Machine Learning

No início dos anos 40 a Cibernética (e as suas diferentes áreas tais como: Ciências Computacionais, Neurofisiologia, Teoria de Sistemas, Teoria dos Jogos, Teoria do Controlo e Biomatemática) convergiram para o estudo do controlo e comunicação tanto em seres vivos como em máquinas.

Foi no final dos anos 80, que a área que denominamos por Inteligência Artificial¹ se segmentou em quatro grandes subáreas:

1. Processamento Simbólico;
2. Conexionismo;
3. Vida Artificial;
4. Robótica reativa.

Análise = Representação + Processamento

“Aprendizagem revela alterações adaptativas no sentido em que permitem que um sistema execute a mesma tarefa, ou conjunto de tarefas, de forma mais eficiente que na primeira tentativa”

(Herbert Simon, 1983)

Os sistemas da Quidgest sempre foram sinónimo de flexibilidade e agilidade para as organizações e são o resultado da utilização maciça de máquinas na produção de software. Para garantir a produtividade e o desenvolvimento das Pessoas, temos a obrigação de deixar as Máquinas fazer tudo aquilo que elas consigam fazer. Neste processo de automação, o Genio tira partido de padrões implementados ao longo de trinta anos de existência da Quidgest. Este processo requer uma aposta na normalização tendo sempre na linha de visão o desenvolvimento de sistemas de gestão eficientes, ou seja, o conceito conhecido como Lean. É nesta linha que a Quidgest olha para o Machine Learning como o presente e o futuro. Depois do foco na angariação de dados do Big Data agora o foco é aprender com eles. Este é um conceito que está longe de ser novo… O que mudou nestes anos? Passámos a ter mais dados, e mais poder de computação e é esta evolução que nos permite, nos dias de hoje, falar da Inteligência Artificial no presente e não no futuro.

Por exemplo, antes de se optar pela implementação de uma rede neuronal devemos considerar como vão escalar os dados, qual o objetivo da rede e qual a sua estrutura ideal².

Minsky, um dos grandes pensadores do Machine Learning, disse: “Aprender é fazer mudanças úteis na forma como a nossa mente funciona” e Michalsky complementou esta ideia: “Aprender consiste em construir e modificar as representações do que experimentámos”.

O conceito de Machine Learning pode ser definido como uma técnica de análise de dados que ensina aos computadores algo que é inato aos seres humanos e animais: aprender através da sua experiência. Da mesma forma que aprendemos a falar uma língua também é possível “ensinar” um computador a ser um perito em linguagem. Tipicamente, temos duas grandes áreas no Machine Learning:

• aprendizagem supervisionada
• aprendizagem não supervisionada.

No primeiro conjunto enquadram-se conceitos para os quais conhecemos as entradas e saídas esperadas (por exemplo uma palavra em português e a sua tradução em inglês). No segundo conjunto só conhecemos as entradas e, como tal, queremos saber como se relacionam.

É na aprendizagem supervisionada que se obtêm os melhores resultados, em termos de previsão, já que é possível estabelecer-se uma base de resultados esperados e avaliar o desempenho do algoritmo perante evidências dos conjuntos de validação. A curto prazo poderemos ver sistemas e projetos nas áreas da saúde, banca e recursos humanos, para citar algumas das áreas, a aplicarem o conhecimento dos seus consultores para desenvolverem mecanismos que permitam, não só armazenar dados e efetuar processos, mas também criar valor acrescentado e otimizando operações.

Redes semânticas, por exemplo, permitem agrupar e classificar conceitos que ajudam a criar uma Base de Conhecimento^3,4,5

Tomemos por exemplo as soluções de balcão único ou de gestão de processos de negócio desenvolvidas pela Quidgest. Ou, ainda, os padrões de interação com o utilizador existentes em qualquer outra aplicação desenvolvida pela empresa. Correspondem a tarefas e fluxos bem definidos e que surgem de uma definição empírica dos mesmos. Resultarão estes fluxos em caminhos ótimos? O Machine Learning pode ajudar a redesenhar estes processos baseados em evidências. Uma área em que a I&D em Machine Learning da Quidgest está muito focada é a RPA (Robotic Process Automation).

Outro aspeto que pode ser auxiliado pelo Machine Learning é o combate à fraude com o cruzamento de serviços ou transações, evidenciando incompatibilidades lógicas, que apoiam na tomada de decisão. Para os recursos humanos também poderemos vir a ter sistemas de avaliação mais inteligentes, onde se consiga medir o impacto direto de um colaborador nos resultados financeiros de uma entidade, e na saúde poderemos, a breve trecho, determinar fatores de risco e simular como determinados comportamentos podem influenciar a saúde da população a curto, médio e longo prazo.

______________

^{1 – Coelho, H. (1995). Inteligência Artificial em 25 Lições. Lisboa, Fundação Calouste Gulbenkian.
2 – Karim, M. N., T. Yoshida, et al. (1997). “Global and local neural network models in biotechnology: Application to different cultivation processes.” Journal of Fermentation and Bioengineering 83(1): 1-11.
3- Alonso-Calvo, R., V. Maojo, et al. (2007). “An agent- and ontology-based system for integrating public gene, protein, and disease databases.” J Biomed Inform 40(1): 17-29.
4- Deus, H. F., R. Stanislaus, et al. (2008). “A Semantic Web management model for integrative biomedical informatics.” PLoS One 3(8): e2946.
5- Pesquita, C., D. Faria, et al. (2009). “Semantic similarity in biomedical ontologies.” PLoS Comput Biol 5(7): e1000443.}