Acompanhando o crescimento do uso de inteligência artificial nos negócios, a aplicação do Machine Learning nos processos decisórios das empresas está cada vez mais em destaque no universo corporativo. Você está preparado para participar desse movimento?
Conhecer processos, entender os impactos do Machine Learning nos resultados e relacionar a ferramenta com a análise de dados são alguns pontos importantes para quem quer aprender mais sobre esse recurso tão atual e sua utilização no ramo empresarial.
O Blog MBA USP/Esalq entrevistou Luiz Paulo Fávero, professor do MBA em Digital Business USP/Esalq, que respondeu algumas perguntas sobre Machine Learning nos processos decisórios e muito mais. Confira!
Leia mais: Conheça o MBA em Digital Business USP/Esalq
A relação entre análise de dados e Machine Learning
Machine Learning, ou aprendizagem de máquina, está muito relacionado a algoritmos. Fávero conceitua a ferramenta como processos em que se fala com a máquina, na linguagem apropriada (R, Python ou qualquer outra linguagem de programação), e ela estima um modelo e faz algum procedimento interno a partir da linguagem que ela sabe ler.
“Basicamente, é falar a linguagem da máquina, que vai entender aquilo que está sendo transmitido e executar uma ação. Dessa forma, essa máquina aprende um determinado procedimento para gerar outputs que são propícios para extração de tabelas, tabelas de frequência, gráficos, somas, modelos preditivos, diagnósticos etc.”, comenta.
Se, dentro desse procedimento, existir uma base de dados ou algum tipo de planilha, explica o professor, é possível relacionar a linguagem da máquina para que ela aprenda a partir daqueles comandos. “Tudo isso baseado em um data set que está sendo colocado. Assim, você faz uma análise de dados por meio de Machine Learning, ou seja, por meio de algoritmos.”
Assim, combinar a análise de dados e o Machine Learning nos processos decisórios é fundamental para extrair informações propícias à tomada de decisões, alocação de recursos entre outras possibilidades. “É preciso informar para a máquina o procedimento desejado, que precisa ser corretamente informado para a devida extração de informações em bancos de dados que, hoje, estão cada vez mais volumosos”, completa.
Técnicas de Machine Learning utilizadas na tomada de decisão
Para aplicar o Machine Learning nos processos decisórios, Fávero indica algumas técnicas, divididas em três grupos. “Só é preciso ter em mente que essas subdivisões variam muito de pessoa pra pessoa”, destaca.
- Técnicas não-supervisionadas de Machine Learning: técnicas que utilizam um banco de dados em que é feito um diagnóstico sobre o comportamento da interrelação entre as variáveis, mas sem que tenha uma caracterização preditiva.
“São técnicas ‘não-supervisionadas’ porque, para inserir uma nova observação no banco de dados, você precisa rodar aquele modelo novamente. É impossível fazer predições sobre o comportamento da observação adicional utilizando o comportamento das observações inicialmente existentes. Da mesma forma, não há como fazer a supervisão das observações existentes inicialmente no banco de dados para fazer predições ou previsões sobre o comportamento de uma observação adicional”, enfatiza o professor. Ex.: análises de clustering, análise de conglomerados, de correspondência simples etc.
- Técnicas supervisionadas: usa modelos preditivos, inferenciais, com equações de previsão em que é possível configurar novas observações. Ex.: modelos de regressão, modelos logísticos etc.
- Outros modelos de Machine Learning: são modelos mais provenientes da ciência da computação e que tem capacidade primitiva, mas sem uma equação claramente definida. Ex.: árvores de decisão, redes neurais, modelos combinados etc.
Que tipos de decisão o Machine Learning pode auxiliar em uma empresa?
Segundo Fávero, é difícil enxergar algum procedimento dentro das empresas que não possa ser embasado por Machine Learning. “Hoje, as áreas estão estruturadas com embasamento técnico-científico e com profissionais como engenheiro de dados, arquitetos de dados e engenheiros de Machine Learning, tudo para facilitar a alocação de recursos como roteirização de veículos, orçamento de capital, avaliação de performance entre outros.”
Sobre o Machine Learning nos processos decisórios corporativos, Fávero continua: “Podemos dizer que o céu é o limite. Hoje não dá mais para tomar decisões sem antes embasá-las em dados tratados para, assim, extrair modelos primitivos ou diagnósticos para fins de alocação de recursos e tomadas de decisões em qualquer esfera”, pontua.
Leia mais: Como o MBA em Digital Business pode transformar os negócios
Resultados do uso do Machine Learning nos processos decisórios
O professor explica que as métricas para mensurar a prática do Machine Learning nos processos decisórios são diversas, mas destaca o payback.
“Esse retorno pode ser breve se houverem os dados, mas o grande problema é que, muitas vezes, esses dados não estão bem estruturados e as empresas os colocam em grandes volumes na nuvem e depois sofrem com dificuldades para acessá-los e assim criar um modelo, rodá-lo e colocá-lo para produção e automatização”, explica.
Outra questão levantada por Fávero é que o payback de fato existe, mas há uma angústia entre sua tangibilidade no futuro e aquilo que pode ser feito com os dados. “É uma mudança de mindset que deve ser feita no âmbito técnico, tecnológico e cultural, para que efetivamente se atinja esse retorno. O que vemos é que muitas vezes a empresa precisa investir na manutenção de um servidor em nuvem, mas não possui uma cultura que priorize esses passos”, conclui.
Gostou da entrevista? O uso do Machine Learning nos processos decisórios é só um dos temas que você aprende nas aulas do MBA em Digital Business USP/Esalq. Clique aqui para saber mais!
Você também pode gostar desses conteúdos:
- Como a digitalização pode impactar a empresa em que você trabalha
- Inteligência Artificial e seus cuidados: você está preparado?
- O que a inteligência artificial ensina sobre o futuro
- Organizações líquidas: a hora de desenvolver uma cultura de mudanças é agora
- Como usar SEO local para o crescimento dos negócios
