A inteligência artificial preditiva usa análise estatística para identificar padrões, antecipar comportamentos e prever eventos futuros.
A “IA preditiva” torna a análise estatística mais rápida e mais precisa por meio do “aprendizado de máquina”, que depende e é treinado, pelo acesso a grandes quantidades de dados.
De uma forma geral, o propósito da “IA preditiva” é poder ajudar a empresa a personalizar experiências para seus clientes, aumentar a produtividade, eficácia e eficiência.
A IA preditiva é apenas um dos muitos recursos oferecidos pela IA.
Redes Neurais
As redes neurais são os sistemas de computação, chamados genericamente de “nós”, interconectados. que suportam a IA.
O termo neural faz alusão ao funcionamento dos neurônios do cérebro humano.
Usando algoritmos, as redes neurais podem reconhecer “padrões escondidos” e correlações em dados brutos, agrupá-los e classificá-los, e, via repetição de “perguntas e respostas”, comparação de caminhos, ao longo do tempo, aprender e melhorar continuamente.
Redes neural artificial é um ramo dos “modelos de aprendizado de máquina” construídos usando princípios de organização neuronal, descobertos pelo conexionismo nas redes neurais biológicas que constituem os cérebros dos animais.
Aprendizado de Máquina
O aprendizado de máquina é um subconjunto da IA.
É um método de treinamento de programas de computador para identificar e classificar grande quantidade de dados sem intervenção humana.
É um método por comparação.
Monitora uma quantidade de exemplos suficientes de comportamento do usuário interagindo em rede,.
Por exemplo, um site, é uma rede de páginas, que por um modelo de aprendizado de máquina aprende a separar o tráfego automatizado de robôs que fazem atividades artificiais e de controle em rede e geram muito tráfego, do tráfego humano no site, além de mapear o interesse de tráfego, páginas mais visitadas, caminhos de navegação, intenções, quantidade de informações e inportâncias, fluxos de perguntas e respostas e o comportamento de compra.
A teoria de redes e uso de grafos como estrutura de dados é fundamental.
A teoria de rede provê algoritmos e estruturas para modelar o mecanismo de funcionamento inteligente encontrado na natureza, o sistema nervoso e cerebral humano, e à partir daí, resolver problemas, tomar decisões, aprender, comunicar, fazer previsões e predições.
Trabalhar em rede significa trabalhar em time com humanos e máquinas.
A aprendizagem de máquina e fazer predições com grande volume de dados, é apenas uma das “facetas da IA”.
Por exemplo, dados de uma cadeia de valor de um negócio, podem alimentar um modelo de aprendizado de máquina e aprender e identificar caminhos e riscos.
Da mesma forma, uma grande quantidade de fotos de um ambiente podem predizer que um céu “vermelho” significa certos tipos de tempestades.
Na IA preditiva, que pode estar incorporada a qualquer domínio de conhecimento e atividade, o aprendizado de máquinas é aplicado às vastas coleções de dados descritas anteriormente, tendo uma rede de redes como estrutura.
Um modelo preditivo de IA é mais uma “ferramenta estatística” que pode processar grandes conjuntos de dados com ou sem supervisão humana.
R2 … Medida de Ajuste de Modelo
É uma medida de regressão para representação de conjunto de dados.
A medida R2 é definida como: “percentual de variação de resposta explicada pelo modelo”.
R2 = 1 – ( “soma dos quadrados do erro”) / (total dos quadrados da variação).
Onde:
erro … é a variação que não é explicada pelo modelo.
variação … é a variação explicada pelo modelo
Quanto mais alto for R2 (ou mais próximo de 1), melhor é o ajuste do modelo aos dados.
Mesmo com R2 igual a 100% a predição do modelo não necessariamente predirá bem as novas observações.
Sempre irão existir outras variáveis estatísticas que emergem e tornam a busca mais heurística – com decisões não racionais, ou não consideradas no modelo.
Diante disso, o número de preditores (parâmetros) influi e, quanto mais, melhor para o R2.
Em decorrência, amostras pequenas são insuficientes para analisar a ”relação” preditores e resultados.
A metodologia funciona com um grande volume de dados para autorefinar os parâmetros e seus pesos em rede.
Outra decorrência desses conceitos é que o indicador R2 só deve ser usado e ser efeitivo, com modelos com mesmo número de preditores (tamanho do modelo).
Em termos de aplicação, para modelagens com alto nível de precisão é necessário de 40 a mais preditores, “segundo pesquisas”.
Esse o tipo de modelagem estatística é baseada na “qualidade de ajustes” através de preditores (parâmetros) e hiper preditores (super parâmetros) conectados em rede.
As redes de computadores, redes www, redes sociais, redes neurais, etc, são todas fundamentadas pela “teoria de redes” compostas por preditores – pessoas e máquinas inteligentes.
Esse pensamento está na base da Ciência Cognitiva e Inteligência Artificial.
