Projetando interfaces inteligentes v2

Apresentada na Webbr 2017

Transcript

1. Projetando interfaces inteligentes Machine learning como ferramenta de personalização #Webbr2017
2. 1. Era da informação 2. Por que machine learning? 3. Botando em prática 4. Próximos passos
3. Isa Silveira Desenvolvedora @Work&Co Beer lover, mãe de cachorro, maths freak, senso de humor peculiar @vida
4. Era da informação
5. Desde os tempos mais primórdios até 2005, os humanos produziram 130 EB (10^18) de informação.
6. 1B = 1 caracter
7. 1MB ~= 873 páginas de texto
8. 1GB ~= todas as informações no nosso DNA
13. X
14. X
15. Em 2010, esse número pulou para 1200 EB.
16. X
17. Em 2015, já eram 7900 EB.
18. A estimativa é que por volta de 2020, serão mais de 40900 EB de dados.
19. 2005 - 130 EB 2010 - 1.200 EB 2015 - 7.900 EB 2020 - ~40.900 EB
20. X
21. Meanwhile, in 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?
30. “Machine learning provides computers the ability to learn without being explicitly programmed.” Arthur Mitchell, 1959
31. 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. 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. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. 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. Unsupervised learning Reinforcement learning Supervised learning Tipos de algoritmos
36. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. Uma grande quantidade de dados é alimentada ao algoritmo que então trabalha para descobrir padrões e agrupar tipos similares de dados ou entidades. 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. Unsupervised learning Reinforcement learning Supervised learning Tipos de algoritmos
37. Etapas de desenvolvimento.
38. 1. Escolha do algoritmo adequado. 2. Treinamento do algoritmo. 3. Validação do treinamento. 4. Uso em produção.
39. Aplicações.
40. 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP.
41. 01 Algoritmos usados para descobrir produtos ou itens dentro do padrão de compra ou preferência do usuário. Recomendação
42. 01 APPROACHES
43. 1. Collaborative filtering. 2. Content-based filtering.
44. 01 Agrupar usuários em grupos de comportamentos e preferencias similares e realizar recomendações a partir do padrão do grupo. Collaborative filtering
46. Um desafio é o famoso “cold start”, ou seja, quando você não tem nenhuma informação sobre o usuário ainda pra poder bota-lo em algum grupo e assim fazer recomendações.
47. Outro problema é a escalabilidade, já que quando você tem milhões de usuários cadastrados, agrupa- los e monitorar suas ações requer um poder computacional muito brabo.
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.
50. 02 Cruzam informações sobre os itens com preferências do usuário, fazendo recomendação de itens parecidos com os que usuário comprou ou visualizou no passado. Content-based filtering
51. O maior desafio é a falta de novidades porque você fica recomendando sempre coisas parecidas e precisa de pessoas muito entendidas de cada item pra classificar cada um direito, já que isso afeta a sua recomendação..
52. Approach usado nas recomendações de filmes da Netflix.
54. 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP.
55. 02 Situações onde temos um grande volume de dados e queremos categorizá-los de forma automatizada. Classificação
56. Descobrir se a review de um produto é negativa ou positiva.
57. Usado no Gmail para filtrar mensagens de spam da caixa de entrada.
58. 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP.
59. 03 Técnica também conhecida como regressão, consegue prever resultados mais prováveis a partir de dados anteriores. Predição
60. Analisar o comportamento do mercado de ações e prever suas oscilações.
61. 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP.
62. 04 A partir de uma imagem, é possível identificar elementos ou descobrir o que ela representa. Reconhecimento de imagem
63. Reconhecimento facial do Facebook, veículos autônomos, busca do Pinterest.
64. X
65. https://github.com/bella-silveira/image- recognition U M E X P E R I M E N TO X
66. 1. Recomendação. 2. Classificação. 3. Predição. 4. Reconhecimento de imagem. 5. NLP.
67. 05 Processamento de linguagem natural, nos permite entender o contexto e comandos de texto livre. NLP
71. Botando em prática
72. Construir um sistema EAD com ensino adaptativo.
73. 2 tipos de perfis de alunos foram mapeados: o principiante e o expert.
74. Perfis de comportamento de cada aluno moldam o conteúdo e a forma como ele é exibido na plataforma.
75. Fatores de personalização.
76. 1. Profundidade de conteúdo. 2. Forma de consumo. 3. Plano de estudos.
77. Receita do bolo.
78. 01 Adicione um algoritmo de classificação à sua escolha.
79. Nesse caso, escolhi KNN.
81. K = 3
82. 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
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 validação Erro de classificação
84. Fácil interpretação e pouco tempo de cálculo dos resultados.
85. 02 Colha bastante dados de analytics (ou simule-os para efeito de teste)
86. Dados que qualifiquem o comportamento do usuário.
87. Ex: Tempo gasto no sistema, especificidade do conteúdo ou continuidade no mesmo tema.
88. 03 Uma boa biblioteca
89. ML.js <3
90. https://github.com/mljs/ml
91. 5 baldes de paciência.
92. O resultado.
93. • Programei o algoritmo; • Prepararei o dataset; • Realizei o treinamento; • Achei k; • Colhi os resultados; • Usei em produção. Em 7 dias:
94. $ node knnStudentClassify.js Tamanho dataset treinamento = 53 Erros de classificação = 4 ————————RESULTADO————————- Principiantes = 32 Experts = 21
95. Com ML, a experiência de cada usuário pode se aproximar cada vez mais das suas necessidades.
96. Seamlessly.
97. Quanto menos etapas, mais natural é a utilização da plataforma.
98. Tudo isso em pouquíssimos dias :)
100. Machine learning não é rocket science e está ao nosso alcance para aprendizado e contribuição.
101. https://github.com/josephmisiti/awesome- machine-learning
102. Próximos passos
103. Atualmente, a personalização de experiências digitais é uma grande tendência.
104. O aprendizado de máquina chega como um enorme aliado nessa empreitada.
105. Tendências 2018+
107. Com o aumento do poder computacional, algoritmos de ML se tornarão cada vez mais acessíveis.
108. Guerra de plataformas entre Google, IBM, Microsoft e Facebook.
109. Maior procura por profissionais de data science.
110. Machine learning revolucionará a tecnologia como a conhecemos.
111. Perguntas?
112. Obrigada!
113. Get in touch. /in/isabellasilveira isabella.silveira.souza@gmail.com @silveira_bells /bella-silveira