GESTÃO DA TECNOLOGIA E INOVAÇÃO (adm0422)

MACHINE LEARNING PARA GESTÃO DE

NEGÓCIO

Prof. Dr. Domenico Ceglia

 VANTAGENS DO ML

De acordo com Accenture (2018), o aprendizado de máquina pode

reduzir custos entre 20% e 25% em serviços bancários, operações de
TI, infraestrutura e manutenção; gerar novas receitas em produtos e
serviços; e melhorar a retenção e aquisição de clientes
 VANTAGENS DO ML

Ao transformar os processos humanos em processos inteligentes e

automatizados, as empresas podem concentrar seus recursos em
atividades de maior valor, como oferecer melhores produtos e
serviços aos seus clientes e melhorando a aquisição e retenção de
clientes
 ONDE É USADO O ML

❖ Bancos usam aprendizado de máquina para analisar vários

cenários de negócios, combinar preços de produtos para valorizar
e aumentar a receita.
❖ Aprendizado de máquina é amplamente utilizado para análise de
sentimento de dados de avaliações online.
❖ Permite que os bancos de investimento processem grandes
conjuntos de dados em altas velocidades e para façam previsões
instantâneas para vários atividades comerciais, como compra e
venda ações, commodities e derivativos.
➢ Pesquisa IBM, cerca de 41% dos negócios brasileiros implementaram ativamente e

passaram a contar com essas tecnologias para melhorar sua produtividade e

lucratividade, diante dos últimos desafios globais enfrentados.

➢ Fatores como a acessibilidade da IA (56%), sua crescente incorporação em

aplicativos de negócios-padrão (48%) e a necessidade de redução de custos e

automatização de processos (39%), foram os maiores responsáveis por impulsionar

essa transformação. de vez nessa jornada.

 ONDE É USADO O ML
❖ A aprendizagem da máquina ajuda os bancos de varejo a
automatizar processos-chave, incluindo hipotecas, empréstimos e
atendimento ao cliente.
❖ Ajuda os clientes a realizar serviços bancários de rotina transações
enquanto oferece insights simples sobre melhorar a gestão
financeira.
❖ A Target, uma grande varejista dos Estados Unidos, emprega
vários aplicativos de aprendizado de máquina que usam grandes
conjuntos de dados de milhões de clientes para prever seu
comportamento de compra.
 DESAFIOS DO ML

❖ Um desafio comum para a usabilidade dos métodos de

aprendizado de máquina é o trade-off entre interpretabilidade e
precisão.
❖ Muitas decisões baseadas em aprendizado de máquina precisam
ser transparentes e interpretáveis para compreender a lógica de
decisão subjacente.
 DESAFIOS DO ML

❖ Enquanto muitos métodos de aprendizado profundo são

conhecidos por geram resultados altamente precisos, muitas
vezes faltam interpretabilidade devido à sua natureza de caixa-
preta.
❖ Assim, ao identificar o mais adequado método de aprendizado de
máquina para aplicações específicas, os gerentes precisam
considerar o trade-off entre interpretabilidade e precisão de
vários métodos de aprendizado de máquina.
TIPOS DE ALGORITMOS PARA ML
TIPOS DE ALGORITMOS PARA ML
TIPOS DE ALGORITMOS PARA ML
 O QUE É UM DADO ROTULADO E NÃO
ROTULADO

❑ Dados são rotulados, pois sabemos de antemão a saída esperada para

cada entrada de dados.

❑ Neste caso, o aprendizado (ou treinamento) consiste em apresentarmos

para o algoritmo um número suficiente de exemplos (também chamados

de registros ou instâncias) de entradas e saídas desejadas (já rotuladas

previamente).

❑ Assim, o objetivo do algoritmo é aprender uma regra geral que mapeie as

entradas nas saídas corretamente, o que consiste no modelo final.

