This is the Trace Id: 54090c451c3ea5f7fbaeb1de1070e199
Avançar para o conteúdo principal
Azure

O que é a aprendizagem automática?

A aprendizagem automática, um subconjunto da IA, utiliza algoritmos para analisar dados, identificar padrões e fazer previsões. Aprende com os dados por si só, melhorando ao longo do tempo.

O que é a aprendizagem automática e como funciona?

A aprendizagem automática, um subconjunto de IA, utiliza modelos matemáticos para ajudar os computadores a aprender com dados sem instruções diretas. Ao utilizar algoritmos para identificar padrões, a aprendizagem automática cria modelos de dados que fazem previsões. As predições melhoram à medida que são recolhidos e analisados mais dados, tal como os seres humanos aprendem com a experiência. Esta adaptabilidade torna a aprendizagem automática ideal para cenários com dados ou tarefas em constante mudança, em que as soluções de codificação seriam impraticáveis.

Principais Conclusões

  • A aprendizagem automática, um subconjunto de IA, permite que os computadores aprendam com dados, identifiquem padrões e façam previsões que melhoram ao longo do tempo.
  • A aprendizagem automática ajuda as organizações a descobrir informações, a melhorar a extração de dados, a melhorar as experiências dos clientes, a prever o comportamento dos clientes, a reduzir os riscos e a diminuir os custos.
  • As técnicas de aprendizagem automática incluem aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem semi-supervisionada, aprendizagem por reforço, aprendizagem profunda, aprendizagem de transferência e aprendizagem de conjunto.
  • Vários setores utilizam aprendizagem automática, incluindo finanças, cuidados de saúde, transporte, suporte ao cliente e agricultura.
  • O processo de aprendizagem automática envolve recolher e preparar dados, treinar o modelo e interpretar os resultados.
  • Ao selecionar uma plataforma de aprendizagem automática, procure funcionalidades como computação na cloud, ambientes de desenvolvimento acessíveis, suporte para estruturas de aprendizagem automática familiares e segurança de nível empresarial.

Como a aprendizagem automática gera ROI

Revela informações

A aprendizagem automática ajuda a identificar padrões ou estruturas em dados estruturados e não estruturados através da análise de dados, revelando informações ativas para tomada de decisões. Também melhora as previsões e adapta-se a novos dados ao longo do tempo.

Melhora a extração de dados

A aprendizagem automática é excelente na extração de dados, que envolve a extração de informações úteis de grandes conjuntos de dados. Leva este passo mais longe ao melhorar continuamente as suas capacidades ao longo do tempo, o que leva a informações mais precisas e a uma tomada de decisões melhorada.

Melhora as experiências dos clientes

Interfaces adaptáveis, conteúdos direcionados, chatbots e assistentes virtuais acionados por voz são exemplos de como a aprendizagem automática ajuda a melhorar as experiências dos clientes. Ao analisar o comportamento e as preferências dos clientes, a aprendizagem automática personaliza as interações, fornece informações oportunas e relevantes e simplifica o suporte ao cliente.

Reduz o risco

Ao aprender continuamente com novos dados, a aprendizagem automática melhora a sua capacidade de detetar e prevenir fraudes, proporcionando uma proteção sólida contra ameaças em evolução. À medida que as táticas de fraude evoluem, a aprendizagem automática adapta-se através da deteção de novos padrões e da prevenção de tentativas antes que tenham sucesso.

Antecipa o comportamento do cliente

A aprendizagem automática analisa os dados relacionados com os clientes para identificar padrões e comportamentos, ajudando as equipas de vendas a otimizar as recomendações de produtos e a proporcionar as melhores experiências possíveis aos clientes. Ao aprender continuamente a partir de novas interações, a aprendizagem automática prevê as necessidades e preferências futuras dos clientes para apoiar um envolvimento proativo e personalizado.

Reduz os custos

A aprendizagem automática reduz os custos ao automatizar processos repetitivos e demorados, permitindo que os funcionários se concentrem em tarefas mais estratégicas e de maior valor. Além disso, os algoritmos de aprendizagem automática otimizam a alocação de recursos e minimizam as ineficiências operacionais ao analisar grandes conjuntos de dados e identificar áreas para melhoria. Isto resulta em poupanças significativas para as empresas.

