O Machine Learning (ML) é uma tecnologia que vem sendo utilizada por grandes empresas, principalmente no comércio B2C (entre empresa e consumidor final), para oferecer produtos que sejam relevantes para seus clientes.
Já reparou como basta comprar um produto numa loja virtual que vários produtos relacionados começam a aparecer nos anúncios de outros sites?
O recurso também têm sido utilizado para atendimento, criando um programa que ofereça respostas automáticas para as respostas do cliente.
Fazer as máquinas “aprenderem”, contudo, não precisa ficar limitado apenas a esses tipos de empresas. O setor industrial tem muito a se beneficiar de equipamentos capazes de identificar padrões.
Um exemplo mais prático dessa aplicação são os carros autônomos. Veículos automotores capazes de tomar decisões por conta própria. Outro caso são máquinas que se conectam à rede (Internet das Coisas) para atender às demandas online de compras.
Por isso vamos demonstrar aqui quais são as características do Machine Learning e como aplicá-lo na indústria.
Machine Learning: tipos de aprendizagem
A “aprendizagem das máquinas” pode ser definida como sendo de três tipos:
- Aprendizagem supervisionada
- Aprendizagem semisupervisionada
- Aprendizagem não supervisionada
Nas próximas linhas vamos falar dos métodos de Machine Learning com aprendizagem supervisionada e não supervisionada, assim como fornecer exemplos práticos de sua aplicação.
1. Aprendizagem supervisionada
Este é o tipo de aprendizagem em que os dados são rotulados e já possuem um “caminho” definido. Portanto, é a melhor alternativa quando já se sabe o que precisa ser descoberto.
Por exemplo, se você quer fazer uma linha de produção mais dinâmica, é possível criar uma série de caminhos na sua linha de produção. Cada produto seguiria um percurso de acordo com as especificações determinadas na elaboração do algoritmo.
Isso possibilitaria a manufatura automática de produtos diversificados e a identificação de materiais defeituosos.
Assim, para treinar uma máquina por meio de aprendizagem não supervisionada, é necessário fornecer amostras que mostrem ao sistema qual é o padrão requerido.
Exemplificando, se você quer “ensinar” o que é uma peça ideal, é necessário que a máquina analise diversos modelos considerados desejáveis.
Caso sejam encontrados defeitos, o produto será descartado, evitando maior desperdício de recursos ao longo da linha de produção.
Neste texto vamos demonstrar duas formas de estruturar a aprendizagem supervisionada:
Árvores de decisão
Este algoritmo é baseado num modelo de testes pré-estabelecidos que vão determinar algum percurso de realização.
Para exemplificar, imagine que um cliente quer comprar um carro. Chegando na loja há três opções de carro: sedan, SUV e hatch.
Após escolher a SUV, o cliente ainda vai escolher se irá disponibilizar uma série de características (painel solar, câmbio automático, sensor de estacionamento).
Por último, ele vai escolher entre três cores disponíveis: preto, branco ou prata.
O que eu ilustrei acima é um esquema determinado das opções que um cliente deve seguir. Não é possível oferecer caminhões, carros com farol de milha ou SUVs na cor azul, portanto, cada escolha só será interpretada como uma das opções definidas acima.
O mesmo vai valer para um produto numa linha de produção. O programador de uma árvore de decisão vai definir percursos estritos e suas máquinas vão mover o item a ser produzido conforme as características que definem a classificação em cada etapa.
Esse modelo é comparado a uma árvore porque cada teste de atributo (qual modelo? Que características? Que cor?) vai ser um nó e os diferentes valores vão ser os ramos. As “folhas”, portanto, são os resultados desse algoritmo.
Por fim, cada caminho da raiz até a folha vai ser uma regra de classificação.
Esse algoritmo tem a vantagem de ser altamente recursivo, podendo criar a quantidade de ramos que for necessária para cobrir todas as possibilidades.
Regressão linear de mínimos quadrados
Esse método vai definir um gráfico a partir dos valores a serem medidos e cada amostra vai ocupar um ponto nesse plano. A partir do conjunto de amostras você define um padrão através do método de mínimos quadrados.
Na produção, isso pode ser utilizado para reconhecer padrões de estresse dos equipamentos ou um desvio no padrão de qualidade exigido para a fabricação.
2. Aprendizagem não supervisionada
Caso você queira descobrir quais são os padrões existentes, a aprendizagem não supervisionada é a mais adequada. Isso porque, diferente da supervisionada, ela não vai partir de uma estrutura pré-definida.
Mas como, então, os dados são analisados se não há especificação?
Ao invés de obedecer a uma estrutura, o sistema vai ser educado a identificar uma série de características dos dados coletados.
A partir dos aspectos identificados, o sistema vai agrupar cada dado em grupos (clusters) que possuam alguma semelhança.
Existem algumas opções de algoritmos para definir como será realizado esse agrupamento como:
- Probabilístico
- Baseado em densidade
- Baseado em Centroid
- Baseado em conectividade
- Redes neurais
- Entre outros
É a aprendizagem não supervisionada que redes sociais, como Facebook e Youtube, usam para descobrir o comportamento de seus usuários.
No caso dessas redes, o que o sistema vai fazer é analisar características (localização, sexo, idade, gostos, etc.) e estabelecer padrões a partir disso.