TIPOS DE ALGORITMOS PARA ML
SUPERVISIONADO
 SUPERVISIONADO
• O aprendizado de máquina supervisionado usa um conjuntos de
dados rotulados para treinar algoritmos que classificam dados ou
preveem resultados com precisão.
• À medida que os dados de input são inseridos no modelo, ele adapta
sua ponderação até que o modelo seja ajustado adequadamente, o
que ocorre como parte do processo de validação cruzada.
• O aprendizado supervisionado ajuda as organizações a resolver
diversos problemas do mundo real em grande escala, como a
classificação de spam em uma pasta separada da sua caixa de
entrada..
 SUPERVISIONADO

Por outro lado, o aprendizado de máquina para previsão fornece uma

capacidade preditiva para a tomada de decisão. Considerando a saída
desejada e dados de entrada, máquina de aprendizado supervisionada
é treinada para tomar decisões (por exemplo, classificação ou
previsão), comparar o calculado e resultados desejados, e reduzir as
taxas de erro através da aprendizagem iterativa, ajustando os valores
de parâmetros da função de mapeamento interno.
 SUPERVISIONADO

• O processo de aprendizagem para quando atinge um nível

aceitável de precisão ou atende a outros critérios de rescisão.
• Para uma máquina de aprendizado supervisionada, rotulagem de
dados de entrada e de saída para treinamento e testes podem ser
demorados e trabalhoso, especialmente quando big data são
usados.
 SUPERVISIONADO

Alguns dos algoritmos populares de aprendizado de máquina

supervisionado incluem k-vizinhos mais próximos, Naive Bayes
classificadores, árvores de decisão, regressão linear, regressão
logística, máquinas de vetores de suporte, aleatório florestas e redes
neurais artificiais.
NÃO SUPERVISIONADO
 O QUE É UM APRENDIZADO DE MÁQUINA
NÃO SUPERVISIONADO

❑ Algoritmos de aprendizado de máquina não supervisionados

tentam identificar semelhanças entre os elementos no conjunto
de dados de entrada e agrupa os elementos para obter insights
significativos.
❑ O aprendizado não supervisionado possui dados não rotulados que
o algoritmo tenta entender por conta própria.
 DIFERENCIA ENTRE APRENDIZADO
SUPERVISIONADO E NÃO SUPERVISIONADO

Aprendizado supervisionado Aprendizado não supervisionado

 EXEMPLO NÃO SUPERVISIONADO

• Resumo automatizado de vários documentos e agrupamento de

clientes são algumas das ferramentas úteis áreas de aplicação da
máquina não supervisionada de aprendizado.
• Aprendizado de máquina não supervisionado popular algoritmos
incluem agrupamento, agrupamento hierárquico, k-means, análise
de componentes principais, e regras de associação.
 EXEMPLO NÃO SUPERVISIONADO:
AGRUPAMENTO HIERÁRQUICO

• Quando a máquina agrupa coisas que vão juntas em uma árvore de

cluster.
• Todos os dados são um cluster, então eles se dividem em clusters
cada vez menores.
• Os dados pertencerão a um conjunto em cascata de clusters,
desde os mais genéricos até os mais específicos e bem agrupados.
• Portanto, o resultado final é que você vê como os diferentes
subgrupos se relacionam uns com os outros ou quão distantes eles
estão.
EXEMPLO NÃO SUPERVISIONADO:
AGRUPAMENTO HIERÁRQUICO
 APRENDIZADO COM REFORÇO

