O documento discute as tendências e tecnologias emergentes em machine learning, incluindo como machine learning se conecta a temas como internet das coisas, cidades inteligentes e saúde. Também aborda conceitos como deep learning, aplicações de machine learning e desafios éticos emergentes.

1. Tendências e
tecnologias emergentes
em Machine Learning
Hélio Silva
Big Data Week Abril/2014

2. Como ML se conecta aos
temas desse Big Data Week
 Internet das Coisas
 Segurança patrimonial
 Edifícios inteligentes
 Consumo de eletricidade
 Monitoramento ativo em processos produtivos
 Em Refinarias pode gerenciar flares e outras partes do processo
 Quantified Self
 Administração dos níveis glicêmicos para diabéticos
 Monitoramento ativo e intervenção em pacientes de risco
 Frequência cardíaca, arritmias
 Smart Cities
 Distribuição de água
 Mobilidade urbana
 Administração de áreas de risco
 Prevenção de catástrofes naturais (deslizamento de terra, sismos, enchentes, tsunamis
etc)

4. As máquinas inteligentes
serão más?
Stop Dave, stop.

5. • Google inicia projeto Google Brain com apoio do
professor Andrew NG, da Stanford University
• Google compra DeepMind (US$ 650-800 Milhões)
• Facebook forma sua equipe de Deep Learning liderada pelo
professor Yan LeCum, da New York University
• Netflix cria sua equipe de Deep Learning para melhorar
recomendações
• Yahoo compra Lookflow para adicionar inteligência ao Flickr
• Bill Gates diz que se tivesse 20 anos estaria estudando Deep
Learning
• New York Times monta equipe de Deep Learning para manter
assinantes
Alguns eventos recentes

6. Disposição de investimento
 Senseta, uma empresa colombiana de Big Data,
venceu em 2013 o último rally da TNW.COM para a
América Latina. Competiu com outras 16 startups
 Cloudera obteve US$ 900 Mil em investimento e
aliou-se a Intel em 2014
 MongoDB captou US$ 150 Mil em 2013
http://thenextweb.com/voice/2013/08/29/and-the-winner-of-
tnws-startup-rally-in-latin-america-is-senseta/

7. Machine Learning
• Ramo da Inteligência Artificial
• algoritmo que a partir de uma experiência (E) resolve uma
tarefa (T) com uma regra de mensuração (M)
• A medida que resolve com sucesso a tarefa (T), através de
das regras de mensuração (M), melhora a sua experiência
(E)
• Tipos de aprendizado
• Supervisionado – Tipos de informação são ’explicados’
• Não supervisionado – ‘Aprende’ sozinho
• Semi supervisionado
• Recompensa

8. ML X algoritmos tradicionais
Machine Learning
 Opera com uma base de
conhecimento
 Infere uma resposta
comparando e mensurando
dados desconhecidos com
sua base de conhecimento
 Conforme sua base de
conhecimento se ajusta
(fitting) as respostas se
tornam mais precisas. A
resposta muda
Tradicional
 Regras predefinidas
 Reage de acordo com o que
o desenvolveu programou,
sempre da mesma forma
diante dos dados (if/else)
 Muda de reação aos dados
através de alterações no
código. (alto custo $)

9. Machine Learning - Aplicações
• Sistemas de recomendação (RecSys)
• Search Engine (Google Hummingbird / pageRank)
• Análise de Sentimento e Monitoramento de Redes Sociais
• Prevenção ao cancelamento de assinaturas (customer churn)
• Promoções e anúncios em tempo real (Omni Channel
Marketing)
• Visão de máquina
• Intepretação da linguagem natural (NLP)
• Classificação e categorização de textos e informações
• Diagnóstico de anomalias ou mudanças de padrões

10. Machine Learning
• A partir de um aprendizado prévio, o algoritmo dá uma
reposta sem intervenção humana:
• Timming Correto
• Efetiva
• Pertinente
• Adequada
• Inteligente

