Iniciar teste gratuito
Popular Novos Gêneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Pesquisando...
SoBrief
Inteligência Artificial e Machine Learning para Negócios

Inteligência Artificial e Machine Learning para Negócios

Título traduzido
Título original: Artificial Intelligence and Machine Learning for Business
Transforme previsões de máquinas em decisões empresariais que você possa testar, defender e aprimorar.
por Steven Finlay 2018 192 páginas
4.14
207 avaliações
Ouvir
Imersivo
V2.3
Amazon Kindle Audible
Experimente o Acesso Completo por 3 Dias
Desbloqueie o áudio e muito mais!
Continuar

Principais Lições

Trate a IA como um mecanismo de previsão, não como um funcionário pensante

Padrões se transformam em previsões. O aprendizado de máquina usa algoritmos para encontrar relações nos dados e, em seguida, aplica esses padrões para estimar o que pode acontecer em um novo caso. Um modelo pode prever se uma pessoa que tomou um empréstimo vai pagá-lo, o que um cliente talvez compre ou se um paciente corre risco. A previsão reduz a incerteza; não revela o futuro com certeza. A inteligência artificial é mais abrangente: combina dados, modelos, regras de decisão e ações para realizar tarefas que parecem analíticas ou inteligentes.

A maior parte da IA é especializada. Os sistemas atuais geralmente são IA estreita, desenvolvida para uma tarefa definida, e não para uma compreensão flexível semelhante à humana. Um modelo de crédito não consegue diagnosticar um exame de imagem só porque ambos usam aprendizado de máquina. A pontuação de crédito automatiza decisões de empréstimo desde meados do século XX, enquanto os dispositivos modernos acrescentam mais dados e interfaces mais amigáveis, não consciência.

Análise

A distinção entre um mecanismo de previsão e um agente inteligente é útil porque interfaces sofisticadas levam as pessoas a atribuir compreensão onde talvez ela não exista. Tratar um modelo como uma ferramenta de escopo restrito deixa claro em que se pode confiar que ele faça e o que continua sendo responsabilidade humana: definir a tarefa, interpretar as consequências e decidir quando o sistema não deve agir. A continuidade histórica também é importante. Muitos avanços atuais ampliam ideias estatísticas já estabelecidas, em vez de substituí-las por um tipo de raciocínio completamente novo. A novidade está tanto no alcance e na integração quanto na matemática.

Transforme cada pontuação do modelo em uma decisão de negócio com regras explícitas

Uma pontuação não é uma política. Modelos de classificação estimam a probabilidade de um evento, como uma compra ou um inadimplemento. Modelos de regressão estimam um valor, como gastos futuros. Nenhum dos dois tipos diz a uma organização o que ela deve fazer. Para isso, são necessárias regras de decisão: instruções que relacionem as pontuações do modelo a ações, muitas vezes por meio de um limiar ou de faixas de valores.

As regras incorporam prioridades. Uma campanha de uísque, por exemplo, poderia oferecer um desconto a pessoas com uma possibilidade razoável de comprar, ignorar aquelas com pouquíssima probabilidade de comprar e evitar gastar dinheiro com quem provavelmente compraria de qualquer forma. Mas as regras também devem impedir ofertas a crianças ou a pessoas com dependência de álcool, qualquer que seja a pontuação. Os limites dependem dos custos, dos recursos disponíveis, dos objetivos de negócio e das restrições éticas. Sem uma ação útil associada, até mesmo um modelo preciso é uma previsão cara que não leva a lugar algum.

Análise

Esta é uma expressão prática da teoria da decisão: a mesma previsão pode levar racionalmente a ações diferentes quando os custos, a capacidade ou os valores diferem. Um hospital com consultas limitadas pode priorizar pacientes de alto risco, enquanto um profissional de marketing pode direcionar esforços a pessoas cujo comportamento ainda possa ser influenciado. A distinção crucial está entre prever um resultado e escolher uma intervenção. Uma alta probabilidade de compra não prova que um cupom causou a compra. As organizações devem avaliar se suas ações alteram os resultados, em vez de atribuir ao modelo um comportamento que teria ocorrido de qualquer maneira.

Escolha métodos de aprendizado com base no que os dados realmente podem ensinar

Os rótulos mudam a tarefa. No aprendizado supervisionado, os exemplos incluem tanto as informações disponíveis na época quanto o resultado conhecido. Um modelo pode aprender quais clientes anteriores responderam a uma oferta ou quais pacientes desenvolveram uma condição mais tarde. O aprendizado não supervisionado começa sem resultados conhecidos e, em vez disso, procura estruturas nos dados. No exemplo de cinema do livro, um gerente agrupa espectadores das sessões diurnas por idade e distância do cinema, revelando grupos de estudantes que moram perto e de moradores mais velhos que vêm de mais longe.

