Projetando interfaces inteligentes: Machine Learning como ferramenta de personalização

Pense em um mundo perfeito onde cada usuário tem uma experiência totalmente única e customizada para o seu próprio perfil; desde publicidade até conteúdo. Tão personalizada que a própria aplicação sabe das suas necessidades e objetivos a ponto de otimizar o tempo de navegação e taxa de conversão em sites de e-commerce. Impossível? Absolutamente não. Descubra como criar aplicações direcionadas a cada perfil de usuário de forma automatizada e, o melhor de tudo, usando nosso tão adorado Node.js.

Transcript

1. 25 de agosto, 2017 Hello BrazilJS. Projetando interfaces inteligentes: machine learning como ferramenta de personalização.
2. Agenda. 1. Era da informação 2. Por que machine learning? 3. Botando em prática 4. Próximos passos
3. Isabella Silveira. Web Engineer @ Huge Beer lover, mãe de cachorro, maths freak, senso de humor peculiar @ vida 3
4. Era da informação. 1
5. Desde os tempos mais primórdios até 2005, os humanos produziram 130 EB (10^18) de informação.
6. 1 B = 1 caracter.
7. 1 MB ~= 873 páginas de texto.
8. 1 GB ~= todas as infos do DNA.
15. Em 2010, esse número pulou para 1200 EB.
17. Em 2015, já eram 7900 EB.
18. A estimativa é que por volta de 2020 serão mais de 40900 EB.
19. 2005 - 130 EB 2010 - 1.200 EB 2015 - 7.900 EB 2020 - ~40.900 EB
21. Meanwhile, em 2017…
22. Produtos e experiências digitais estão cada vez mais sofisticadas e personalizadas.
26. A personalização faz com que o usuário se conecte com o produto na sua própria maneira.
27. Mas como criar essas experiências singulares em grande escala?
28. Como consumir essa quantidade de dados de forma eficiente?
29. Por que machine learning? 2
30. “Machine learning provides computers the ability to learn without being explicitly programmed.” Arthur Samuel, 1959
31. Machine learning. Permite que a máquina aprenda. Com algoritmos de ML é possível parsear dados, aprender com eles e fazer classificações ou predições em massa. Ao invés de criarmos algoritmos cheios de regras específicas para executar uma tarefa, treinamos a máquina com datasets enormes para que ela aprenda como executar a tarefa por si só.
32. 32 Não necessariamente aprender como destruir a raça humana.
33. Com machine learning, podemos usar dados para tirar conclusões sobre uma grande quantidade dados de forma automatizada.
34. Tipos de algoritmos.
35. Tipos de algoritmos. Supervised learning. Existe a etapa de treinamento do algoritmo onde exemplos de entrada e saídas desejadas são apresentados à máquina e assim ela consegue fazer novos tipos de inferência em dados reais a partir desses exemplos. Reinforcement learning. O algoritmo interage com um ambiente dinâmico onde deve executar determinada tarefa. A partir disso são oferecidos feedbacks positivos ou negativos quanto ao desempenho frente à tarefa. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Unsupervised learning.
36. Tipos de algoritmos. Supervised learning. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Reinforcement learning. O algoritmo interage com um ambiente dinâmico onde deve executar determinada tarefa. A partir disso são oferecidos feedbacks positivos ou negativos quanto ao desempenho frente à tarefa. Existe a etapa de treinamento do algoritmo onde exemplos de entrada e saídas desejadas são apresentados à máquina e assim ela consegue fazer novos tipos de inferência em dados reais a partir desses exemplos. Unsupervised learning.
37. Etapas de desenvolvimento.
38. Etapas de desenvolvimento. 1. Escolha do algoritmo adequado. 2. Treinamento do algoritmo. 3. Validação do treinamento. 4. Uso em produção.
39. Aplicações.
40. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
41. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
42. Algoritmos usados para descobrir produtos ou itens dentro do padrão de compra ou preferência do usuário.
43. Approaches.
44. Approaches 1. Collaborative filtering. 2. Content-based filtering.
45. Collaborative filtering.
