You've successfully subscribed to Polinize
Great! Next, complete checkout for full access to Polinize
Welcome back! You've successfully signed in
Success! Your account is fully activated, you now have access to all content.
Machine learning traz avanços, mas demanda atenção

Machine learning traz avanços, mas demanda atenção

Cientista de dados da Radix comenta as inovações e os riscos da utilização da tecnologia

Todo mundo já parou para se perguntar como, minutos após realizar uma busca qualquer na Internet, diversos anúncios e propagandas relacionados ao assunto se proliferam nas páginas da rede. Essa "mágica", apesar de curiosa, não tem nada de sobrenatural: ela é possível através da inovadora tecnologia machine learning, um conceito que, entre outras coisas, diz respeito à capacidade que os computadores têm de aprender a reconhecer e desenvolver padrões baseados em dados.

Basicamente, o aprendizado de máquina, em português, é um dos ramos da inteligência artificial que torna automática a construção de modelos analíticos, identifica padrões e permite que máquinas tomem decisões com o mínimo de intervenção humana possível. No caso da publicidade virtual, o machine learning é usado para analisar o histórico das pessoas, reconhecer suas preferências e mostrar anúncios com grandes chances de impactar o usuário.

As possibilidades do machine learning são tão extensas que não é só o segmento de publicidade que se aproveita dos recursos. De acordo com o cientista de dados Raul Sena, da Radix, a análise de dados passou a ser uma tendência global nos negócios e pode ser aplicada tanto em pequenas como em grandes empresas.

“Com o machine learning é possível analisar, de forma rápida e automática, um volume maior de dados complexos e, assim, focar em resultados mais precisos. O sistema consegue, por exemplo, tomar a decisão mais apropriada para um contexto e processo específico”, explica. “A tecnologia pode ser usada para resolver problemas com muitos dados em que existe a necessidade de previsões, recomendações, agrupamentos ou classificações”, conclui.

Na Radix, o conceito é utilizado atualmente em quatro projetos: analisando e classificando imagens em postos de gasolinas; dando suporte à decisão de envio de equipes de manutenção para uma multinacional do setor de energia; prevendo índice de fluidez em processos químicos para uma empresa multinacional do setor de química; e fazendo a manutenção preditiva em plantas químicas.

Leitura de dados é fria e pode reproduzir preconceitos

Como o machine learning trabalha com números frios, sua aplicação pode levar a interpretações equivocadas e até preconceituosas. Segundo Sena, esta tecnologia pode ser bem tendenciosa com minorias quando são feitas correlações erradas. Isso se torna ainda mais grave quando o sistema atua em áreas sensíveis, como na liberação de crédito em bancos ou lojas.

“Se uma região menos favorecida economicamente tiver um número significativo de pessoas do gênero feminino, inadimplentes e negras, por exemplo, a máquina pode chegar à conclusão que todas as mulheres negras daquela região serão inadimplentes e, assim, negar automaticamente crédito a pessoas com este perfil. É preciso ter muito cuidado e nunca usar cor da pele ou gênero como parâmetro, porque o machine learning fará uma correlação descontextualizada de todos os dados”, explica.

Nesses casos, de acordo com o cientista, cabe ao profissional detectar possíveis falhas e excluir certos parâmetros, distinguindo se eles fazem sentido dentro de um contexto cultural ou social específico.

Sobre a Radix

Empresa global com sede no Rio de Janeiro e em Houston, nos Estados Unidos, a Radix atua nas áreas de tecnologia e engenharia, com o objetivo de transformar seu conhecimento técnico-científico em soluções qualificadas e com independência tecnológica para seus clientes. Com mais de 500 funcionários nas sedes e nos escritórios de São Paulo e Belo Horizonte, a empresa é eleita desde a sua fundação, em 2010, uma das Melhores Empresas para se Trabalhar no Brasil e na América Latina.

Top stories in your inbox!