Como a aprendizagem automática aprende com os dados e faz previsões ou toma decisões

Aprendizagem supervisionada

Utiliza conjuntos de dados com rótulos ou estrutura, em que os dados atuam como um professor e "preparam" o modelo de aprendizagem automática, aumentando a sua capacidade de fazer uma previsão ou tomar uma decisão. O modelo aprende ao comparar as previsões com os resultados reais e ao ajustar em função disso, melhorando a precisão ao longo do tempo.

Aprendizagem não supervisionada

Utiliza conjuntos de dados sem etiquetas ou estruturas, agrupando dados em clusters para encontrar padrões e relações. Esta técnica ajuda a descobrir estruturas ocultas nos dados, tornando-a útil para tarefas como segmentação de clientes e deteção de anomalias.

Aprendizagem semi-supervisionada

Combina dados etiquetados e não etiquetados para formação. Esta técnica é particularmente útil quando a etiquetagem de dados é dispendiosa ou demorada. Ao utilizar os dados não etiquetados, o modelo de aprendizagem automática melhora a sua eficiência e precisão de aprendizagem, tornando a aprendizagem semi-supervisionada uma técnica prática para muitos cenários do mundo real.

Aprendizagem por reforço

Envolve um agente, um programa de computador que atua em nome de alguém ou algo, que substitui o operador humano. O agente determina o resultado com base num ciclo de feedback, aprendendo com os sinais de feedback para melhorar o seu desempenho ao longo do tempo.
Utiliza redes neurais com muitas camadas, denominadas redes neurais profundas, para modelar padrões complexos nos dados. Este subconjunto da aprendizagem automática é particularmente eficaz para o reconhecimento de voz e imagem, e é excelente no tratamento de grandes quantidades de dados e na resolução de problemas complexos em vários domínios.

Transferir aprendizagem

É pré-treinado numa tarefa e depois ajustado numa tarefa relacionada. Esta técnica é útil quando existem dados limitados para a nova tarefa. Ao utilizar os conhecimentos da tarefa inicial, a aprendizagem de transferência melhora significativamente o desempenho e reduz o tempo de formação da nova tarefa.

Aprendizagem de conjunto

Combina vários modelos para melhorar o desempenho geral. Ao agregar as previsões de vários modelos, a aprendizagem em conjunto melhora a precisão e robustez, superando qualquer modelo único.

Como funciona a aprendizagem automática para resolver problemas

Aqui está uma descrição geral passo a passo do processo de aprendizagem automática.

Passos

  • Depois de identificadas as origens de dados, os dados disponíveis são compilados. O tipo de dados  ajuda a informar os algoritmos de aprendizagem automática a utilizar. À medida que o cientista de dados analisa os dados, as anomalias são identificadas, a estrutura é desenvolvida e os problemas de integridade dos dados são resolvidos. Os passos de pré-processamento de dados, como a normalização, o dimensionamento e a codificação de variáveis categóricas, também são efetuados para garantir que os dados estão num formato adequado para a modelação.
  • Os dados formados são divididos em dois grupos: o conjunto de preparação e o conjunto de teste. O conjunto de preparação constitui uma grande parte dos dados e é utilizado para afinar os modelos de aprendizagem automática com a maior precisão possível.
  • Quando o cientista de dados estiver pronto para selecionar o modelo de dados final, o conjunto de testes é utilizado para avaliar o desempenho e a precisão. São calculadas métricas como a exatidão, a precisão, a recuperação e a pontuação F1 para avaliar o desempenho do modelo em dados não vistos.
  • Os cientistas de dados analisam os resultados dos modelos de aprendizagem automática para extrair conhecimentos, tirar conclusões e fazer previsões. Utilizam várias ferramentas e técnicas de visualização, como matrizes de confusão, para interpretar e avaliar o desempenho do modelo.
Principais funcionalidades

O que faz a aprendizagem automática?

Prever valores

A aprendizagem automática prevê valores ao identificar causa e efeito entre variáveis. Os algoritmos de regressão criam um modelo a partir destes valores, que são depois utilizados para fazer previsões. Os estudos de regressão ajudam a prever o futuro, como prever a procura de produtos, prever números de vendas ou estimar os resultados da campanha.

Identificar ocorrências atípicas

Frequentemente utilizados para detetar potenciais riscos, os algoritmos de deteção de anomalias identificam dados fora da norma prevista. O mau funcionamento dos equipamentos, os defeitos estruturais, os erros de texto e os casos de fraude são exemplos de como a aprendizagem automática é utilizada para resolver estes problemas.