46. Agrupar usuários em grupos de comportamentos e preferencias similares e realizar recomendações a partir do padrão do grupo.
48. Pedir recomendação de música a um amigo com gosto musical parecido com o seu.
49. Usado pelo Facebook e LinkedIn para recomendação de novos amigos/conexões, por exemplo.
50. Content-based filtering.
51. Cruzam informações sobre os itens com preferências do usuário.
52. Recomenda itens parecidos com os que usuário comprou ou visualizou no passado.
53. Approach usado nas recomendações de filmes da Netflix.
55. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
56. Situações onde temos um grande volume de dados e queremos categorizá-los de forma automatizada.
57. Descobrir se a review de um produto é negativa ou positiva.
58. Usado pelo Gmail para filtrar mensagens de spam da caixa de entrada.
59. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
60. Técnica também conhecida como regressão, consegue prever resultados mais prováveis a partir de dados anteriores.
61. Analisar o comportamento do mercado de ações e prever suas oscilações.
62. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
63. A partir de uma imagem, identificar elementos ou descobrir o que ela representa.
64. Reconhecimento facial do Facebook.
66. https://github.com/bella-silveira/ image-recognition U M E X P E R I M E N TO 66
67. Aplicações 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP .
68. Processamento de linguagem natural, nos permite entender o contexto e comandos de texto livre.
72. Botando em prática. 3
73. O desafio.
74. Construir um sistema EAD com ensino adaptativo.
75. 2 tipos de perfis de alunos foram mapeados: o principiante e o expert.
76. Perfis de comportamento de cada aluno moldam o conteúdo e a forma como ele é exibido na plataforma.
77. Fatores de personalização 1. Profundidade de conteúdo. 2. Forma de consumo. 3. Plano de estudos.
78. Receita do bolo.
79. Adicione um algoritmo de classificação à sua escolha.
80. Nesse caso, escolhi KNN.
82. K = 3
83. Valor de K 10 20 30 40 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 Erro de treinamento Erro de classificação
84. Valor de K 10 20 30 40 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 Erro de validação Erro de classificação
85. Fácil interpretação e pouco tempo de cálculo dos resultados.
86. Colha bastante dados de analytics (ou simule-os para efeito de teste).
87. Dados que qualifiquem o comportamento do usuário.
88. Ex: Tempo gasto do sistema, especificidade do conteúdo ou continuidade no mesmo tema.
89. 89 Uma boa biblioteca.
90. ML.js === s2
91. https://github.com/mljs/ml
92. 5 baldes de paciência.
93. Amor e carinho a gosto ❤
94. O resultado.
95. O resultado • Programei o algoritmo; • Prepararei o dataset; • Realizei o treinamento; • Achei k; • Colhi os resultados; • Usei em produção. Em 7 dias:
96. $ node knnStudentClassify.js Tamanho dataset treinamento = 53 Erros de classificação = 4 ————————RESULTADO————————- Principiantes = 32 Experts = 21
97. Com ML, a experiência de cada usuário pode se aproximar cada vez mais das suas necessidades.
98. Seamlessly.
99. Quanto menos etapas, mais natural é a utilização da plataforma.
100. Tudo isso em pouquíssimos dias :)
102. Machine learning não é rocket science e está ao nosso alcance para aprendizado e contribuição.
103. https://github.com/josephmisiti/ awesome-machine-learning
104. Próximos passos 4
105. Atualmente, a personalização de experiências digitais é uma grande tendência.
106. O aprendizado de máquina chega como um enorme aliado nessa empreitada.
107. Tendências 2018+
109. Com o aumento do poder computacional, algoritmos de ML se tornarão cada vez mais acessíveis.
110. Guerra de plataformas entre Google, IBM, Microsoft e Facebook.
111. Maior procura por profissionais de data science.
112. Machine learning revolucionará a tecnologia como a conhecemos.
113. Done. 25 de agosto, 2017 Projetando interfaces inteligentes: machine learning como ferramenta de personalização.
114. Get in touch. /in/isabellasilveira isabella.silveira.souza@gmail.com @silveira_bells /bella-silveira