• O aprendizado por reforço é usado para treinar um agente de

software como se comportar com base no feedback ambiental e
nos mecanismos de recompensa.
• O sistema de inteligência artificial enfrenta uma situação. O
computador utiliza tentativa e erro para encontrar uma solução
para o problema.
• Para que a máquina faça o que o programador deseja, a
inteligência artificial recebe recompensas ou penalidades pelas
ações que executa. Seu objetivo é maximizar a recompensa total.
 EXEMPLO DE APRENDIZADO COM
REFORÇO
Temos um agente e uma recompensa, com muitos obstáculos no
meio, como nesta imagem abaixo. O agente deve encontrar o melhor
caminho possível para alcançar a recompensa e quando encontrar
um obstáculo, deve ser penalizado (pois ele deve escolher o caminho
sem obstáculos). Com a Aprendizagem Por Reforço, podemos treinar
o agente para encontrar o melhor caminho.
 ALGORITRMOS DE APRENDIZADO DE
MÁQUINA REFORÇADO

• Alguns populares algoritmos de aprendizado por reforço incluem

Qlearning, algoritmos hierárquicos de aprendizado por reforço,
aprendizado por diferença temporal e algoritmos de gradiente de
política.
• Uma aplicação empresarial de aprendizado por reforço no mundo
real é o resumo de textos longos.
 APLICAÇÕES PARA AS EMPRESAS

Um recente pesquisa O'Reilly Media (2018) indica que cerca de

metade da população mundial 11.000 especialistas em dados
trabalham para empresas no estágios iniciais de exploração do
aprendizado de máquina, enquanto o resto tem experiência
moderada ou extensa em implantação de modelos de aprendizado de
máquina para produção.
 APLICAÇÕES PARA AS EMPRESAS

De acordo com o Indeed.com (2019), o trabalho mais anunciado é o de

engenheiro de aprendizado de máquina. Muitos empresas líderes
em todos os setores estão ativamente recrutando engenheiros de
aprendizado de máquina, o que revela sua seriedade sobre o
potencial do campo.
 APLICAÇÕES PARA AS EMPRESAS

Existem três tipos principais de aplicativos de aprendizado de

máquina usados por grandes empresas:
(1) Clustering,
(2) Classificação
(3) Predição.
 DEFINIÇÃO DO CLUSTERING

➢ Clustering é usado para agrupar conjuntos de objetos na com base

em suas semelhanças em um universo multidimensional espaço.
➢ Objetos no mesmo cluster são mais semelhantes entre si do que
em diferentes clusters.
➢ O Clustering é considerado um aprendizado de máquina não
supervisionado porque os rótulos de classe dos objetos não são
conhecidos de antemão.
 COMO FUNCIONA O CLUSTERING

➢ No Clustering, os objetos são agrupados dentro de um espaço

altamente dimensional.
➢ A semelhança entre dois objetos é medida com uma função de
distância de similaridade.
➢ A análise de clustering revela padrões de grupos, fornece
informações sobre os principais impulsionadores da eficiência, e
identifica as melhores práticas para negócios operações.
 QUANDO É USADO CLUSTERING

❖ Clustering tem sido amplamente utilizado para agrupar clientes

para ajudar a empresa a fornecer produtos personalizados e
recomendações de serviços
❖ Agrupar documentos em um predefinido número de categorias.
❖ Por exemplo, o agrupamento tem sido usado para ajudar a agrupar
os comentários dos clientes para melhorar satisfação do cliente.
 CLASSIFICATION

• A classificação é o processo de identificar categoria ou classe de

uma observação.
• Ao contrário do clustering, as categorias dos objetos já estão
conhecidas para fins de treinamento e teste.
• Uma vez que o aplicativo de classificação conclui o treinamento
para um dada tarefa de classificação, ele pode então atribuir um
novo objeto observado a uma categoria.
 EXEMPLO DE CLASSIFICAÇÃO

o Um exemplo de uma tarefa de classificação binária é a

classificação de um solicitante de empréstimo como digno de
crédito ou não.
o Neste exemplo, um aplicativo de aprendizado de máquina pode ser
treinado usando reembolso e dados padrão de candidatos a
empréstimos anteriores.
o Uma aplicação de análise de sentimento pode ser usada para
classificar as revisões dos clientes sobre o produto em várias
categorias (por exemplo, extremamente positivo, positivo, neutro,
negativo, extremamente negativo).
 DEFINIÇÃO PREDIÇÃO

