Lista de verificação: o aprendizado de máquina é a abordagem certa para seu problema?

Em meio a histórias de soluções inteligentes e notícias de descobertas inovadoras, pode ser tentador idealizar tecnologias como o aprendizado de máquina como soluções milagrosas para os desafios que o governo enfrenta.

Mas aprendizado de máquina nem sempre é a solução para seus problemas. Antes mesmo de pensar em planejar um projeto, pergunte-se: “o aprendizado de máquina é a abordagem certa para esse problema?”

Para ajudá-lo a responder a essa pergunta, desenvolvemos uma lista de verificação com Crina Grosan, conferencista sênior no Departamento de Ciência da Computação em Brunel University, especialista em inteligência artificial e aprendizado de máquina e autor do [guia de 5 etapas](https://drive.google.com/a /apolitical.co/open?id=1NWCEx6UrkvVZUs_-S5eeXZ6Oo8LVN9b3DrIegLhPLcQ) no início do curso.

Leia a lista de verificação e analise as perguntas para determinar se o aprendizado de máquina é ou não o caminho certo para enfrentar os desafios de sua agenda. Clique aqui para fazer o download.

_Conteúdo da lista de verificação: _

** 1 . Você pode descrever seu problema em termos de "entradas" e "saídas"? **

É importante ser capaz de formular sua "produção esperada" - o resultado desejado para o problema que você está tentando resolver - e suas "entradas" - as variáveis em seus dados que afetam esse resultado.

Por exemplo, “com os recursos disponíveis, posso obter um melhor desempenho”? Ou “de quais recursos adicionais eu preciso para obter um melhor desempenho”?

Neste exemplo, o desempenho é a sua saída e os recursos são a sua entrada. Para descrever seu problema dessa forma, você precisa entender que papel suas variáveis podem desempenhar no resultado desejado para o problema que você está investigando. Você pode usar o conhecimento especializado na área para ajudá-lo a fazer isso.

** 2 . Você pode formular um objetivo para o seu problema? **

Por exemplo, se você é um gerente com dados disponíveis sobre recursos e produtividade, seu objetivo pode ser “Eu gostaria de aumentar a produtividade em 20% em 6 meses”.

É essencial que seu objetivo seja mensurável e alcançável. Os destinos utópicos podem causar problemas mais tarde: eles podem levar a um mau desempenho do algoritmo porque os destinos irrealistas não podem ser modelados ou previstos com as fontes de dados existentes.

** 3 . É possível resolver seu problema com o aprendizado de máquina? **

Depois de confirmar que seu objetivo é alcançável e mensurável, agora você precisa determinar se ele pode ser alcançado usando aprendizado de máquina .

Esta etapa requer uma compreensão básica da análise de dados sobre o que os algoritmos de aprendizado de máquina podem alcançar, então você precisará se basear em conhecimento em dados para ajudá-lo.

Resumindo, existem alguns tipos de problemas padrão adequados para uma solução de aprendizado de máquina - e você precisa descobrir se o seu problema é um deles. Por exemplo, encontrar padrões em dados, agrupar dados ou prever o futuro a partir de uma sequência de dados anteriores. Se seu problema pode se enquadrar em uma dessas categorias, o aprendizado de máquina pode ser uma ferramenta adequada para resolvê-lo.

Objetivos com um aspecto previsível geralmente são adequados para aprendizado de máquina. Nesse caso, você começaria com os dados de entrada e alguns resultados conhecidos. Por exemplo, "com x recursos, a produtividade é y." Em seguida, você construiria um modelo que aprende com esses resultados conhecidos e pode ser reaplicado para quaisquer dados de entrada semelhantes não vistos.

No entanto, o aprendizado de máquina é menos apropriado para objetivos que são processos iterativos - uma sequência de etapas que são aplicadas para chegar à solução. Aqui, você começaria com os dados e, em seguida, construiria um algoritmo passo a passo para obter o resultado.

** 4 . É necessário usar o aprendizado de máquina para resolver seu problema? **

Em algumas situações, métodos estatísticos podem ser aplicados para atingir seu objetivo e, portanto, pode não ser necessariamente desenvolver e aplicar um modelo de aprendizado de máquina.

Tudo depende da natureza do problema em questão. Os especialistas podem ajudá-lo a entender que tipo de problema você está enfrentando: é uma regressão, classificação, agrupamento, associação de regra ou problema de tomada de decisão? Em alguns desses casos, pode não haver necessidade de aplicar um algoritmo de aprendizado de máquina.

Por exemplo, gráficos 2D ou 3D simples de variáveis junto com correlações básicas podem ser suficientes para atingir seu objetivo. Mas, se você quiser um modelo que possa aplicar sempre que adicionar novos dados, ou se quiser que o modelo se adapte continuamente aos novos dados que você adquire, um modelo de aprendizado de máquina pode ser mais preciso.

** 5 . Você tem uma meta alcançável para seu projeto? **

Embora o objetivo que definimos na pergunta dois deva delinear o que você deseja alcançar em relação ao seu problema, a meta do seu projeto deve descrever como você deseja usar o aprendizado de máquina para alcançá-lo. Você precisa de um propósito para seu projeto - o objetivo deve articular como você vai usar o aprendizado de máquina para resolver seu problema.

Você quer melhorar um sistema existente ou desenvolver uma abordagem completamente nova para o seu problema?

Por exemplo, talvez as melhorias tenham sido feitas “manualmente” por um especialista na área. Eles podem ter alterado alguns parâmetros em uma tentativa de melhorar a produção. Por exemplo, no exemplo da produtividade, talvez o especialista tenha mudado ligeiramente os recursos, por tentativa e erro, para obter um melhor desempenho.

Nesse caso, seu objetivo pode ser usar seu modelo de aprendizado de máquina para encontrar uma relação matemática entre suas entradas, ou "variáveis", e sua saída. Isso pode ser expresso como uma regra - “se os recursos são x, então o nível de produtividade será y” - ou uma fórmula matemática. Se você atingir esse objetivo, poderá aplicar a fórmula para fazer previsões, em vez de confiar na tentativa e erro.

** 6 . Você pode definir uma medida de sucesso? **

Isso pode ser uma métrica binária de sucesso ou falha, ou pode ser uma porcentagem que reflete o grau em que você alcançou o que se propôs.

Essas medidas podem ser baseadas em até que ponto você atingiu a meta de seu projeto e no desempenho do sistema de aprendizado de máquina. Quão perto você chegou do gol? E, quão rápido foi o seu sistema? Quais recursos são necessários? Com que facilidade você poderia ajustar os parâmetros? É fácil interagir com ele? - Anna Goulden

(Crédito da imagem: Unsplash)