As ações também podem ensinar. O aprendizado por reforço ajusta um modelo por meio de feedback sobre o sucesso de suas ações. Um programa de xadrez pode melhorar jogando partidas e avaliando os lances. Essa abordagem é poderosa quando o feedback é rápido e seguro, mas lenta ou arriscada quando os resultados levam anos para aparecer ou quando os erros prejudicam pessoas. O método deve se adequar às evidências disponíveis e ao custo de aprender por tentativa e erro.

Análise

As três abordagens distinguem diferentes tipos de conhecimento, não apenas diferentes softwares. O aprendizado supervisionado responde a perguntas com resultados registrados; o agrupamento descreve semelhanças sem provar o que elas significam; e o aprendizado por reforço otimiza o comportamento por meio de feedback. Nesse último método, a definição da recompensa é especialmente importante: um sistema pode buscar uma meta mensurável e, ainda assim, negligenciar o que as pessoas realmente valorizam. Os grupos do exemplo do cinema ajudam a formular hipóteses sobre os clientes, mas idade e distância, por si só, não estabelecem por que as pessoas vão ao cinema. Os grupos são pontos de partida para investigação, não explicações prontas nem identidades definitivas.

Teste os modelos em casos desconhecidos e avalie-os em relação à taxa básica real

Um modelo pode parecer melhor do que realmente é. Se for testado nos mesmos casos usados para construí-lo, pode ter aprendido particularidades que não se repetem. Uma amostra de validação separada oferece um teste mais justo. O exemplo de doença cardíaca do livro usa 500.000 casos para construir um modelo e outros 500.000 para avaliá-lo. Nesse grupo de validação, cerca de 6% desenvolveram doença cardíaca ao longo de cinco anos.

Avalie a decisão, não apenas a pontuação. Quando o modelo selecionou os 5% de maior risco para um check-up, identificou 62% dos casos futuros; esperava-se que cerca de 74% das pessoas convidadas desenvolvessem a doença. Convidar aleatoriamente 5% identificaria muito menos casos. Medidas como o gráfico de elevação (lift chart) e os ganhos mostram a relação entre encontrar mais casos e concentrar recursos nas pessoas com maior probabilidade de adoecer. A acurácia geral, sozinha, pode induzir ao erro quando o evento é raro.

Análise

O exemplo transforma a avaliação de modelos em uma questão de alocação de recursos, e não em um concurso de métricas técnicas. Uma autoridade de saúde precisa saber quantos casos uma política identifica com determinado número de consultas e, ao mesmo tempo, entender quantas pessoas serão examinadas sem necessidade. Por isso, uma amostra de validação e uma taxa básica explícita são importantes. Um modelo que classifique quase todo mundo como saudável pode ostentar alta acurácia quando a doença é rara e, ainda assim, falhar na tarefa que importa. O desempenho deve ser relatado em termos das decisões que as pessoas realmente vivenciarão.

Escolha modelos transparentes quando a confiança importa, não a acurácia isolada

Modelos diferentes revelam coisas diferentes. Um sistema de pontuação atribui pontos associados a determinadas características. Uma árvore de decisão segue uma sequência de ramificações, como idade primeiro e, depois, tabagismo ou índice de massa corporal. Ambos são relativamente fáceis de explicar. Redes neurais combinam entradas ponderadas em várias camadas e conseguem detectar padrões mais sutis, mas pode ser mais difícil explicar por que uma pessoa específica recebeu determinada pontuação. O aprendizado profundo amplia essa abordagem com mais camadas e é útil em tarefas complexas, como reconhecimento de imagens e tradução.

Ajuste a complexidade ao problema. No exemplo de doença cardíaca, o sistema de pontuação identificou 62% dos casos futuros entre os 5% da população com as pontuações mais altas, contra 55% para a árvore de decisão. Esse resultado não torna os sistemas de pontuação universalmente superiores. A melhor escolha depende do desempenho preditivo, da facilidade de explicação, da regulamentação e das necessidades das pessoas que precisam agir com base no resultado.

Análise

Um pequeno ganho de poder preditivo pode ser um mau negócio se ninguém puder examinar o modelo ou contestar seu resultado. Em contextos de alto impacto, a explicabilidade favorece a confiança, a depuração e a responsabilização; já em aplicações de baixo risco, um modelo menos interpretável pode ser aceitável. A relação de compromisso não se resume a transparência versus acurácia: modelos simples podem deixar passar relações complexas, e modelos complexos podem ser difíceis de governar. Comparar várias abordagens com dados independentes e, em seguida, perguntar o que o ganho adicional de acurácia traz na prática ajuda a manter a escolha do modelo vinculada ao que está realmente em jogo.

