Se você usou o Google, Spotify ou Uber na semana passada, você interagiu com produtos que utilizam aprendizado de máquina.

Aprendizado de máquina, um subconjunto da inteligência artificial, usa algoritmos e modelos estatísticos para treinar máquinas a realizar tarefas e encontrar padrões sem orientação. Em relação aos nossos exemplos acima, essas tarefas são coisas como recomendações de busca, sugestões de músicas e tempos estimados de viagem.

Mas há mais maneiras de o aprendizado de máquina ser aplicado hoje, algumas das quais talvez nem estejamos cientes.

Neste guia, vamos esclarecer alguns exemplos inteligentes do mundo real de aprendizado de máquina. Para obter nossos exemplos, contatamos cinco líderes empresariais para explicar as maneiras como eles usam o aprendizado de máquina hoje.

5 exemplos de aprendizado de máquina

Viu um exemplo que te interessa? Sinta-se à vontade para pular para ele:

1. Análise de texto para criação de conteúdo
2. Análise para investimento imobiliário
3. Verificação de chamadas para recuperação de fraudes
4. Rastreamento de preços para viagens aéreas
5. Aprendizado profundo para escrever Shakespeare

1. Análise de texto

Stephen Jeske, Estrategista de Conteúdo na MarketMuse

Todo profissional de marketing de conteúdo sabe o quanto o mapeamento de tópicos pode ser difícil. Requer expertise no assunto, pesquisa aprofundada e colaboração com equipes internas para garantir que o conteúdo seja relevante e preciso. Stephen diz que a MarketMuse aplica aprendizado de máquina para facilitar um pouco o trabalho dos profissionais de marketing de conteúdo.

“Uma aplicação do aprendizado de máquina (ML) diz respeito à análise textual; uma parte importante da nossa implementação de ML na MarketMuse. A capacidade de analisar texto nos permite criar um modelo de tópico de qualquer assunto dado e pontuar o conteúdo para ajudar os profissionais de marketing de conteúdo a criar uma melhor experiência. O aprendizado de máquina para análise textual nos permite estabelecer relevância semântica entre páginas de um site. Isso é usado para oferecer sugestões de links com texto âncora apropriado para criar clusters de conteúdo.

Levando isso um passo adiante, o aprendizado de máquina é um bloco de construção que nos permite descobrir clusters tópicos que existem em um site, que podem não ser prontamente aparentes.”

O aprendizado de máquina ajuda a validar as suposições do profissional de marketing de conteúdo sobre o que os usuários estão buscando na web em relação a um tópico. Também os expõe a novas ideias de conteúdo.

2. Imobiliário

Daniela Andreevska, Diretora de Marketing na Mashvisor

Investir em imóveis pode ser lucrativo se feito corretamente. No entanto, o processo pode ser demorado e a maioria não tem os recursos ou expertise para considerar o investimento. Daniela diz que a Mashvisor utiliza aprendizado de máquina e análise de dados para encurtar o processo e torná-lo mais simples.

“O Property Finder da Mashvisor é uma das nossas ferramentas proeminentes que usa aprendizado de máquina para prever a propriedade mais apropriada para um investidor com base nos critérios que ele insere, bem como em seu histórico. Os usuários podem gostar ou não das propriedades que o Property Finder sugere a eles com base em sua localização de escolha, orçamento, tipo de propriedade preferido e outros critérios. Quanto mais o usuário interage com a ferramenta, mais precisas se tornam suas previsões.”

Ser capaz de fornecer recomendações altamente personalizadas é um exemplo de aprendizado supervisionado, no qual há valores de entrada e saída para o algoritmo de aprendizado de máquina. Quanto mais é usado, mais preciso o modelo se torna.

3. Verificação de chamadas

Tim Prugar, VP de Operações na Next Caller

Cerca de $190 bilhões são perdidos anualmente devido a fraudes – custando aos comerciantes, clientes e bancos sua paz de espírito. Lidar com fraudes é frustrante, e também é ligar para cada comerciante para acompanhar o rastro da fraude. Tim diz que a Next Caller usa aprendizado de máquina para acelerar o processo de recuperação de fraudes.

