Automação e inteligência para projetos de energia mais eficientes, seguros e sustentáveis

Tag: Machine Learning

  • Machine Learning para evitar cyberbullying, cyber-attacks e informações falsas nas redes sociais

    Machine Learning para evitar cyberbullying, cyber-attacks e informações falsas nas redes sociais

    As redes sociais mantem, literalmente, o mundo conectado, facilitando a comunicação entre as pessoas de forma rápida e abrangente. Infelizmente, também pode ser utilizado para ferir a reputação de pessoas (cyberbullying), disseminar rapidamente informações falsas e são portas de entrada para ataques cibernéticos (cyber-attacks). Uma pesquisa publicada na Nature Human Behaviour, “Limited individual attention and online virality of low-quality information”, mostra que as pessoas ficam vulneráveis com o excesso de informação que recebem nas redes sociais e acabam não conseguindo distinguir entre informações verdadeiras e falsas. Por esta razão, as informações falsas são viralizadas nas redes sociais.

    Para resolver este problema, a Google e uma de suas startups, a Jigsaw, apresentaram uma solução, baseada em Machine Learning, para identificar e bloquear a proliferação de notícias falsas, cyberbullying e ataques cibernéticos nas redes sociais. Isto também atende as fortes penalidades que os governos, principalmente europeus, impõem as empresas de mídias sociais que permitem a circulem informações falsas em suas redes sociais.

    Machine Learning é um dos temas mais comentados na atualidade. Apesar de não ser um assunto novo, ele ganhou visibilidade agora devido ao aumento dramático do poder de processamento e a grande capacidade de armazenamento de dados dos computadores atuais. Ou fator importante é que a infraestrutura de processamento e serviços específicos para Machine Learning estão disponíveis na nuvem (Cloud Computing) e com preços acessíveis para empresas de todos os portes.

    O mercado financeiro já utiliza soluções de Machine Learning para detecção de fraudes, permitindo identifica-las através da mudança de comportamento de gastos dos clientes. Literalmente, as aplicações de Machine Learning podem atender a qualquer setor de mercado, aplicações cientificas e análises sociais.

    A Google analisando as mensagens tóxicas nas redes sociais poderá tomar ações para bloqueá-las. Uma pesquisa revelou que 72% das pessoas já presenciaram um abuso na Internet e 47% dos usuários já foram de alguma forma vítimas de abuso.

    Este é um exemplo que só podemos tratar grandes volumes de dados com soluções computacionais. Esta é uma ferramenta valiosa para as pessoas melhorarem suas tomadas de decisão e melhorar o desempenho dos processos nas organizações.

  • Machine Learning uma forma tangível de aplicar o conhecimento organizacional

    Machine Learning uma forma tangível de aplicar o conhecimento organizacional

    O conceito de gestão do conhecimento é amplo e envolve várias disciplinas nas organizações. A características mais tangível nas organizações é a gestão das informações nos sistemas informatizados. É possível avaliar de forma indireta através das competências e treinamentos dos funcionários. Os pesquisadores desta área expandem as áreas de avaliação, incluindo a gestão estratégica, a teoria das organizações, a gestão da tecnologia e inovação, o marketing, a economia, a psicologia e a sociologia, por exemplo. As principais vantagens são o aumento da competitividade, melhoria da produtividade e redução de custos. Entretanto, a melhor métrica para avaliar o nível de maturidade da gestão de conhecimento é a qualidade das tomadas de decisão em todos os níveis organização, desde o funcionário operacional até a alta direção. Isto envolve decisões do dia-a-dia até decisões estratégicas. É neste contexto que as máquinas de aprendizagem – Machine Learning – tem sua aplicação mais relevante, na melhoria da qualidade das tomadas de decisão.

    A princípio a solução parece simples. Contrate uma solução de Machine Learning, existem várias disponíveis no mercado, através de grandes provedores de serviços como Google, AWS, Azure, IBM entre outras.

    Entretanto, os primeiros desafios são como e quem irá ensinar a máquina?

    Como a máquina deve aprender, é suposto que exista um processo estruturado de conhecimento que possa ser traduzido em regras e modelos matemáticos para “ensinar” a máquina a tomar decisões corretas. É neste ponto que está a primeira grande oportunidade para as organizações, usar projetos de Machine Learning para estruturar o conhecimento interno, agregando conhecimentos de boas práticas externas, para ter ganhos de produtividade, competitividade e redução de custos.

    Os projetos de Machine Learning abrem a oportunidade de rever todos os processos, colher feedbacks de todos os funcionários envolvidos, buscar novas informações para agregar as tomadas de decisões e avaliar os gaps de competências internas.

    Devemos tomar como lições aprendidas alguns fracassos de projetos dos últimos movimentos tecnológicos, como a implantação de ERPs, Internet e Comércio Eletrônico. A tecnologia é apenas uma ferramenta para ajudar no aperfeiçoamento dos processos e tomadas de decisão. Ela em si não resolve nada.

    Vamos tomar como exemplo as novas aplicações de Chatbot, chats de empresas que utilizam robôs para interagir com as pessoas. Se a empresa não tem processos estruturados de relacionamento com os clientes, torna-se um desafio ensinar uma máquina.

    Por outro lado, a própria Machine Learning pode ajudar a resolver o problema. Se ensinarmos todas as experiências de relacionamento entre os consultores da empresa e os clientes e o resultado final, tanto de retenção ou de satisfação, a máquina pode encontrar o melhor processo de atendimento, considerando o perfil do cliente. Este perfil pode ser construído, instantaneamente, consultado nas redes sociais e outras interações com a empresa.

    O fato é que as tecnologias atuais de Machine Learning e outras de Inteligência Artificial abrem enormes oportunidades para melhorar a produtividade, competitividade e redução de custos das empresas.