Defina o resultado de negócio antes de coletar dados ou treinar algoritmos

Comece pela decisão. Um pedido para identificar os melhores clientes da organização é vago demais para ser modelado. O que significa “melhores”: maiores vendas ou maior lucro? Em que período e no nível individual ou familiar? As respostas determinam qual resultado prever, quais dados serão necessários e se um modelo de classificação ou de regressão é mais adequado. Os cientistas de dados também devem entender como funcionam os bancos de dados, os processos de negócio e as decisões existentes antes de reunir exemplos.

Planeje todo o caminho até o uso. O fluxo de trabalho inclui definir o objetivo, explorar e preparar os dados, construir modelos, validar resultados, estabelecer regras de decisão e planejar a implementação. A preparação dos dados pode exigir corrigir valores ausentes, padronizar categorias e excluir informações desatualizadas, instáveis, indisponíveis ou inadequadas. Um sistema de atendimento ao cliente que reconheça solicitações comuns só é útil se suas respostas forem precisas o bastante, se os encaminhamentos funcionarem e se a economia justificar o custo. A equipe de negócios e os especialistas técnicos precisam tomar essas decisões em conjunto.

Análise

O fluxo de trabalho evita um erro de categoria comum: tratar a construção do modelo como se fosse o projeto inteiro, quando ela é apenas um de seus componentes. Uma meta precisa obriga a discutir o que conta como sucesso, o que pode revelar divergências antes que elas se tornem dispendiosas. Também torna visíveis, desde o início, os requisitos de dados e as limitações operacionais. Isso se assemelha à engenharia de sistemas, na qual um componente é avaliado pelo desempenho dentro do sistema mais amplo, e não isoladamente. Essa disciplina é valiosa mesmo quando o aprendizado de máquina não acaba sendo apropriado; um processo decisório mais claro pode, por si só, revelar soluções mais simples.

Invista em sinais melhores, não em armazéns de dados maiores

Mais dados não significam automaticamente mais valor. Big Data descreve conjuntos grandes, variados e frequentemente mutáveis, que incluem textos, imagens, registros de localização, dados biométricos e informações geradas por dispositivos conectados. Ferramentas como Hadoop e MapReduce podem armazenar e processar grandes conjuntos em vários computadores. Mas a capacidade de armazenamento não é um resultado de negócio. O aprendizado de máquina ou outra análise útil precisa transformar os dados em previsões, segmentos ou decisões.

A qualidade e a adequação são o que mais importa. O livro argumenta que modelos relativamente simples, construídos com informações relevantes e confiáveis, podem superar métodos sofisticados treinados com dados ruins. Em muitos problemas práticos, uma amostra representativa de dezenas de milhares de casos pode capturar a maior parte do benefício de um conjunto de dados muito maior. Os dados devem ser verificados quanto à exatidão, disponibilidade, estabilidade e relevância para as pessoas ou os processos atendidos pelo modelo. Reunir todos os campos possíveis pode aumentar os custos e os riscos à privacidade sem melhorar a decisão.

Análise

A distinção entre dados como ativo e dados como insumo bruto é fundamental para um investimento sólido. O armazenamento pode tornar as informações disponíveis, mas não pode decidir se um sinal é significativo, se seu uso é legal ou se está ligado a uma ação valiosa. Grandes conjuntos de dados também podem ampliar erros e distorções históricas em larga escala. A pergunta prática mais importante não é quanta informação uma organização possui, mas quais dados continuam sendo preditivos quando as condições mudam e podem ser obtidos de forma responsável no momento da decisão. Essa perspectiva evita compras de tecnologia cujos benefícios são descritos apenas em termos de volume.

Audite quem se beneficia, quem corre riscos e quem acaba excluído

O viés pode entrar pelas evidências. Um modelo treinado com decisões passadas pode reproduzir a discriminação embutida nelas. Um modelo de liberdade condicional pode herdar disparidades raciais nos resultados históricos; um chatbot treinado com mensagens abusivas pode repeti-las. Remover uma característica protegida não resolve necessariamente o problema, porque outra variável, como a renda, pode servir de substituta. A acurácia estatística não comprova a justiça.