“Nós utilizamos aprendizado de máquina para combater o problema de fraudes por telefone – especificamente pessoas cometendo tomadas de contas em bancos, companhias de seguros, empresas de cabo, companhias aéreas e hotéis. Nosso produto VeriCall cria uma experiência positiva para o cliente através da verificação de chamadas em tempo real. Usamos ML para garantir que você possa ser autenticado rapidamente, passivamente e sem esforço – permitindo que as empresas ajudem a resolver seu problema sem gastar um tempo excruciante descobrindo quem você é.”

A verificação de identidade usando aprendizado de máquina é apenas mais um exemplo de como a automação está melhorando nossas vidas diárias. Isso é especialmente útil à medida que as fraudes se tornam mais complexas.

4. Rastreamento de preços

Valerie Layman, Diretora de Produtos e Serviços na Yapta

Então, você vai em uma viagem de trabalho e seu chefe te encarregou de encontrar o voo mais econômico. O que vem a seguir? Valerie diz que a Yapta aplica aprendizado de máquina para um rastreamento de preços mais inteligente em viagens aéreas.

“A Yapta ajuda seus clientes corporativos a economizar em passagens aéreas e custos de hotel usando algoritmos de aprendizado de máquina para a otimização de negociações com fornecedores de viagens e conformidade com políticas. Utiliza uma combinação de dados de reservas de passagens aéreas e hotéis, dados de preços em tempo real e aprendizado de máquina para identificar áreas de foco onde as empresas podem criar ou melhorar oportunidades de economia.

À primeira vista, a tecnologia oferece insights acionáveis sobre a utilização e desempenho de fornecedores, desempenho de taxas contratuais e eficácia de políticas de viagem. A tecnologia também agrega dados de preços anônimos entre os bilhões de itinerários de viagem rastreados pela Yapta, criando benchmarks por valor de gasto, geografia, indústria e fornecedor.”

Rastreamento de preços, otimização e previsão são algumas das maneiras mais pragmáticas de o aprendizado de máquina ser aplicado hoje. Na verdade, a Yapta já usou o rastreamento para economizar mais de $250 milhões em passagens aéreas para empresas.

5. Escrevendo Shakespeare

Rosaria Silipo, Ph.D., Cientista de Dados Principal na KNIME

Este exemplo pode ser menos focado em negócios e mais divertido, mas a KNIME conseguiu mostrar o poder do aprendizado profundo com unidades de memória de longo curto prazo (LSTM) para gerar textos originais de Shakespeare. Rosaria diz:

“Você conhece o problema de encontrar o nome mais atraente, não protegido por direitos autorais, para seu novo produto? O problema que requer uma série de reuniões de brainstorming pelas mentes mais criativas da empresa? Bem, uma rede neural de aprendizado profundo com uma camada de unidades LSTM pode ser treinada em uma lista de nomes específicos – digamos nomes com um tema comum, como nomes de montanhas – e produzir uma lista de nomes com som de montanha, não protegidos por direitos autorais, para serem usados como candidatos para o novo nome do produto.

Uma rede semelhante também pode ser usada para gerar textos livres, como textos ao estilo de Shakespeare ou músicas de rap. Esses rascunhos podem ser usados como base para o texto ou música final.”

Vale a pena notar que gerar textos originais com aprendizado profundo é bastante difícil, e é ainda mais difícil quando se trata de estruturas de frases complexas e inglês shakespeariano. Independentemente disso, este ainda é um exemplo divertido da KNIME.

A rede de aprendizado profundo foi treinada com as peças de Shakespeare “Otelo”, “Rei Lear” e “Muito Barulho por Nada”. Clique abaixo para ler o roteiro:

O roteiro parecia começar quente, mas esfriou perto do final.

Vale a pena notar que gerar textos originais com aprendizado profundo é bastante difícil, e é ainda mais difícil quando se trata de estruturas de frases complexas e inglês shakespeariano. Independentemente disso, este ainda é um exemplo divertido da KNIME.

O que vem a seguir para o aprendizado de máquina?

Desde detecções precoces de fraudes até a melhoria de diagnósticos médicos, o aprendizado de máquina está por trás de muitos grandes avanços tecnológicos hoje, mas o que vem a seguir?

Perguntamos a cinco especialistas para nos dar suas opiniões sobre como será o futuro do aprendizado de máquina. Leia como a computação quântica, motores de busca e ambientes sem código influenciarão o futuro.