Encontrar a estrutura

Os algoritmos de clustering revelam a estrutura subjacente no conjunto de dados, servindo frequentemente como o primeiro passo na aprendizagem automática. Ao categorizar itens comuns, o clustering é amplamente utilizado na segmentação de mercado para informar os preços e prever as preferências dos clientes. Os algoritmos de classificação são utilizados na aprendizagem supervisionada para atribuir etiquetas predefinidas que categorizam com precisão as informações.

O papel dos engenheiros de aprendizagem automática

Os engenheiros de aprendizagem automática transformam dados brutos recolhidos de vários pipelines de dados em modelos de ciência de dados dimensionáveis. Ligam dados estruturados aos modelos definidos pelos cientistas de dados. Também desenvolvem algoritmos e constroem programas que permitem que máquinas, computadores e robôs processem dados e identifiquem padrões. Isto envolve a seleção e implementação de algoritmos adequados, preparação e avaliação de modelos e otimização de hiperparâmetros para otimizar o desempenho.

Para além destas tarefas, os engenheiros de aprendizagem automática pré-processam os dados para os tornar adequados à modelação, implementam modelos em ambientes de produção e monitorizam e atualizam-nos continuamente para manter a precisão e a eficácia. Ao trabalharem em conjunto com os cientistas de dados, fazem a ponte entre a recolha de dados e as informações acionáveis, garantindo que as soluções de aprendizagem automática sejam práticas e impactantes.

Algoritmos de aprendizagem automática

Os algoritmos de aprendizagem automática identificam padrões nos dados através da análise de dados. Ajudam os cientistas de dados a resolver problemas através da previsão de valores, da identificação de ocorrências invulgares, da determinação da estrutura e da criação de categorias. A escolha do algoritmo depende do tipo de dados e do resultado desejado. Geralmente, os algoritmos são classificados por técnica (aprendizagem supervisionada, não supervisionada ou por reforço) ou por função, como classificação, regressão e clustering. Selecionar o algoritmo certo é essencial para aplicações de aprendizagem automática eficazes.

Saiba mais sobre algoritmos de aprendizagem automática.

Aprendizagem automática em vários setores

As empresas de vários sectores estão a utilizar a aprendizagem automática para melhorar as operações, melhorar a tomada de decisões e impulsionar a inovação. Eis alguns exemplos-chave de como a aprendizagem automática é aplicada em diferentes setores.

Banca e Finanças

  • A gestão de riscos e a prevenção de fraudes são áreas fundamentais às quais a aprendizagem automática acrescenta enorme valor no sector financeiro.

Cuidados de saúde

  • Melhorar ferramentas de diagnóstico, apoiar a monitorização em tempo real de pacientes e prever surtos de doenças são alguns exemplos de como a aprendizagem automática ajuda a melhorar o atendimento ao paciente.

Transportes

  • A aprendizagem automática está a transformar o transporte ao identificar anomalias de tráfego, otimizar rotas de entrega e apoiar veículos autónomos.

Suporte ao cliente

  • Responder a perguntas, medir a intenção do cliente e prestar assistência virtual são alguns exemplos de como a aprendizagem automática apoia a indústria dos serviços ao cliente.

Comércio retalhista

  • A aprendizagem automática ajuda os revendedores a analisar padrões de compra, a otimizar ofertas e preços e a utilizar dados para melhorar a experiência geral do cliente.

Agricultura

  • A aprendizagem automática melhora a agricultura ao desenvolver robôs para lidar com faltas de mão-de-obra, diagnosticar doenças de plantas e monitorizar do estado de saúde do solo.

O que procurar numa plataforma de aprendizagem automática

Ao escolher uma plataforma de aprendizagem automática, procure uma solução que forneça estas características críticas para os negócios.
  • Com uma configuração e implementação fáceis, a cloud é ideal para lidar com cargas de trabalho de todas as dimensões, permitindo-lhe ligar as fontes de dados e dimensionar a pedido, sem precisar de conhecimentos avançados.

Ambiente de desenvolvimento intuitivo

  • A plataforma ideal suporta uma variedade de níveis de competências.

Suporte incorporado para estruturas de aprendizagem automática familiares

  • Quer seja Open Neural Network Exchange (ONNX), Python, PyTorch, scikit-learn ou TensorFlow, procure uma plataforma através da qual possa trabalhar com as suas ferramentas preferidas.