Avalie as consequências antes de lançar o sistema. O livro propõe examinar quem se beneficia de uma decisão, se os dados descrevem características imutáveis e qual é a importância do impacto. Os maiores riscos surgem quando decisões de alto impacto usam características que as pessoas não podem mudar, em benefício de quem toma a decisão. No âmbito do GDPR descrito neste livro de 2018, as organizações têm obrigações relativas a consentimento, decisões automatizadas significativas, explicações e discriminação injusta. Examine os grupos afetados, ofereça revisão humana significativa quando exigida e monitore os resultados, em vez de confiar em uma única verificação.

Análise

A justiça não é uma propriedade que se possa deduzir de uma pontuação de acurácia. Ela depende do contexto, dos grupos afetados, dos custos dos erros e das soluções disponíveis para quem for prejudicado por uma decisão. As variáveis substitutas tornam esse problema uma questão de projeto e governança, não uma simples tarefa de excluir uma coluna. A perspectiva de três partes sobre os riscos apresentada pelo livro é útil porque torna concreta a análise ética. Ainda assim, a paridade entre grupos, por si só, não resolve todos os casos: taxas iguais de seleção podem ocultar encargos desiguais decorrentes dos erros ou necessidades diferentes. A avaliação deve explicitar essas tensões.

Trate a implementação e o monitoramento como o produto, não a construção do modelo

Um modelo precisa integrar um processo de trabalho. Sistemas ativos aplicam pontuações e regras automaticamente; sistemas passivos enviam recomendações a uma pessoa, que pode ignorá-las. Os sistemas passivos podem falhar quando a equipe rejeita recomendações desconhecidas, como no exemplo de inspeção tributária do livro, em que os fiscais descartaram casos complexos sinalizados por um modelo. O uso bem-sucedido exige sistemas adequados, funções claras para a equipe, governança e um processo para justificar decisões que contrariem as recomendações.

Continue verificando o que muda. O desempenho do modelo pode cair à medida que as relações nos dados mudam, enquanto regras, leis ou informações disponíveis também podem se alterar. O monitoramento contínuo deve testar o desempenho preditivo, os efeitos desiguais e os benefícios de negócio efetivamente obtidos. A discussão sobre carros autônomos ilustra por que demonstrações técnicas não equivalem a produtos confiáveis e irrestritos: situações incomuns nas estradas, infraestrutura, legislação e aceitação pública também importam. A IA pode ser valiosa, mas a promessa de um fornecedor não substitui um problema específico, evidências confiáveis e uma análise de custo-benefício.

Análise

A implementação é o ponto em que o desempenho técnico encontra o comportamento organizacional. Um modelo pode ser preciso e ainda assim não produzir efeito algum se a equipe não conseguir interpretar suas recomendações, se os sistemas não conseguirem executar a ação ou se as pessoas tiverem incentivos para contorná-lo. O monitoramento é igualmente importante, pois o mundo que gerou os dados de ontem pode não se parecer com o de hoje. O exemplo dos carros autônomos mostra, de forma mais ampla, que a capacidade demonstrada em uma situação controlada não garante confiabilidade em um ambiente social complexo. Um projeto-piloto monitorado, com critérios de sucesso explícitos, costuma informar mais do que uma previsão confiante de transformação.

Análise

A contribuição mais útil do livro é insistir que o aprendizado de máquina não é um artefato técnico independente. Trata-se de uma cadeia: um objetivo de negócio se transforma em um resultado mensurável; os dados, em um modelo; as pontuações do modelo, em regras; as regras acionam ações; e o monitoramento verifica se essas ações funcionaram. Uma falha em qualquer elo pode anular uma matemática impressionante. Essa visão sistêmica explica por que a implementação, a cultura organizacional, a qualidade dos dados e a ética merecem tanta atenção quanto os algoritmos. Os exemplos também revelam uma distinção importante entre previsão e intervenção. Um modelo pode estimar quem provavelmente vai comprar, não pagar uma dívida ou adoecer, mas essa estimativa não mostra o que aconteceria se uma organização oferecesse um desconto, negasse crédito ou fornecesse tratamento. A previsão ordena os resultados prováveis; a intervenção pergunta se uma ação específica os altera. Esta última exige evidências sobre as consequências, não apenas sobre correlações. Essa distinção é especialmente importante quando as organizações afirmam que a segmentação ou a automação melhora os resultados para as pessoas avaliadas.

A preferência pragmática do livro por modelos claros e modestos é convincente para muitas decisões rotineiras de negócios. No entanto, a interpretabilidade não é garantida apenas porque um modelo é simples, e uma explicação clara ainda pode descrever uma política injusta ou mal escolhida. Por outro lado, a complexidade não torna automaticamente um modelo inutilizável se seu comportamento puder ser testado e governado. Portanto, a escolha do modelo deve levar em conta o valor preditivo, as consequências operacionais, a explicabilidade e o direito de contestar decisões.