❑ O aprendizado de máquina é usado para identificar padrões em

dados e prever eventos futuros.
❑ Uma grande diferença entre classificação e predição é que a
classificação é usada para inferir uma regra relevante para a
situação atual a partir dos dados (por exemplo, detecção de fraude
de cartão de crédito ou internet violação de segurança),
❑ No entanto, a previsão é usada para antecipar o que acontecerá no
futuro.
 PREDIÇÃO

❖ Por exemplo, o aprendizado de máquina preditivo pode examinar

dados para detectar sinais de mercado que afetarão desempenho
futuro do mercado.
❖ O aprendizado de máquina também é útil na prevenção
manutenção. Ele permite que os fabricantes aprendam a partir de
dados gerados por máquinas e para desenvolver modelos
preditivos ao longo do tempo.
 PREDIÇÃO

❖ Na General Electric Company (GE), aprendizado de máquina para

previsão a análise é usada para identificar anomalias, assinaturas, e
tendências no desempenho da máquina, desenvolver um modelo
de comportamento da máquina e prever quando as máquinas
precisarão de manutenção.
INFERENÇA ESTATÍSTICA X MACHINE LEARNING

o Foco: Inferência Estatística foca na explicação, enquanto Machine

Learning foca na previsão.
o Modelos: A Inferência Estatística geralmente aplica modelos mais
simples e interpretáveis, enquanto Machine Learning pode usar
modelos complexos para maximizar a precisão.
INFERENÇA ESTATÍSTICA X MACHINE LEARNING

o Interpretabilidade: A interpretabilidade é essencial na Inferência

Estatística, mas muitas vezes é menos enfatizada em Machine
Learning.
o Técnicas: Embora ambas as áreas usem técnicas de otimização e
modelagem, Machine Learning tende a usar algoritmos mais
computacionalmente intensivos.
o Validação: A Inferência Estatística usa testes de hipóteses e p-
valores, enquanto Machine Learning usa uma variedade de
métricas de desempenho.
 ESCOLHER O ALGORITMO CERTO

➢ Com uma ampla variedade de algoritmos de aprendizado de

máquina disponíveis, os gerentes achariam difícil selecionar os
melhores para resolver seus problemas.
➢ Isso é amplamente conhecido que um único algoritmo de
aprendizado de máquina não dará o melhor desempenho em
todas as instâncias do problema.
 DEFINIÇÃO DE PRECISÃO E
INTERPRETABILIDADE

❑ Precisão é uma medida de quão bem o algoritmo irá realizar na

prática.
❑ Interpretabilidade refere-se à capacidade de explicar aos usuários
como uma determinada decisão ou resposta é tomada.
❑ Um aprendizado de máquina é considerado interpretável se sua
classificação pode ser explicada por uma conjunção de declarações
condicionais (ou seja, regras se-então) sobre os dados coletados.
 PRECISÃO VERSUS INTERPRETABILIDADE

Por exemplo, árvores de decisão padrão com regras if-then podem

ser explicados e são, portanto, considerados interpretáveis. No setor
bancário, a interpretabilidade das decisões tomadas por aprendizado
de máquina podem ser essenciais para o controle interno e
conformidade regulatória.
 DIFICULDADE DA INTERPRETABILIDADE

Black box
❑ Corresponde à modelos que não podem ser interpretados.
❑ “Ainda que os dados entrem e as previsões saiam, não se tem ideia
do que acontece lá dentro”, esclarece a cientista.
❑ Em outras palavras, existem as previsões, mas não se sabe como
elas foram feitas e quais fatores têm maior influência nos
resultados.
❑ Isso acontece porque são modelos complexos, que capturam
relações que não são, necessariamente, lineares.
 A PRECISÃO DOS ALGORITIMOS DE ML

