Machine learning
Aprendizado de máquina - programas que aprendem com dados, em vez de serem programados manualmente.
Aprendizado de máquina, ou machine learning, é uma área da IA em que o modelo identifica relações com base em dados, em vez de depender exclusivamente de regras escritas manualmente por um programador.
Exemplo: uma padaria em São Paulo quer prever quantos pãezinhos venderá no dia seguinte. Ela tem o histórico de vendas, informações sobre os dias da semana, o horário de funcionamento e eventos locais. O modelo pode buscar padrões nesses dados. No entanto, ele não sabe automaticamente que amanhã uma rua será fechada para obras, a menos que essa informação seja inserida no sistema.
Qual é a diferença em relação a uma regra comum
A regra “prepare 20% a mais no sábado” foi definida por uma pessoa. Um modelo treinado com dados ajusta relações usando muitas observações. As duas abordagens podem ser úteis. Se uma regra simples funciona bem e é fácil de controlar, não é preciso substituí-la por um modelo complexo só porque isso é possível.
IA é um conceito mais amplo que aprendizado de máquina. Já as redes neurais são uma das famílias de modelos usadas em ML. Para uma pequena tabela de vendas, também é possível considerar regressão ou árvores de decisão. Nem toda tarefa exige um grande modelo de linguagem, GPU e milhões de imagens.
Três formas de aprendizado com exemplos simples
No aprendizado supervisionado, você apresenta os dados de entrada e o resultado correto: as características do dia e as vendas reais de pãezinhos. O modelo aprende a prever a quantidade. Se o resultado for uma categoria, como “devolução” ou “pergunta sobre entrega”, isso é chamado de classificação; prever uma quantidade é uma regressão.
No aprendizado não supervisionado, você não fornece um rótulo pronto para cada exemplo. É possível buscar grupos de dias com padrões de vendas semelhantes. Encontrar os grupos, por si só, não diz como eles devem ser chamados nem que decisão tomar. É preciso verificar o que o modelo realmente agrupou para interpretar o resultado.
O aprendizado por reforço consiste em ensinar uma estratégia de ação com base nas recompensas recebidas em um ambiente. Uma recompensa mal definida pode levar a comportamentos indesejados. Essas categorias básicas são apresentadas na introdução do Google ao aprendizado de máquina. Na prática, também existem métodos que combinam diferentes formas de aprendizado.
Como fazer um pequeno teste confiável
Defina o objetivo e o momento da previsão. A padaria planeja a produção na noite anterior, então o modelo só pode usar informações conhecidas até esse momento. O clima real do dia seguinte não é o mesmo que a previsão disponível na noite anterior.
Verifique o significado dos dados. Vender 300 pãezinhos pode significar que a demanda foi de 300 unidades ou que todo o estoque acabou antes do meio-dia. Sem informações adicionais, um modelo treinado apenas com as vendas não consegue distinguir essas situações. Interpretar uma coluna de forma incorreta pode prejudicar mais o resultado do que escolher o algoritmo errado.
Separe um período mais antigo para o treinamento e um período posterior para a avaliação. Em uma série temporal, misturar os dias aleatoriamente pode mostrar um resultado diferente do que seria prever o futuro de verdade. Não deixe também que dados posteriores influenciem a preparação dos exemplos anteriores.
Crie uma referência, como a média de alguns sábados anteriores. Em seguida, compare o modelo com essa referência nos mesmos dias. Se o novo método não ajudar, não o implemente só por usar IA.
Calcule os erros em unidades que façam sentido para a empresa. Quantas unidades faltaram, quantas sobraram e qual foi o custo? Uma média pode esconder um resultado muito ruim no dia de maior movimento. Analise à parte feriados, promoções e dias com horário de funcionamento reduzido.
Teste as sugestões sem alterar a produção automaticamente. Registre a previsão, a decisão do funcionário e o resultado posterior. Esse processo mostrará quando o sistema ajuda e quando precisa de informações que não estão na tabela.
Por que o resultado piora depois de alguns meses
Uma mudança de preços, um novo concorrente ou uma alteração nos horários das aulas em uma escola próxima podem mudar as vendas. Não há garantia de que as relações antigas continuarão valendo para sempre. Acompanhe a qualidade com dados novos, investigue a causa da piora e só então decida se deve atualizar o modelo. Apenas acrescentar novas linhas ao arquivo não significa que o programa aprenderá automaticamente com elas.
O erro mais comum: avaliar com os mesmos dados usados no treinamento
Um resultado alto nos dados de treinamento pode indicar que o modelo memorizou os exemplos, não que sabe fazer previsões. Mantenha dados separados para a avaliação final e não ajuste a solução com base neles a cada tentativa. As orientações do Google para dividir os dados ajudam a diferenciar o desenvolvimento do modelo de uma avaliação confiável. O resultado mais importante é o obtido nas condições em que o sistema realmente será usado.