A discussão ética é mais forte quando trata a justiça como uma responsabilidade institucional contínua, e não como uma tarefa pontual de limpeza dos dados. Os registros históricos refletem políticas anteriores, enquanto variáveis substitutas podem reproduzir diferenças entre grupos mesmo depois da remoção de campos sensíveis. Auditar resultados, oferecer meios para contestação humana e examinar quem se beneficia são medidas essenciais, embora nenhuma métrica isolada de justiça resolva todos os conflitos. Em última análise, o livro oferece uma lição gerencial sóbria: a IA cria poder de alavancagem, não discernimento. As organizações precisam fornecer as metas, os limites e a responsabilização que a computação não pode escolher por conta própria.

Resumo em 30 Segundos
O aprendizado de máquina estima resultados prováveis, mas uma pontuação, por si só, não determina o que uma organização deve fazer. Defina primeiro o objetivo empresarial, use dados relevantes e confiáveis e teste os modelos em casos desconhecidos, comparando-os com a taxa-base real. Em um exemplo de doença cardíaca, o rastreamento dos 5% de maior risco identificou 62% dos casos futuros. Pondere a precisão em relação à explicabilidade, à equidade e aos custos operacionais; depois, monitore os resultados e os danos após a implementação.
Contém spoilers

Última atualização:

Reportar Problema

Resumo das Resenhas

4.14 de 5
Média de 207 avaliações do Goodreads e Amazon.

Artificial Intelligence and Machine Learning for Business recebe avaliações positivas por ser acessível a iniciantes e leitores sem formação técnica. Os leitores apreciam suas explicações claras, seus exemplos práticos e seu estilo conciso. Muitos o consideram uma excelente introdução aos conceitos de IA e aprendizado de máquina para gestores empresariais. Alguns avaliadores observam que, embora ofereça uma boa visão geral, talvez não seja aprofundado o suficiente para quem já conhece os conceitos básicos. Alguns leitores sugerem que mais estudos de caso e exemplos de diferentes setores enriqueceriam o conteúdo. De modo geral, o livro é bem avaliado por sua abordagem direta de temas complexos.

Sua avaliação:
4.58
324 avaliações
Quer ler o livro completo?

Glossário

Modelo preditivo

Estimador baseado em padrões

Uma representação matemática das relações encontradas em dados históricos, criada por meio do aprendizado de máquina. Aplica essas relações a novos casos e produz pontuações sobre resultados ou quantidades desconhecidos. A pontuação é uma estimativa, não um resultado garantido, e não determina, por si só, qual ação deve ser tomada.

IA estreita

Inteligência artificial específica para uma tarefa

Um sistema de inteligência artificial projetado para ter bom desempenho em uma área limitada e definida. Um modelo que avalia o risco de crédito, por exemplo, não consegue transferir automaticamente essa capacidade para o diagnóstico de imagens médicas. O livro descreve as aplicações atuais de IA como sistemas estreitos, distintos da IA geral, que poderia se adaptar a muitos domínios, como uma pessoa.

Modelo de classificação

Estimador da probabilidade de um evento

Um modelo preditivo que estima a probabilidade de um evento, geralmente se algo ocorrerá ou não. Entre as aplicações estão prever inadimplência de empréstimos, doenças, fraudes ou a resposta a uma oferta de marketing. A pontuação pode representar diretamente uma probabilidade ou ser convertida para outra escala, como uma pontuação de crédito.

Modelo de regressão

Estimador de quantidade

Um modelo preditivo que estima a magnitude de um resultado, em vez de simplesmente indicar se um evento ocorre. Pode estimar gastos futuros, duração de uma viagem ou o valor de uma possível perda de crédito. Sua pontuação pode ser a própria quantidade prevista ou uma escala transformada, como uma nota ou um percentil.

Aprendizado supervisionado

Aprendizado a partir de resultados rotulados

Uma abordagem de aprendizado de máquina em que cada exemplo contém tanto informações de entrada quanto um resultado conhecido. O algoritmo identifica padrões que relacionam as entradas a esse resultado e, em seguida, usa as relações aprendidas para prever resultados em novos casos. Registros de resposta de clientes e históricos de pacientes com diagnósticos posteriores são exemplos de dados rotulados.

