Machine Learning: as etapas que levam dos dados às previsões de um modelo

Em vez de um programador escrever todas as regras, o sistema recebe exemplos e o algoritmo encontra padrões por si. Num filtro de spam, por exemplo, usam-se milhares de emails já classificados como legítimos ou indesejados, para que o modelo consiga depois classificar mensagens novas.

O processo começa nos dados, que podem vir de bases de dados, imagens, vídeos, sensores ou aplicações. A sua qualidade condiciona a aprendizagem. Seguem-se a limpeza, a normalização e a escolha das características relevantes, além da divisão em três conjuntos, para verificar se o modelo generaliza em vez de decorar.

No treino, o algoritmo ajusta os parâmetros internos para reduzir erros. Na avaliação, o modelo é testado com dados que não viu e, se os resultados forem fracos, volta-se ao treino. Depois, pode ser implementado em APIs, na cloud ou em dispositivos móveis, como num banco que procura transações fraudulentas.

Já em produção, o desempenho deve ser acompanhado de forma contínua, porque os dados mudam com o tempo e os padrões antigos podem deixar de servir. Esse fenómeno chama-se Data Drift ou, quando afeta a relação com o resultado pretendido, Concept Drift. Nesses casos, atualizam-se os dados e volta-se a treinar o modelo.

Fonte: Pplware