<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=633097343493783&amp;ev=PageView&amp;noscript=1">
canal-comstor-logo
O blog dos negócios de TI.
Comstor Americas
  • Westcon-Comstor lança o BlueSky Solutions Marketplace
  • Partner Portal
  • Baixar agora
  • Serviços Gerenciados Cisco Meraki
  • Baixar agora
  • Acesse agora
  • Partner Portal
  • Baixar agora
  • Serviços Gerenciados Cisco Meraki
  • Baixar agora

É possível resolver problemas de gestão de dados com machine learning?

Publicado em 3/mai/2018 5:00:00

Descubra se o aprendizado de máquina pode facilitar a análise e gestão de dados da sua empresa.

 

É possível resolver problemas de gestão de dados com machine learning?

 

O Aprendizado de Máquina e a Inteligência Artificial, já há algum tempo, deixaram de ser apenas tema de filmes de ficção científica. Essas tecnologias já estão disponíveis e muitas empresas já aproveitam suas vantagens. Segundo projeções do IDC, até 2020, o mercado para essas tecnologias alcançará um valor de US$ 46 bilhões. Mas como é possível resolver problemas de gestão de dados com machine learning?

Já falamos algumas vezes aqui no Canal Comstor sobre como o Big Data está crescendo a cada dia que passa e já passamos o nível do zettabyte - 1 bilhão de terabytes - em 2016. Segundo estatísticas da Cisco o tráfego global da Internet vai atingir 3.3 zettabytes em 2021. Ao mesmo tempo que isso revela uma oportunidade gigantesca de negócios para empresas que trabalham com análises de dados, também representa uma série de desafios para as organizações no que se refere à gestão desses dados.

Alguns dos principais desafios do gerenciamento de dados são:


  • - Entendendo dados não identificados;
    - Retenção de dados;
    - Integração de dados para melhores resultados de análise;
    - Acesso aos dados.


É necessário analisar os problemas de gerenciamento de dados encontrados pelos departamentos de TI. Para começar, as empresas estão mal equipadas para lidar com as grandes quantidades de dados não estruturados que chegam diariamente. No final, eles simplesmente armazenam os dados em algum lugar, o que não é apenas imprudente, mas antiético também. Além disso, os responsáveis pelas decisões de negócios preferem não descartar os dados. A falta de atenção nas políticas de retenção de dados é outro aspecto problemático.

Toda organização quer acesso rápido aos dados, mas, considerando o custo do armazenamento de alta velocidade na nuvem ou no local, as empresas optam por arquivar uma parte de seus dados usando meios de armazenamento mais baratos e mais lentos. Como resultado, quando problemas sérios ocorrem, a empresa tem que designar membros da equipe para lidar com os projetos, o que prejudica as metas principais do negócio.

 

 

A Cisco e a Internet de todas as coisas


Papel da aprendizagem de máquina e IA no gerenciamento de dados


Dados não estruturados são a principal razão pela qual o gerenciamento de dados apresenta tais dificuldades para as empresas. No entanto, inteligência artificial, análise e aprendizado de máquina podem ajudar a superar esse problema. Com o aprendizado de máquinas, a IA é aplicada para ensinar aos algoritmos de um computador e possibilitar que eles acessem dados, façam a análise deles e utilizem essa análise para aprender novos insights e soluções que não foram previamente ensinadas a ele.

 


E como funciona?

 

Existem alguns métodos de machine learning que podem ser utilizados pelas empresas e são subdivididos em categorias com base no algoritmo:

1- Aprendizado supervisionado
Representa mais da metade dos algoritmos de aprendizado de máquina. Aqui, o algoritmo necessita de insumos já rotulados com respostas previamente estabelecidas. Um exemplo prático é de uma IA que descobre doenças de pacientes em um hospital. Ela precisa ser alimentada com vários casos de cada doença, os sintomas para fazer a correlação dos dados. Então, por meio do machine learning, a máquina leva em consideração as características de cada paciente e descobre a doença dele.

2- Aprendizado não-supervisionado
Neste caso, o aprendizado não precisa de rótulos pré definidos. É o algoritmo que busca descobrir o que está sendo mostrado, explorando os dados. Esse tipo de algoritmo pode ser utilizado em atividades como segmentação de clientes para campanhas de marketing, por exemplo.

3- Aprendizado semi-supervisionado
Esse tipo de aprendizado de máquina usa basicamente os mesmos padrões do aprendizado supervisionado, mas com a possibilidade de utilizar tanto dados rotulados quanto dados não definidos. Ela representa uma boa alternativa para aumentar a capacidade de generalização de modelos de machine learning. Geralmente é usada em desafios nos quais as amostras rotuladas são difíceis de serem obtidas.

4- Aprendizado por reforço
Aqui, o algoritmo consegue descobrir, pela tentativa e erro, quais ações geram as maiores recompensas, atingindo seus objetivos mais rapidamente. Logicamente, uma IA fazendo esses testes realiza o trabalho em um período muito menor, o que cria insights de forma rápida, prontos para serem utilizados de forma concreta nas decisões da empresa.


Máquinas inteligentes já estão presentes na nossa rotina de trabalho com a proposta de facilitar cada vez mais a armazenagem e compreensão de dados. Diante deste novo cenário de análise de dados e produção de insights, os números mostram a importância de investir nesse mercado, que será essencial no futuro para resolver desafios na era digital.

 

 

Categorias: Machine Learning