Aprendizado não supervisionado

Identificação de estruturas sem rótulos

Uma abordagem de aprendizado de máquina usada quando os exemplos não têm resultados conhecidos. Em vez de prever um resultado rotulado, ela busca estruturas nos dados, geralmente agrupando casos semelhantes em clusters. Esses grupos podem ajudar na exploração e no planejamento, mas não explicam automaticamente por que as pessoas são semelhantes nem preveem o que farão.

Aprendizado por reforço

Aprendizado por meio do retorno das ações

Um processo de aprendizado em que as ações de um modelo são avaliadas por uma medida de recompensa ou sucesso, e seus parâmetros são ajustados em resposta. Ele pode aprender por meio de tentativas repetidas, como em jogos. Sua viabilidade depende de o retorno chegar com rapidez suficiente e de os erros durante o treinamento serem seguros e comportarem os custos.

Regra de decisão

Instrução que converte pontuação em ação

Uma regra que especifica como uma pontuação de um modelo preditivo deve influenciar o tratamento ou a ação. Um limiar pode determinar quem recebe uma oferta, um exame médico ou uma decisão de empréstimo. As regras de decisão também incluem restrições e exceções aplicáveis independentemente da pontuação, como impedir uma oferta de marketing inadequada.

Amostra de validação

Dados independentes para testar o modelo

Um conjunto de casos mantido separado dos dados usados para construir um modelo preditivo e depois usado para estimar o desempenho do modelo em exemplos desconhecidos. Essa separação é importante porque um modelo pode se ajustar excessivamente aos dados de desenvolvimento e parecer mais preciso do que será no uso real. Amostras separadas no tempo podem testar se o desempenho se mantém.

Gráfico de elevação (lift chart)

Visualização da precisão da segmentação

Uma ferramenta visual que mostra a proporção de casos selecionados que se espera que apresentem o resultado de interesse em diferentes níveis de segmentação. Ela ajuda a comparar uma estratégia de seleção baseada em modelo com a taxa-base da população ou com uma seleção aleatória. Usada junto com um gráfico de ganhos, esclarece a compensação entre concentrar-se nos casos mais prováveis e selecionar mais pessoas no total.

Perguntas Frequentes

Sobre o que trata "Artificial Intelligence and Machine Learning for Business"?

  • Visão geral: O livro de Steven Finlay é um guia abrangente para entender como a inteligência artificial (IA) e o aprendizado de máquina (AM) podem ser aplicados em contextos empresariais.
  • Objetivo: A obra busca desmistificar essas tecnologias para profissionais de negócios, apresentando uma visão geral não técnica de suas aplicações e benefícios.
  • Estrutura do conteúdo: O livro aborda conceitos fundamentais, aplicações práticas, considerações éticas e tendências futuras em IA e AM.
  • Público-alvo: Foi escrito para gestores e líderes empresariais que precisam entender IA e AM sem se aprofundar em detalhes técnicos complexos.

Por que devo ler "Artificial Intelligence and Machine Learning for Business"?

  • Ideias práticas: O livro oferece ideias práticas sobre como a IA e o AM podem impulsionar a eficiência e a inovação nos negócios.
  • Abordagem não técnica: Foi escrito em linguagem não técnica, tornando-o acessível a quem não tem formação em ciência de dados.
  • Relevância empresarial: A obra destaca o impacto da IA e do AM em diversas funções empresariais, do marketing às operações.
  • Preparação para o futuro: Entender essas tecnologias é essencial para manter a competitividade em um cenário empresarial em rápida transformação.

Quais são as principais conclusões de "Artificial Intelligence and Machine Learning for Business"?

  • Definições de IA e AM: Definições claras e distinções entre IA e AM, bem como seus papéis nos negócios.
  • Modelos preditivos: Explicação de como funcionam os modelos preditivos e de suas aplicações na tomada de decisões.
  • Considerações éticas: Discussão das implicações éticas e legais do uso de IA e AM nos negócios.
  • Estratégias de implementação: Orientações sobre como operacionalizar a IA e o AM em uma organização.

Quais são as melhores citações de "Artificial Intelligence and Machine Learning for Business" e o que significam?

  • "A inteligência artificial chegou com força. Não é uma moda passageira e veio para ficar." Isso ressalta a permanência e a crescente importância da IA nos negócios.
  • "O sucesso da inteligência artificial depende de uma relação de mão dupla." Destaca a necessidade de colaboração entre cientistas de dados e profissionais de negócios.
  • "O aprendizado de máquina não é a única maneira de criar modelos do tipo scorecard." Sugere que, embora o AM seja poderoso, existem outros métodos para alcançar resultados semelhantes.
  • "A grande maioria das aplicações de IA depende fortemente de previsões." Ressalta a natureza preditiva da maioria das aplicações de IA nos negócios.

