Machine learning (ML) está ajudando a resolver todos os tipos de problemas, mas simplesmente soa um pouco inacessível. A maioria das pessoas já ouviu o termo, e muitas não têm certeza exatamente do que significa. Como pode ajudar a resolver problemas de negócios de utilities? <\/SPAN>Mais adiante neste post do blog, veremos três palavras que ajudarão qualquer pessoa a se tornar o que um colega meu chama de compliant com buzzwords em machine learning.<\/STRONG><\/P>Dado o aumento de dados e análises, o termo "machine learning" está aparecendo em todos os lugares. É um subconjunto do campo da inteligência artificial. Isso faz parecer um pouco ficção científica, mas não é. O armazenamento moderno de dados na nuvem e os recursos computacionais têm uma capacidade impressionante para ajudar a resolver questões reais de negócios, particularmente com técnicas de ML. Machine learning usa programas genéricos em vez de criar programas específicos para cada novo desafio de negócio. Esses programas avaliam dados para identificar padrões e então usam esses padrões para formar previsões. Em certo sentido, a máquina, ou computador, aprende com dados sobre experiências passadas e aplica esse aprendizado ao problema em questão.<\/STRONG><\/P>As máquinas aprendem da mesma forma que nós humanos. Alguém frequentemente nos diz o que esperar (algorithm), temos experiências (data), fazemos observações e formamos nossas próprias ideias sobre padrões (training), e então aplicamos esses padrões a experiências futuras. Minha esposa aprendeu a ler meu humor pela minha expressão facial e localização. Mesmo sem conhecimento direto dos meus pensamentos internos, quando faço "aquela cara" na cozinha, ela aprendeu que estou infeliz porque as crianças deixaram seus pratos na pia. Ela observou um padrão e, portanto, faz previsões precisas.<\/P>1. Model<\/STRONG><\/P>No campo do ML, "model" ainda não tem uma definição padrão. <\/SPAN>Pense no model como o sistema que incorpora as técnicas, programas e dados.<\/STRONG> <\/SPAN>É o model que finalmente produzirá resultados. Você pode perguntar sobre o desempenho de um determinado model em um novo conjunto de dados. Se você perguntasse a um cientista de dados se o model estava pronto para resolver seu problema, a resposta poderia ser: "O model ainda não é preciso o suficiente; ainda precisa de mais ajustes."<\/P>2. Algorithm<\/STRONG><\/P>Um algorithm é um procedimento para completar uma tarefa, como uma receita<\/STRONG>. Em ML, é uma abordagem matemática para encontrar os padrões nos dados. O software de ML inclui bibliotecas desses programas genéricos que podem ser usados em seus models. Existem muitos algorithms escritos por matemáticos, cada um com seus próprios pontos fortes e fracos para diferentes situações. Frequentemente têm nomes criptográficos como empirical Bayesian kriging (EBK) ou ordinary least squares (OLS), e algum teste é necessário para encontrar o melhor algorithm para cada aplicação. Treinamento em data science geralmente é necessário para selecionar o melhor algorithm para uma tarefa específica.<\/P>3. Training<\/STRONG><\/P>Training ajuda a diferenciar ML de outros tipos de resolução de problemas. O model é treinado usando um conjunto de dados com resultados conhecidos. Ele aplica o algorithm para analisar os dados de training, encontrando as correlações e padrões nesses dados. <\/SPAN>Uma vez que o model está suficientemente treinado, ele pode então ser usado para fazer previsões em novos dados onde os resultados ainda são desconhecidos.<\/STRONG><\/P>Resolvendo um Problema Real<\/STRONG><\/P>Utilities elétricas ligam e desligam o serviço como parte do negócio normal. Para a maioria dos clientes de utilities, isso não acontece com muita frequência. No entanto, para alguns, essa ação é necessária várias vezes por ano. Isso pode ser devido a pessoas se mudando ou contas de utilities não pagas. Algumas utilities instalam medidores que podem ser ligados e desligados remotamente do escritório, sem a necessidade de enviar um funcionário e um veículo ao local. Esses medidores economizam tempo para o cliente enquanto reduzem custos de transação e impacto ambiental. Como uma utility poderia analisar dados para prever quais clientes se beneficiariam desses medidores mais caros?<\/P>Para abordar esse problema, poderíamos reunir dados de pedidos passados e fazer previsões sobre atividades futuras de ligar e desligar. Os dados poderiam incluir tipo de conta, tarifa, histórico de pagamento, valores das contas, endereço etc. Escolheríamos um algorithm, coletaríamos dados históricos e treinaríamos o model. Esse model poderia então ser usado para examinar contas atuais e prever quais delas provavelmente terão alta demanda por esse serviço no futuro.<\/P>Neste exemplo, como na maioria das preocupações das utilities, informações sobre localização seriam inestimáveis para ajudar a resolver esse problema<\/STRONG>. Entendemos que estudantes universitários ocupam apartamentos conforme o ciclo escolar e depois frequentemente se mudam no verão. Mudanças dos estudantes afetam diretamente os pedidos de serviço elétrico. Se pudéssemos também usar informações de localização, como proximidade às universidades, o model poderia ter desempenho ainda melhor.<\/P>Técnicas de machine learning continuarão evoluindo. À medida que isso acontece, é importante incluir location intelligence em cada etapa do processo. A localização é uma parte natural da preparação dos dados das utilities, treinamento do model e previsões significativas.<\/STRONG> <\/SPAN>Não há maneira melhor de incorporar location intelligence em ML do que com GIS.<\/P>A tarefa de explorar big data é grande demais para análise manual.<\/STRONG> <\/SPAN>Utilities precisam das melhores ferramentas e técnicas para encontrar insights acionáveis nos dados, visualizar os resultados e comunicar claramente o impacto aos stakeholders. A plataforma ArcGIS inclui essas ferramentas junto com poderosas técnicas baseadas em localização para machine learning.<\/P>Da próxima vez que você sair da cozinha e alguém ler sua mente baseado na sua expressão facial, perceba que eles estão usando a mesma técnica do machine learning. Descubra como location intelligence e machine learning podem <\/SPAN>resolver seus desafios empresariais<\/A>.<\/P>
