Cientista de dados e o deep learning: quando e como usar?
Recursos de machine learning automáticos aprimoram a produtividade de cientistas de dados ao lidar com boa parte das tarefas repetitivas associadas ao desenvolvimento de modelos, afirma Susan Kahler, gerente global de marketing de produto para inteligência artificial do SAS. Segundo ela, isso permite que cientistas de dados possam centrar suas atenções na criação de soluções, capazes de atender melhor os problemas existentes.
Um dos blocos principais da inteligência artificial (IA), o aprendizado de máquina tem sido parte da indústria tecnológica desde a década de 1950, quando programadores começaram a pedir que computadores encontrassem sentido em conjuntos de dados. Os programadores têm aprimorado cada vez mais a capacidade das máquinas de estudar dados para detectar padrões que permitam aos computadores organizar informações, identificar relacionamentos, fazer previsões e detectar anomalias.
Atualmente as aplicações modernas de IA nos levam a carros autônomos e assistentes virtuais e nos ajudaram a detectar fraudes e gerenciar recursos como eletricidade com mais eficiência. Conforme o aprendizado de máquina se aprofunda, parte-se a uma IA cada vez mais sofisticada, o aprendizado profundo ou deep learning, em inglês. A análise sofisticada de aprendizagem profunda é alcançada por meio de redes neurais.
Mary Beth Ainsworth, gerente global de marketing de produto de inteligência artificial e analítica de texto da SAS, pontou neste texto que o aprendizado profundo — deep learning — só será usado quando realmente fizer sentido; onde pode encontrar rapidamente relações intrincadas e variáveis ocultas em grandes volumes de dados que ainda se conseguem extraírem de nenhuma outra forma. O aprendizado profundo, segundo ela, significa que uma máquina pode olhar para um problema por meio de lentes analíticas completamente diferentes de sua contraparte humana.
Plataformas de machine learning (ML) e ciência de dados são produtos de software que permitem aos cientistas de dados, sendo especialistas ou não, e desenvolvedores de aplicativos a criação, a implementação e o gerenciamento dos seus próprios modelos analíticos avançados. Pelo sétimo ano consecutivo, o SAS foi classificado como líder no Quadrante Mágico do Gartner. A avaliação do SAS é baseada na solução SAS Visual Data Mining and Machine Learning, que oferece insights automáticos, interpretabilidade e modelagem, além de uma API pública para modelagem automatizada.