O que são aprendizado de máquina e inteligência artificial (IA), segundo Steven Finlay?

  • Definição de aprendizado de máquina: AM é o uso de algoritmos para analisar dados e descobrir padrões, que podem então ser usados para fazer previsões.
  • Definição de inteligência artificial: IA é a reprodução, por máquinas, das capacidades humanas de análise e tomada de decisões.
  • Interconexão: Embora o AM seja um subconjunto da IA, quase todos os sistemas de IA atuais dependem fortemente do AM.
  • Exemplos práticos: O livro apresenta exemplos como reconhecimento de objetos e modelagem preditiva para ilustrar esses conceitos.

Como funcionam os modelos preditivos nos negócios, segundo "Artificial Intelligence and Machine Learning for Business"?

  • Tipos de modelos: O livro aborda scorecards, árvores de decisão e redes neurais como tipos comuns de modelos preditivos.
  • Geração de pontuações: Os modelos preditivos geram pontuações que indicam a probabilidade de determinados resultados com base nos dados de entrada.
  • Tomada de decisões: As empresas usam essas pontuações para tomar decisões embasadas, como avaliar crédito ou direcionar ações de marketing.
  • Avaliação de modelos: O livro explica como avaliar a precisão e a eficácia dos modelos preditivos.

Por que usar aprendizado de máquina nos negócios, segundo o livro?

  • Precisão e eficiência: Os modelos de AM muitas vezes superam especialistas humanos em precisão e velocidade, o que os torna valiosos para a tomada de decisões.
  • Custo-benefício: Depois de desenvolvidos, os modelos de AM podem ser mais baratos de implementar do que o trabalho humano, apesar dos custos iniciais de desenvolvimento.
  • Decisões sem viés: Modelos de AM bem projetados podem reduzir vieses humanos nos processos de tomada de decisões.
  • Novas oportunidades: O AM permite que as empresas explorem novos tipos de comportamento e oportunidades que antes não eram viáveis em termos de custo.

Qual é a relação entre Big Data e aprendizado de máquina no livro?

  • Dados como combustível: O Big Data fornece a matéria-prima que alimenta o processo de aprendizado de máquina, permitindo criar modelos mais precisos.
  • Tipos de dados: O livro aborda vários tipos de Big Data, incluindo textos, imagens e dados geoespaciais, que podem ser usados no AM.
  • Avanços tecnológicos: Novas tecnologias de armazenamento e processamento de dados tornaram viável lidar com Big Data de maneira eficiente.
  • Valor empresarial: O verdadeiro valor do Big Data se concretiza por meio dos insights e das previsões gerados pelo AM.

Quais considerações éticas e legais são discutidas em "Artificial Intelligence and Machine Learning for Business"?

  • Privacidade de dados: O livro enfatiza a importância de tratar dados pessoais com responsabilidade e em conformidade com leis como o GDPR.
  • Viés e equidade: A obra discute o potencial de viés nos modelos de AM e a necessidade de supervisão para assegurar um tratamento equitativo.
  • Transparência: Há ênfase na necessidade de transparência sobre como os modelos de IA e AM tomam decisões.
  • Estruturas éticas: O livro sugere a realização de avaliações de riscos éticos e o estabelecimento de processos de governança.

Como Steven Finlay sugere operacionalizar o aprendizado de máquina em uma empresa?

  • Necessidades de infraestrutura: O livro descreve a necessidade de uma infraestrutura robusta para integrar modelos de AM aos processos empresariais.
  • Aceitação cultural: Ressalta a importância de promover uma cultura que aceite a tomada de decisões automatizada.
  • Estratégias de implementação: Apresenta estratégias para implementar modelos de AM, incluindo a implantação ativa e passiva de modelos.
  • Monitoramento contínuo: Enfatiza a necessidade de monitorar e atualizar os modelos continuamente para manter sua eficácia.

Quais são as tendências de ponta em aprendizado de máquina, segundo o livro?

  • Modelos avançados: O livro aborda o crescimento do aprendizado profundo e dos modelos de conjunto como ferramentas preditivas mais precisas.
  • Qualidade dos dados: Destaca a importância de dados de alta qualidade para melhorar a precisão dos modelos.
  • Sistemas integrados: A tendência rumo a sistemas dentro do banco de dados que simplificam o processamento de dados e a implantação de modelos.
  • Ferramentas fáceis de usar: Desenvolvimento de ferramentas que tornam o AM acessível a usuários empresariais sem formação técnica.

Quando poderei ver veículos totalmente autônomos, segundo "Artificial Intelligence and Machine Learning for Business"?

