Comece a usar os serviços de IA da Amazon

Inteligência artificial (IA) é um campo da ciência da computação dedicado a resolver problemas cognitivos geralmente associados à inteligência humana, como aprendizado, solução de problemas e reconhecimento de padrões. Embora a inteligência artificial, geralmente abreviada como "IA", nos remeta a robôs e cenas futuristas, ela vai muito além dos autômatos da ficção científica, abrangendo o mundo não fictício da ciência da computação avançada da modernidade. O Professor Pedro Domingos, pesquisador de destaque na área, descreve as "cinco tribos" de machine learning, compostas por simbolistas, com origens na lógica e na filosofia, conexionistas, que derivam da neurociência, evolucionários, relacionados à biologia evolucionária, bayesianos, envolvidos com estatística e probabilidade, e analogizadores, com origens na psicologia. Recentemente, os avanços na eficiência da computação estatística levaram ao sucesso dos bayesianos em fomentar o campo em diversas áreas, usando o nome de "machine learning". De modo similar, com os avanços na computação de rede, os conexionistas conseguiram impulsionar outro subcampo, conhecido como "aprendizado profundo". O machine learning (ML) e o aprendizado profundo (DL) são campos da ciência da computação derivados da disciplina da inteligência artificial.

Em geral, essas técnicas são separadas em técnicas de aprendizado "supervisionadas" e "não supervisionadas", em que as "supervisionadas" usam dados de treinamento que incluem o resultado desejado e as "não supervisionadas" usam dados de treinamento sem o resultado desejado.

A IA torna-se "mais inteligente" e aprende mais rapidamente com mais dados e, todos os dias, as empresas geram esse combustível para executar soluções de machine learning e aprendizado profundo, sejam eles coletados e extraídos de um data warehouse, como o Amazon Redshift, verificados como verdade absoluta pelo poder da "multidão" com o Mechanical Turk ou extraídos de modo dinâmico usando o Kinesis Streams. Além disso, com o advento da IoT, a tecnologia de sensores aumenta exponencialmente a quantidade de dados a serem analisados, dados de fontes, locais, objetos e eventos que praticamente nunca foram tocados.


Machine Learning é o nome comumente aplicado a várias técnicas bayesianas usadas para o reconhecimento de padrões e o aprendizado. Essencialmente, machine learning é um conjunto de algoritmos que podem aprender e fazer previsões com base em dados gravados, otimizar uma determinada função de utilitário mediante um cenário de incerteza, extrair estruturas ocultas de dados e classificar dados de acordo com descrições concisas. Geralmente, o Machine Learning é implantado onde a programação explícita é muito rígida ou impraticável. Diferentemente do código de computador comum criado por desenvolvedores de software para tentar gerar uma saída específica de código de programa com base em uma determinada entrada, o machine learning usa dados para gerar um código estatístico (um modelo de ML), que originará o "resultado certo" com base em um padrão reconhecido de exemplos anteriores de entrada (e saída, no caso de técnicas supervisionadas). A precisão de um modelo de ML se baseia, principalmente, na qualidade e na quantidade de dados históricos.

Com os dados certos, um modelo de ML pode analisar problemas altamente dimensionais com bilhões de exemplos para descobrir a função ideal que pode prever um resultado com uma determinada entrada. Os modelos de ML geralmente podem proporcionar segurança estatística sobre previsões e também sobre seu desempenho geral. As pontuações desta avaliação são importantes ao decidir se você deve usar um modelo de ML ou qualquer previsão individual.

A Amazon.com está desenvolvendo muitas das suas atividades em torno de sistemas com base em Machine Learning. Sem o ML, a Amazon.com não poderia expandir suas atividades, melhorar a experiência e a seleção do cliente e otimizar a velocidade e a qualidade logística. A Amazon.com fundou a AWS para permitir que outras empresas usufruíssem da mesma infraestrutura de TI, com agilidade e benefícios de custos e, hoje, continua a democratizar as tecnologias de ML para todos os tipos de empresas.

A estrutura das equipes de desenvolvimento da Amazon.com, e o foco no ML para solucionar difíceis problemas práticos, motiva a Amazon.com e a AWS a desenvolver excelentes serviços e ferramentas de ML simples de usar. Essas ferramentas são testadas primeiro na escala e no ambiente de missão crítica da Amazon.com, antes de serem expostas como serviços da AWS para o uso de todas as empresas, de modo semelhante a outros serviços de TI.

O Machine Learning geralmente é usado para prever resultados futuros com base em dados históricos. Por exemplo, as empresas usam o Machine Learning para prever como muitos dos seus produtos serão vendidos nos futuros trimestres fiscais com base em um grupo populacional específico ou estimar que perfil de cliente tem a maior probabilidade de ficar insatisfeito ou tornar-se o mais fiel à marca. Essas previsões permitem melhores decisões empresariais, uma experiência do usuário mais pessoal e a possibilidade de reduzir custos de retenção de clientes. Em complementação à inteligência de negócios (BI), cujo foco é a geração de relatórios sobre dados de negócios antigos, o ML prevê resultados futuros com base em tendências e transações passadas.

