Você pode não perceber, mas o machine learning (aprendizado de máquina, em português) está presente no seu dia a dia. É o machine learning que permite que anúncios relacionados ao que você pesquisou no Google apareçam na timeline das suas redes sociais, por exemplo. Ou seja, tem a ver com a capacidade dos computadores em aprender a reconhecer e desenvolver padrões baseados em dados.
Basicamente, o aprendizado de máquina faz uso de inteligência artificial para identificar padrões e cria modelos analíticos com o mínimo de interação humana. No caso comentado acima, da publicidade virtual, o machine learning analisa o histórico de navegação as pessoas, reconhece suas preferências e mostra anúncios com grandes chances de impactar o usuário.
No entanto, esse não é o único setor a fazer uso do machine learning. De acordo com Raul Sena, cientista de dados da Radix, a análise de dados passou a ser uma tendência global nos negócios e pode ser aplicada em qualquer empresa.
“Com o machine learning é possível analisar, com velocidade, um volume maior de dados complexos e, assim, obter resultados mais precisos. O sistema consegue tomar a decisão mais apropriada para um contexto e processo específico”, explica. “A tecnologia pode ser usada para resolver problemas com muitos dados em situações nas quais existe a necessidade de previsões, recomendações, agrupamentos ou classificações”, conclui.
Porém, como o machine learning trabalha com números frios, sua aplicação pode levar a interpretações equivocadas e até preconceituosas. Segundo Sena, esta tecnologia pode ser bem tendenciosa com minorias quando são feitas correlações erradas. Isso se torna ainda mais grave quando o sistema atua em áreas sensíveis, como a liberação de crédito em bancos.
“Se uma região menos favorecida economicamente tiver um número significativo de pessoas do gênero feminino, inadimplentes e negras, por exemplo, a máquina pode chegar à conclusão que todas as mulheres negras daquela região serão inadimplentes e, assim, negar crédito a pessoas com este perfil”, diz. Sena afirma que é preciso ter cuidado e nunca usar cor da pele ou gênero como parâmetro, porque o ML fará uma correlação descontextualizada dos dados.
Nesses casos, segundo cientista, cabe ao profissional detectar possíveis falhas e excluir certos parâmetros, distinguindo se eles fazem sentido dentro de um contexto econômico, social ou cultural específico.
Fonte: IP News
Se interessou por este conteúdo? Saiba mais e participe do AI View 2019, o mais relevante evento de Inteligência Artificial. Garanta sua vaga!