  • Situação atual: O livro sugere que, embora os recursos de autonomia estejam se expandindo, os carros totalmente autônomos ainda não estão prontos para uso generalizado.
  • Desafios tecnológicos: Ainda há obstáculos técnicos significativos a superar antes de alcançar a autonomia completa.
  • Barreiras regulatórias e sociais: Fatores legais, econômicos e sociais também contribuem para atrasar a adoção de veículos totalmente autônomos.
  • Perspectivas futuras: Embora haja progresso, o livro recomenda cautela quanto ao cronograma para a chegada de veículos totalmente autônomos.

Sobre o Autor

Steven Finlay é um autor conhecido por seu trabalho no campo da inteligência artificial e do aprendizado de máquina, especialmente por suas aplicações em contextos empresariais. Seu estilo de escrita é elogiado por ser claro, conciso e fácil de entender, tornando temas complexos acessíveis a leitores sem formação técnica. A abordagem de Finlay se concentra em aplicações práticas e nas implicações reais da IA e do aprendizado de máquina em ambientes empresariais. Ele enfatiza a importância de compreender o argumento de negócio para implementar essas tecnologias e aborda considerações éticas. Embora não sejam fornecidos detalhes biográficos específicos, o retorno dos leitores demonstra sua habilidade para explicar conceitos de IA a um público empresarial.

Baixar PDF

Para guardar este resumo de Inteligência Artificial e Machine Learning para Negócios para depois, baixe o PDF grátis. Você pode imprimi-lo ou ler offline quando quiser.
Download PDF

Baixar EPUB

Para ler este resumo de Inteligência Artificial e Machine Learning para Negócios no seu dispositivo ou aplicativo de leitura, baixe o EPUB grátis. O formato digital .epub é ideal para ler e-books em celulares, tablets e leitores digitais.
Download EPUB
Quer ler o livro completo?
Seguir
Ouvir
Início
Swipe
Biblio
App
Experimente o Acesso Completo por 3 Dias
Ouça, salve e muito mais
Comparar Recursos Gratuito Pro
📖 Ler Resumos
Leia resumos ilimitados. Usuários gratuitos recebem 3 por mês
🎧 Ouvir Resumos
Ouça resumos ilimitados em 40 idiomas
—
❤️ Favoritos Ilimitados
Usuários gratuitos são limitados a 4
—
📜 Histórico Ilimitado
Usuários gratuitos são limitados a 4
—
📥 Downloads Ilimitados
Usuários gratuitos são limitados a 1
—
Cronograma Sem Risco
Hoje: Acesso Imediato
Ouça resumos completos de mais de 26.000 livros. São mais de 12.000 horas de áudio!
Dia 2: Lembrete do Teste
Enviaremos uma notificação avisando que seu teste está acabando.
Dia 3: Sua assinatura começa
A cobrança será feita em 25 de nov.,
cancele a qualquer momento antes.
Consume 2.8× More Books
2.8× mais livros Audição Leitura
Nossos usuários nos amam
1M+ leitores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este site é revolucionário. Tenho lido resumos de livros como nunca antes. Recomendo muito, muito mesmo.
— Dave G
Vale o meu dinheiro e tempo, e muito bem feito. Nunca vi essa qualidade de resumos em outros sites. Muito útil!
— Em
Altamente recomendado!! Serviço fantástico. Perfeito para quem quer algo além de uma prévia, mas sem todos os detalhes de um audiolivro completo.
— Greg M
Economize 62%
Anual
$119.88 $44.99/ano/ano
$3.75/mês
Mensal
$9.99/mês
Iniciar Teste Gratuito de 3 Dias
3 dias grátis, depois $44.99/ano. Cancele quando quiser.
Unlock a world of fiction & nonfiction books
Mais de 26.000 livros pelo preço de 2 livros
Leia qualquer livro em 10 minutos
Descubra novos livros como no Tinder
Solicite qualquer livro se ainda não tiver resumo
Leia mais livros do que qualquer pessoa que você conhece
App nº 1 para amantes de livros
Lifelike & immersive summaries
Garantia de reembolso de 30 dias
Baixe resumos em EPUB ou PDF
Cancele a qualquer momento em poucos cliques

Por que só um resumo?

Scanner
Encontre um código de barras para escanear

⭐
⭐
⭐
Temos um presente especial para si
Abrir
38% de desconto
DESCONTO PARA VOCÊ
⭐
⭐
⭐
$79.99
$49.99/ano
Apenas $4.16 por mês
Continuar
Comece com 2 toques e cancele com facilidade
Configurações
Geral
Widget
Carregando...