No caso das indústrias, é possível usar esse recurso de Machine Learning para identificar os padrões de possíveis clientes.
Sabendo dados como localização, número de funcionários e ramo de atuação, é possível prever quais são os seus produtos que melhor se adequam à situação daquele negócio.
Contudo, nem todas as correlações são necessariamente verdadeiras. Há a possibilidade de diversos fatores se confundirem e gerarem padrões falsos sobre o comportamento dos seus clientes.
Para solucionar isso que existe a Análise de Componentes Independentes ou Independent Component Analysis (ICA).
Análise de Componentes Independentes
A ICA é uma análise estatística que vai buscar formas de eliminar a interferência de múltiplos fatores que não estão diretamente relacionados em uma correlação.
Para melhor ilustrar o que exatamente a ICA faz, vamos pegar o problema “cocktail party”. Se você já participou de alguma festa ou reunião entre colegas, sabe que muitas as conversas se cruzam e mais de um assunto é ouvido ao mesmo tempo.
Dependendo da sua posição, uma conversa vai ser mais fácil de ser ouvida do que as outras, mas ainda é possível ouvir o que os outros estão falando.
O que a Análise de Componentes Independentes vai fazer é pegar essas múltiplas conversas e separá-las, de maneira que a discussão sobre os resultados da empresa não se confunda com a conversa sobre futebol ou com um causo ocorrido no setor comercial.
Dessa forma, seus dados vão ficar organizados de maneira independente, mantendo apenas as correlações diretas.
Aplicações práticas do Machine Learning
Diversas áreas podem se beneficiar da aplicação de Machine Learning em seus processos. Máquinas inteligentes permitem a automação de processo manuais e redução do estresse em processos operacionais.
Vejamos alguns benefícios da implantação desse recurso em algumas áreas da indústria:
Produção
Se você busca implementar a manufatura enxuta (Lean Manufacturing) em sua indústria, é aconselhável utilizar máquinas inteligentes.
Isso porque o Machine Learning permite melhor controle de qualidade, identificando produtos defeituosos durante o processo de fabricação.
Evitar que esse produto siga na linha de produção vai lhe poupar matéria-prima e tempo que pode ser utilizado para peças ideais.
Se suas máquinas são conectadas às redes de e-commerce é possível ainda criar automações de produção sob demanda.
Ao ler comportamentos padrões de clientes com maiores chances de finalizar a compra, o processo produtivo pode começar a operar muito antes. Dessa forma, o consumidor recebe seu produto muito antes e tem maior chance de recomendar seus serviços.
Manutenção
Criar máquinas capazes de gerar relatórios sobre si mesmas é essencial para a atuação da manutenção preditiva.
A partir de dados anteriores é possível definir padrões ideais de desempenho para uma máquina. Caso haja algum equipamento registrando informações que desviem dessa performance, o Machine Learning pode informar seus encarregados.
Dessa forma, o problema é detectado de forma imediata, possibilitando uma resposta igualmente instantânea.
Estoque
Realizar o controle de matéria-prima normalmente exige um bom conhecimento sobre o contexto atual do mercado e a demanda do mercado.
Por meio de ferramentas de Machine Learning, é possível analisar o comportamento padrão de seus clientes. Isso é possível porque, ensinando sua máquina com dados anteriores do setor comercial, ela pode realizar diagnósticos robustos sobre a demanda.
Além disso, é possível segmentar esses dados para informações ainda mais específicos. Dessa forma, a aquisição de materiais fica mais focada e objetiva, evitando o armazenamento excessivo de matéria-prima.
Segurança
Com a digitalização das operações na indústria é necessário adotar procedimentos de segurança para proteger seus dados.
Por meio de procedimentos de aprendizagem supervisionada, seu sistema pode identificar ações fora do padrão. Assim, um produto que for retirado do estoque sem uma compra ou uma movimentação financeira incomum podem ser identificados imediatamente.
Em termos de segurança do trabalho, identificar falhas potenciais em máquinas que possam oferecer riscos à sua equipe pode também receber auxílio do Machine Learning.
Da mesma maneira que a ela opera na manutenção preditiva como relatório de desempenho, o aprendizado de máquinas pode alertar sobre uma eventual falha operacional antes que ela ofereça maiores riscos.
Marketing
Na área de serviços, usar ferramentas de BI é comum, ao ponto de ser mandatório.
Possuir uma ferramenta capaz de ler os dados de suas publicações é muito útil para programar novas publicações e avaliar o sucesso de campanhas.
Medir o alcance da sua marca e quais canais são efetivos vão lhe ajudar a realizar ações mais direcionadas e atrair mais clientes.
Vendas
Para impulsionar seu negócio é necessário que sua receita esteja sempre em crescimento. Por isso, manter ferramentas de análise dos resultados de seus vendedores e comportamento de clientes é essencial.
A partir de um sistema de CRM (Customer Relationship Mangement ou Gestão de Relacionamento com o Cliente) é possível fazer o registro de uma série de dados como:
- Taxa de conversão
- Ticket médio
- Volume de leads gerados
- Número de atividades por vendedor
São essas informações que podem educar a máquina para prever a demanda futura e identificar quando um vendedor não será capaz de atingir a meta.
Dessa forma, a indústria se protege de resultados muito abaixo do esperado. Acompanhar de perto como se dá esse desempenho é parte essencial da gestão de vendas.