Segurança de nível empresarial

  • Escolha uma plataforma que forneça governação, segurança e controlo a nível empresarial para proteger a sua infraestrutura.
Recursos

Descubra mais sobre a aprendizagem automática

Desenvolva as suas competências, comece a trabalhar com o Azure Machine Learning e aproveite os recursos do Azure.
Uma mulher sorrindo enquanto segura um telefone e um homem a segurar uma bandeja.
Azure Machine Learning 

Introdução ao Azure Machine Learning

Uma mulher a apontar para um ecrã de computador e um homem a olhar para o ecrã.
Recursos do Azure

Explore o centro de recursos do Azure

Aceda a vídeos, relatórios de analistas, formação, casos de estudo, exemplos de código e arquiteturas de soluções.
Uma mulher com cabelo castanho a segurar um tablet.
Microsoft Learn

Centro de aprendizagem do Azure AI

Desenvolva as suas competências de IA e aprendizagem automática com planos de aprendizagem autónomos, vídeos e artigos.

Perguntas frequentes

  • Os quatro princípios básicos da aprendizagem automática são a recolha de dados, a formação de modelos, a avaliação de modelos e a implementação de modelos. A recolha de dados envolve a reunir e preparar dados para análise. O treino de modelos utiliza esses dados para ensinar o algoritmo a fazer previsões ou decisões. A avaliação do modelo avalia o desempenho do modelo utilizando métricas como a exatidão e a precisão. Finalmente, a implementação do modelo envolve a integração do modelo treinado num ambiente de produção para fazer previsões ou tomar decisões em tempo real.
  • A regularização em aprendizagem automática é uma técnica utilizada para prevenir o sobreajuste, que ocorre quando um modelo apresenta um bom desempenho nos dados de treino, mas um desempenho fraco em novos dados não vistos. Os métodos de regularização comuns incluem a regularização L1 (Laço) e L2 (Ridge), que adicionam diferentes tipos de penalizações aos parâmetros do modelo. Isto ajuda a melhorar a generalização do modelo para novos dados, o que leva a um melhor desempenho em aplicações do mundo real.
  • Mede a proporção de instâncias positivas reais que o modelo identifica corretamente. Por outras palavras, a revocação responde à pergunta: "De todos os casos positivos, quantos o modelo previu corretamente?"
  • Um exemplo de um modelo de aprendizagem automática é uma árvore de decisões. Uma árvore de decisões é um algoritmo de aprendizagem supervisionado utilizado para classificação e regressão. Ela funciona ao dividir os dados em subconjuntos de acordo com os valores das características de entrada, formando uma estrutura de decisões em forma de árvore. Cada nó na árvore representa uma funcionalidade, cada ramo representa uma regra de decisão e cada nó de folha representa um resultado.
    As árvores de decisão são simples e fáceis de compreender, o que as torna amplamente utilizadas em tarefas como a previsão do comportamento do cliente ou o diagnóstico de condições médicas
  • A aprendizagem automática é um subconjunto de IA. Essencialmente, a IA abrange uma vasta gama de tecnologias e abordagens, como aprendizagem automática, processamento de linguagem natural e robótica. A aprendizagem automática é uma das técnicas chave utilizadas para alcançar a IA, permitindo que os sistemas aprendam e se adaptem automaticamente a partir da experiência, tornando as aplicações de IA mais eficazes e inteligentes.
  • A aprendizagem automática é uma técnica fundamental na análise preditiva, que utiliza dados históricos para prever eventos futuros. Melhora este processo ao identificar padrões e relações dentro dos dados, permitindo previsões mais precisas e dimensionáveis. Os modelos de aprendizagem automática são treinados com dados históricos para aprender padrões subjacentes e podem ser aplicados a novos dados para prever resultados. Ao aprender continuamente, estes modelos melhoram a precisão preditiva, tornando a análise preditiva mais eficaz.
  • Enquanto a aprendizagem automática engloba uma variedade de algoritmos e técnicas para aprender com os dados, a aprendizagem profunda centra-se especificamente na utilização destas redes neuronais profundas para obter um elevado desempenho em tarefas como o reconhecimento de imagens e de voz. Toda a aprendizagem profunda é um subconjunto de aprendizagem automática, mas nem toda a aprendizagem automática envolve aprendizagem profunda.