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
 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 Aprendizado não

supervisionado 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
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.