• A precisão dos algoritmos de aprendizado de máquina é afetados

por erros redutíveis e irredutíveis.
• Por exemplo, suponha que haja um relação não linear entre as
variáveis de entrada e de saída no conjunto de dados.
• Se uma empresa usasse uma regressão linear como um algoritmo
de aprendizagem, o aprendizado seria rápido e fácil, mas a
precisão do algoritmo sofreria por causa da alta erro de viés que
vem com o uso de uma regressão linear em dados não lineares.
 A INTERPRETABILIDADE DOS
ALGORITIMOS DE ML

• Um modelo de aprendizado de máquina interpretável é aquele que

“pode ser prontamente apresentado ao usuário com artefatos
visuais ou textuais”.
• Interpretabilidade de um modelo de aprendizado de máquina é
um meio de gerar confiança.
 A INTERPRETABILIDADE DOS
ALGORITIMOS DE ML

• Muitos algoritmos de aprendizado de máquina, como ANN

(Artificial Neural Network) e algoritmos de aprendizado profundo
(Deep Learning) foram rotulados como modelos de caixa-preta
por causa de seu funcionamento interno complexo e
ininterpretável.
• Isso é exatamente o que torna esses algoritmos precisos.
 ESTUDO DE CASO

o Para melhorar a gestão do risco de crédito, a ING se uniu ao Google

e à PwC em dezembro de 2018 desenvolver um sistema de alerta
precoce (EWS) baseado em aprendizado de máquina que permite
aos analistas de risco de crédito de tomar decisões mais rápidas e
informadas para detectar se os clientes estão expostos a riscos
potenciais (ING, 2018).
o O EWS varra e analisa grandes quantidades de informações
financeiras e não financeiras incluindo notícias de todo o
mundo.
 ESTUDO DE CASO

o O EWS usa NLP (Natural Language Processing ) e tradução do

Google serviço para processar aproximadamente 80.000 itens
todos os dias, incluindo dados de mercado em tempo real bem
como notícias de fontes públicas (PwC, 2018).
o O EWS detecta quando o preço da ação de um cliente cai mais do
que uma porcentagem predefinida ou quando a cobertura de
mídia de um cliente torna-se marcadamente negativo.
 ESTUDO DE CASO

o Usando NLP e análise de sentimento, o EWS determina se uma

notícia diz respeito ao cliente em questão, ou se o cliente é apenas
referido de forma incidental. Em seguida, determina a relevância
da notícia para gestão do risco de crédito.
 PERGUNTAS NORTEADORAS DE ESTUDO

1. Favor explique como funciona o Machine Learning e faça um

exemplo.
2. Favor explique o aprendizado supervisionado
3. Explique o aprendizado não supervisionado
4. Explique como funciona o Clustering
5. Explique como funciona a Classificação
 PERGUNTAS NORTEADORAS DE ESTUDO

6. Explique como funciona a Predição.

7. Explique detalhadamente o que significa precisão e
interpretabilidade no Machine Learning?
8. Quais são as dificuldades da interpretabilidade?
9. Qual é a diferença entre uma previsão realizada com inferência
estatística e machine learning?
10. Explique o estudo de caso passado no slide na sala de aula sobre
EWS?
 TUDO BEM?

Fonte: https://www.uai.com.br/app/noticia/trends/2022/06/30/interna-noticia-trends,290220/danilo-gentili-ri-de-manifestantes-sendo-agredidos-e-e-detonado-
na-web.shtml
 BIBLIOGRAFIA

❖ LEE, In; SHIN, Yong Jae. Machine learning for enterprises: Applications, algorithm selection, and

challenges. Business Horizons, v. 63, n. 2, p. 157-170, 2020.

❖ CANHOTO, Ana Isabel; CLEAR, Fintan. Artificial intelligence and machine learning as business tools: A

framework for diagnosing value destruction potential. Business Horizons, v. 63, n. 2, p. 183-193, 2020.