11. Exemplo de Sistema de
Recomendação

12. Deep Learning
• Uma nova geração de algoritmos de Machine Learning
• Deep neural networks, convolutional deep neural networks e deep
belief networks
• Em grande parte, evoluções do conceito de redes neurais que
funcionam imitando o funcionamento do cérebro humano e sua
rede de neurônios
• Algoritmos que aprendem sozinhos (não supervisionados)
• Resultados surpreendentes em:
• Processamento linguístico (interpretação de ambiguidades)
• Reconhecimento da fala
• Tradução
• Visão de máquina (expressões humanas, humor, sentimento)
• ‘Compreensão’ e interação com sistemas com regras finitas (jogo
pong ou games)

13. Ferramentas de modelagem e
formulação de algoritmos
 R e Rstudio
 Octave / MathLab
 iPython (bibliotecas scikit learn, nltk, pandas etc.)
 Gephi – Grafos e análise de redes – Open Source
 Neo4J - Grafos e análise de redes –
Comercial/Comunidade

14. ML em Produção
 Mahout: Biblioteca Open Source, faz parte do
ecossistema Hadoop (Java)
 Spark Mlib: Open Source, faz ecossistema Spark (API
Scala, Java e Python)
 GraphLab: Open Source e comercial (API para Python)
 Prediction.IO: Open Source Machine Learning Server
(API)
 Mortar é FreeMiun (SaaS - Freemium)

15. Favorecem Deep/Machine
Learning nesse momento
• Grandes volumes de dados para formar o aprendizado dos
modelos
• Fácil formação de clusters com computadores de prateleira
• Computação em nuvem e sua característica elástica
• Avanços em performance no harwdare com o uso de GPU-
Graphic Processor Unity, discos SSD, multíplos cores etc
• Ampla gama de softwares e ferramentas disponíveis com
muitas opções open-source
• Aprendizado (humano) on-line com Mooc’s, tutoriais,
comunidades etc

17. Oportunidades Deep Learning
• Data Rental para treinamento de modelos (DaaS)
• Serviços de análise de base de clientes produzindo
acurados perfis e hábitos de consumo
• Pesquisas de sentimento e reação sensorial com
análise de expressões faciais
• Etc

18. Mercado no Brasil
 Operação Chaordic na AWS
 ~5TB de Banco de Dados
 Mais de 1 Bi requisições/mês na API
 67 mil RPM – Black Friday
 4 milhões de produtos
 34 milhões de recomendações geradas/dia
 27 milhões de usuários
 250GB de DS comprimidos servidor/dia

19. Mercado no Brasil
..”Adam Burgh, da baby.com.br, revela que a empresa investe em um
sistema de inteligência e monitoramento das compras. Com essa
tecnologia, a loja procura se adiantar às necessidades de cada cliente.
"Estamos sempre coletando os dados para identificar o perfil da mamãe e
a idade do bebê. Se a mãe está comprando uma fralda 'G', conseguimos
saber que a próxima compra é uma cadeira de alimentação", conta.”
http://bit.ly/17Chl6d

20. Boo-Box 1 bilhão de ads mensais com AWS
Mercado no Brasil

21. Roadmap
• Criação de laboratórios de pesquisa e inovação
 Estatísticos / Físicos / Astrônomos / Músicos
 Engenheiros de software
 Arquitetos de solução
 Formação interna e criação de expertise
• Acompanhamento de papers e evolução do conceito no
meio acadêmico e comercial

22. Promessas do Deep Learning
 Compartilhamento e transferência de atividades
intelectuais entre homem e máquina
 Novos níveis de personalização da experiência do
consumidor
 Novas oportunidades de ofertas, anúncios e promoções
 Engajamento 2.0
 A personalização das lojas físicas em função do seu
público
 Personalização do ensino

23. Sociedade enfrentará novas
questões éticas

24. Mais informações
 Linkedin: Grupo Big Data e Machine Learning no Brasil
 MOOC’s do Coursera
 Machine Learning – Stanford – Andrew NG
 Neural Networks for Machine Learning – Univ. Toronto
 Computing for Data Analysis – Johns Hopkins University
 Social Network Analysis – Univ. Michingan
 Core concepts in Data Analysis – Higher School of Economics
 Unicamp
 UFSCar
 Prof.: Estevam Rafael Hruschka Junior
(http://www2.dc.ufscar.br/~estevam/)

25. Obrigado!!!
http://br.linkedin.com/in/helioss/
Hasta la
vista,
baby.