5 Exemplos de aprendizagem de máquinas que você deve saber sobre

Paul Matthews, freelance tech writer, writes about examples of aprendizagem de máquinas across the the saúde, entertainment, marketing and education industries. 

Desde o desenvolvimento frontal até o setor automotivo, as aplicações de aprendizagem da máquinag for business purposes is bigger than ever. Examples of machine learning in the real world include recommendation engines, object detection, natural language processing, and more. Let’s analyse five interesting examples of how ML is being used to deliver better online experiences and advance healthcare and education.

1. Música: Spotify e Soundcloud 

 Empresas como Universal, Sony e EMI passaram por uma digitalização massiva nos últimos 10 anos, evoluindo da "venda de um certo número de registros" para a "transmissão desse registro por 'n' número de vezes". A monetização via anúncios através de peças em portais como Youtube, Spotify e Soundcloud é algo procurado. Como estas plataformas podem direcionar constantemente o tráfego e os ouvidos para seus lançamentos em um mercado musical tão barulhento? Atraindo automaticamente mais e mais usuários, com ferramentas de Machine Learning. Quantas vezes você já viu (ou melhor, ouviu) uma faixa aleatória em sua mistura diária aconselhada como "algo baseado em seus gostos"? A resposta a este mesmo assunto é uma aplicação relativamente simples que combina

1. a estrutura real da canção, e
2. O fato de os usuários terem tocado sua música de sua escolha antes ou depois da recomendada.

Tanto Spotify quanto Soundcloud usam o algoritmo ML para entender e analisar as escolhas do usuário e tomar uma decisão com base nas informações coletadas.

2. PathAi: Diagnóstico rápido com Tensorflow 

O PathAi é principalmente uma aplicação baseada no fluxo de sensores que ajuda a acelerar o diagnóstico, associando sintomas e outras variáveis ambientais (demográficas, de localização e outras). O maior ponto de venda do PathAI é o fato de que não só poderia ser lançado em uma arquitetura completamente baseada em nuvens, mas também é extremamente fino, comparado a outros softwares volumosos no setor de saúde, que às vezes exigem hardware ad-hoc. O PathAi está definitivamente pronto para se tornar extremamente grande no futuro próximo, dada sua recente onda de investimentos, que totalizou mais de $11 milhões. 

É bastante difícil listar qualquer inicialização médica ML ou relacionada à tecnologia como um futuro "padrão industrial", mas, por enquanto, podemos dizer com segurança que o PathAi está estabelecendo a base no que diz respeito ao futuro da saúde e da tecnologia. 

3. Concerto: Ciência de Dados Médicos Via ML 

Com a Concerto, ainda estamos analisando o setor de saúde e suas aplicações baseadas no aprendizado de máquinas. Quando a Concerto foi desenvolvida, seus criadores tinham uma idéia clara: construir algo que poderia ter ajudado oncologistas, cirurgiões e médicos em geral a entender os sintomas, processando automaticamente bases de dados volumosas, às vezes confusas dentro de uma fração de segundo. Concerto é, de fato, a primeira ferramenta relacionada à ciência dos dados para fins médicos. Construído em Nova York por uma equipe de ex-cientistas de dados, Concerto tem sido um aroma refrescante da tecnologia em um mundo médico que, em termos de processamento de dados, ainda depende do papel e da comunicação lenta entre profissionais, tornando, às vezes, o desenvolvimento de qualquer forma de procedimento lento e estressante. Concerto é um exemplo forte e tangível de como a ciência de dados se aplica a infra-estruturas e arquiteturas para processos de construção e não para meros objetivos de marketing e redirecionamento de anúncios. O Concerto está previsto para se tornar o banco de dados mais utilizado em 2025, pelo menos nos estados. 

4. Personalização da Web: O que você gosta, quando você quer 

Ah, machine learning and marketing. If this isn’t the biggest combination of the decade, then there isn’t another one. With web personalization, we refer to the usage of a number of programming languages (mainly Python and Javascript) to optimise a catalogue, a product listing, or a piece of content on a web page/application. The personalization process is divided into 3 main sections, acquisition, processing and build. 

-O aquisição parte refere-se à coleta de dados que é feita quando um usuário aterrissa em uma página (principalmente via cookies, portanto), responde a uma pesquisa via e-mail, ou digita qualquer coisa na caixa de pesquisa da página. Esta parte deve ser esclarecida ao usuário, seguindo a última decisão da GDPR. 

-O processamento parte está relacionada ao uso de bibliotecas Python que estão, de fato, processando o comportamento dos usuários, criando pontos de dados em um ambiente de lago de dados interno, que efetivamente se tornam diretrizes para ferramentas Javascript que estão tornando esses dados em conteúdo personalizado. 

-O construir é o processo que acontece quando a ferramenta Javascript acima mencionada otimiza a página. Se, por exemplo, as diretrizes dentro desses pontos de dados estão dizendo que o usuário x, que gosta de sapatos vermelhos, está atualmente navegando na seção de calçados, a aplicação baseada em JS moverá tais resultados para cima, aumentando, portanto, a taxa de conversão do site. Muito simples, mas muito eficaz. 

A personalização está sendo utilizada por várias marcas, incluindo Zara, Primark, Boohoo e ASOS. 

5. A educação como um todo 

Há dezenas de empresas iniciantes relacionadas à educação que estão construindo ferramentas baseadas na aprendizagem de máquinas para melhorar este setor educacional. Qual é o objetivo deles? Aqui estão alguns exemplos de usos da aprendizagem de máquinas na educação: 

- Solução de problemas e obtenção de dados precisos facilmente. Imagine ter um professor que possa acessar problemas complicados em questão de segundos, para então explicá-los da forma mais simples depois que o software os tiver encolhido, dependendo do nível do público. 

- Criação automática de tarefas e exames baseados no tema, seu nível de dificuldade e muito mais. Bastante salva-vidas para um professor, certo? Um algoritmo ML para isso poderia ser treinado para colocar um exame com o nível de dificuldade necessário e também poderia ter as soluções calculadas automaticamente. 

- Analisar e prever o progresso da classe, analisando a taxa de sucesso dos exames e ensaios, ajudará os professores a se avaliarem também

Conclusão

Os exemplos de aprendizagem de máquinas no mundo de hoje são infinitos. É fácil entender porque o futuro da ML é tão brilhante, tanto do ponto de vista comercial quanto do usuário. O futuro é, de fato, automatizado.

Necessidade de consultar um experiência em aprendizagem de máquinast? Contratar cientistas freelance em Kolabtree. É grátis para postar seu projeto e começar a trabalhar. 

Paul Matthews é um escritor de negócios e tecnologia baseado em Manchester que escreve a fim de
informar melhor os empresários sobre como administrar um negócio de sucesso. Ele está atualmente
consultando a maior equipe de desenvolvedores de aplicativos em Manchester.