São Paulo — InkDesign News — A crescente utilização de machine learning em diversos setores tem gerado insights valiosos sobre a aplicação de experimentos e sua relação com o conhecimento prático em ciência de dados.
Arquitetura de modelo
Inovações recentes em machine learning têm enfatizado a importância de uma arquitetura de modelo bem projetada, onde a adaptação do projeto ao problema é crucial. Estratégias como a transfer learning e redes neurais convolucionais (CNN) têm se mostrado eficazes na redução de tempo de treinamento e melhoria de resultados.
“Acredito que a experimentação ainda é subutilizada e que isso pode ser mais evidente atualmente do que historicamente.”
(“I do think that experimentation is still underused, and may be more underused now than it has been historically.”)— Jarom Hulet, Líder em Ciência de Dados, Toyota Financial Services
Treinamento e otimização
A otimização do treinamento de modelos requer um equilíbrio delicado entre a quantidade de dados disponíveis e a necessidade de resultados rápidos. O uso de dados observacionais pode ser tentador, mas os dados experimentais permanecem como padrão ouro para análises mais rigorosas.
“Algum teste é melhor do que nenhum teste.”
(“Some testing is better than no testing.”)— Jarom Hulet, Líder em Ciência de Dados, Toyota Financial Services
Resultados e métricas
Os resultados obtidos através de práticas adequadas de deep learning têm mostrado um aumento significativo na acurácia em comparação ao uso de métodos tradicionais. No entanto, é crucial não apenas focar na acurácia, mas entender os contextos e restrições de negócios que cercam cada experimento.
“Os aprendizados experimentais devem ser convertidos em valor econômico.”
(“Experimental learnings must be converted into economic value.”)— Jarom Hulet, Líder em Ciência de Dados, Toyota Financial Services
Os próximos passos na pesquisa e na aplicação de técnicas de machine learning incluem o aprofundamento no entendimento prático das métricas de desempenho e potenciais aplicações em cenários do mundo real, visando sempre a maximização do valor para as organizações.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
