilização.

A área de Salesforce IoT (Internet das Coisas) é o novo capítulo de inovação que integra leituras de múltiplos sensores. É assim possível descentralizar toda a computação para a rede, funcionando como um palco perfeito para algoritmos avançados processarem rapidamente todos os inputs.”

http://www.jornaleconomico.sapo.pt/noticias/iot-e-machine-learning-os-novos-capitulos-de-crm-331797

Inteligência artificial desenha rostos a partir de descrições em texto

“Um programador chamado Animesh Karnewar criou um sistema de inteligência artificial capaz de fazer algo semelhante a um “retrato falado”. A proposta inicial era fazer com que o computador fosse capaz de criar uma imagem a partir da descrição em texto, possibilitando que ele desse rosto a personagens ficcionais de livros. Com isso, ele criou o T2F (sigla que vem de texto para rosto, em tradução em inglês).

Karnewar usa de uma técnica chamada de generative adversarial network (GAN). Aqui, são usadas duas redes neurais que se monitorarem a respeito de uma produção. O exemplo dado por ele é o seguinte: imagine que a rede 1 precisa tentar enganar a rede 2 a acreditar que uma imagem renderizada é uma fotografia real. Ao mesmo tempo, a rede 2, precisa provar para a rede 1 que aquela imagem é real e não apenas uma construção digital.

A proposta é usar este sistema para testar imagens de forma que fique tão perfeita que não consiga mais enganar a rede 2. Este é apenas um exemplo de várias funções que estas duas redes exercem juntas.”

https://canaltech.com.br/inovacao/inteligencia-artificial-desenha-rostos-a-partir-de-descricoes-em-texto-119692/

10 passos para não errar na adoção de Machine Learning

“O Machine Learning está se tornando rapidamente um teste decisivo para CIOs com visão de futuro. As empresas que não conseguirem adotar a aprendizagem de máquinas para o desenvolvimento de produtos ou para as operações comerciais correm o risco de ficar atrás de concorrentes mais ágeis na próxima década, segundo Dan Olley, que como CTO da Elsevier, a unidade de informação científica e de saúde do Grupo RELX, aumentou a adoção de tecnologias de Machine Learning de sua organização nos últimos anos .

“Acredito fundamentalmente que estamos em um ponto de inflexão com o Machine Learning, que vai mudar a maneira como interagimos com o mundo digital na próxima década”, disse Olley. “Vamos ter decisões tomadas por máquinas”.

É uma suposição razoável. O crescimento no poder de computação, a crescente sofisticação de algoritmos e modelos de treinamento e uma fonte de dados aparentemente ilimitada facilitaram inovações significativas em Inteligência Artificial (IA).

A IA, que inclui qualquer tecnologia em que uma máquina pode imitar o comportamento da mente humana, inclui sub-campos como o Machine Learning, no qual os algoritmos baseados em estatísticas automatizam a engenharia do conhecimento. Google, Amazon, Baidu e outros estão investindo muito dinheiro em IA e Machine Learning.

Mas como as organizações que nunca viram algoritmos de inteligência artificial embarcaram na Ciência dos Dados ou no Machine Learning? Olley e o Gartner oferecem as seguintes dicas práticas.”

http://cio.com.br/tecnologia/2018/07/23/10-passos-para-nao-errar-na-adocao-de-machine-learning/

Define Overfitting and Underfitting by yourself

“If you are just got started in Machine Learning then you may have heard of these two terms often. And if not then you must.

Both the terms have the suffix ‘fitting’ and the interpretation of this word is same as in real life. Like suppose the dress which is not of fitting size can be expressed in two ways i.e. tight or loose.

In Maths we solve problems by implementing formulas/Algorithms and measures how good it is by accuracy, no. of steps,etc. the same way in Machine Learning we implement models(in fact you will find out later that they are also formulas) and we measures how good it is by accuracy, training time and many other things. And if our model is not doing good then we say it is either Underfitting or Overfitting.”

Moreover: https://medium.com/@gshashank84/overfitting-vs-underfitting-962aa07f5e12