.jpg "Quero me preparar")
.jpg "Quero me preparar")
Essa tendência nos permite ser mais estratégicos e capacitados à medida que tomamos decisões muito humanas sobre produtos, mídia, posicionamento e experiência do cliente.
O Machine Learning (ou Aprendizado de Máquina) é o uso de algoritmos computadorizados que analisam grandes quantidades de dados, aprendem com eles e, assim, conseguem fazer previsões e aplicar continuamente seu aprendizado com mais rapidez e eficiência do que o humanamente possível.
Essa tendência costumava acontecer nos bastidores: a Amazon explorava seus cliques e compras para obter recomendações, o Google explorava suas pesquisas de posicionamento de anúncios e o Facebook explorava sua rede social para escolher quais postagens mostrar..
Agora o Machine Learning está nas primeiras páginas dos jornais e costuma ser o assunto de um debate acalorado. Os algoritmos de aprendizado dirigem carros, traduzem o discurso e vencem nos jogos digitais! Mas, o que se pode e não pode fazer com eles? Eles são o começo do fim da privacidade, do trabalho e até mesmo da raça humana?
Essa consciência crescente é bem-vinda, porque o Machine Learning é uma grande força que molda nosso futuro, e precisamos enfrentá-lo. Infelizmente, vários equívocos surgiram em torno dele, e eliminá-los é o primeiro passo. Vamos fazer um tour rápido pelos principais mitos sobre o assunto, confira:
1.Você não precisa de um objetivo claro
O mais básico: comece com um objetivo de negócios, uma razão para alavancar o Machine Learning. O que você quer alcançar ou resolver? O objetivo é o modo de dizer à máquina o que ela precisa aprender.
2.Algoritmos de aprendizado descobrem correlações entre pares de eventos
Essa é a impressão que você recebe da maioria das menções de aprendizado de máquina na mídia. Em um exemplo famoso, um aumento nas pesquisas do Google por "gripe" é um sinal antecipado de que está se espalhando. Tudo isso é bom, mas a maioria dos algoritmos de aprendizado descobre formas muito mais ricas de conhecimento.
3. O Machine Learning não pode prever eventos nunca vistos
Se algo nunca aconteceu antes, sua probabilidade prevista deve ser zero - o que mais poderia ser? Pelo contrário, o Machine Learning é a arte de prever eventos raros com alta precisão. Se A é uma das causas de B e B é uma das causas de C, A pode levar a C, mesmo que nunca tenhamos visto isso antes.
Todos os dias, os filtros de spam sinalizam corretamente os e-mails maliciosos recém-criados.
4. Você não precisa formar uma hipótese
O carregamento de pacotes de dados em sua plataforma de marketing não é uma estratégia eficaz. Um ponto de partida mais lógico é formar uma hipótese. A hipótese é uma suposição de que você deseja testar alternativas. Naturalmente, uma das belezas do Machine Learning é a capacidade de testar várias suposições e alternativas simultaneamente.
5. Machine Learning só pode descobrir correlações, não relações causais
Um dos tipos mais populares de Machine Learning consiste em experimentar diferentes ações e observar suas consequências. Por exemplo, um site de comércio eletrônico pode tentar várias formas diferentes de apresentar um produto e escolher aquele que leva a mais compras. Você provavelmente participou de milhares desses experimentos sem saber. E as relações causais podem ser descobertas mesmo em algumas situações em que os experimentos estão fora de questão, e tudo que o computador pode fazer é examinar os dados passados.
6. As máquinas podem aprender a mirar imediatamente
Construindo a partir de sua hipótese, pense na primeira fase do Machine Learning semelhante a um teste aleatório. Ao atender a diferentes experiências, a máquina aprende quais atributos e fatores do consumidor se correlacionam - e o que efetivamente envolve os clientes. Essa experimentação leva tempo, enquanto a máquina aprende e os recursos de segmentação melhoram.
7. O Machine Learning sempre pode se superar
O Machine Learning geralmente oferece percepções e resultados surpreendentes, mas nem sempre consegue mais. A qualidade dos insumos é fundamental para alcançar resultados de desempenho. Quatro áreas onde o desempenho da máquina pode não funcionar: os atributos de entrada não são relevantes; muitos atributos impedem a significância estatística; o público-alvo é muito homogêneo; e a execução criativa não é relevante para os alvos.
Escreva seu comentário