Existem várias etapas que compõem uma implementação bem-sucedida de ML em uma empresa. Primeiramente, a identificação do problema certo: identificar a previsão que beneficiaria o negócio, caso comprovada. Em seguida, os dados devem ser coletados com base em métricas de negócios históricas (transações, vendas, insatisfação, etc.). Quando os dados forem agregados, um modelo de ML poderá ser criado com base nesses dados. O modelo de ML será executado e o resultado da previsão do modelo aplicado de volta ao sistema da empresa para uma melhor tomada de decisões.

Implementação do ML na sua empresa

Implementação do Machine Learning na sua empresa 

Identifique itens, eventos ou observações que não estejam de acordo com um padrão esperado ou outros itens em um conjunto de dados.

Crie modelos preditivos que ajudem a identificar transações de varejo potencialmente fraudulentas ou detectem análises de produtos falsas ou impróprias.

Descubra quais clientes correm alto risco de ficar insatisfeitos para que você possa interagir proativamente com eles por meio de promoções ou do apoio do atendimento ao cliente. 

Disponibilize uma experiência do cliente mais personalizada usando modelos preditivos de análise para recomendar produtos ou otimizar o fluxo do site com base em ações prévias do cliente. 


Aprendizado profundo é um ramo do machine learning que envolve a divisão de algoritmos em camadas em um esforço para entender melhor os dados.  Os algoritmos não estão mais limitados a criar um conjunto inteligível de relações, como acontece com uma regressão mais básica.  Em vez disso, o aprendizado profundo conta com essas camadas de algoritmos não lineares para criar representações distribuídas que interagem com base em uma série de fatores.  Ao receberem grandes conjuntos de dados de treinamento, os algoritmos de aprendizado profundo começam a ser capazes de identificar as relações entre os elementos.  Essas relações podem ser entre formatos, cores, palavras e muito mais.  A partir daí, o sistema poderá ser usado para criar previsões.  Dentro do Machine Learning e da inteligência artificial, o poder do aprendizado profundo é um resultado da capacidade que o sistema tem de identificar mais relações do que os humanos poderiam, em termos práticos, codificar no software, ou relações que os humanos nem sequer perceberiam.  Depois de um determinado nível de treinamento, a rede de algoritmos pode começar a fazer previsões ou interpretações de dados muito complexos.

As redes neurais convolucionais ultrapassam os humanos em várias tarefas relacionadas à visão, inclusive a classificação de objetos.  Ao receberem milhões de imagens etiquetadas, o sistema de algoritmos consegue começar a identificar o tema da imagem.  Muitos serviços de armazenamento de fotos incluem o reconhecimento facial, orientado pelo aprendizado profundo.  Isso é essencial para o Amazon Rekognition, o Amazon Prime Photos e o Amazon Firefly Service.

O Amazon Alexa e outros assistentes visuais foram projetados para reconhecer uma solicitação e retornar uma resposta.  Embora os humanos possam entender a voz desde muito cedo, só recentemente os computadores se tornaram capazes de ouvir e responder aos humanos.  A variação de sotaques e padrões de fala nos humanos torna esta uma tarefa difícil de ser realizada por máquinas usando a matemática e a ciência da computação mais tradicional.  Com o aprendizado profundo, o sistema de algoritmos pode determinar mais facilmente o que foi dito e qual a intenção. 

O processamento da linguagem natural busca ensinar o sistema a compreender a linguagem, o tom e o contexto humanos.  Isso começa a permitir que o algoritmo faça a distinção de conceitos mais difíceis, como emoção ou sarcasmo.  Esse campo cresce cada vez mais, com empresas buscando automatizar o atendimento ao cliente com bots de voz ou texto, como os usados pelo Amazon Lex.

Geralmente, as compras online envolvem recomendações personalizadas de conteúdo relacionadas a itens que você talvez desejasse comprar, filmes a que poderia querer assistir ou notícias cuja leitura possivelmente fosse do seu interesse.  Historicamente, esses sistemas foram desenvolvidos por humanos que criaram associações ente itens. No entanto, com o advento do big data e do aprendizado profundo, os humanos não são mais necessários, pois os algoritmos agora podem identificar os itens que podem interessar você ao examinar suas compras passadas ou consultas de produtos e comparar estas informações a outras.

>> Saiba mais sobre o MXnet, a estrutura de aprendizado profundo de código aberto, e como você pode começar usá-lo.

 

Comece a usar os serviços de IA da Amazon