Projetando interfaces inteligentes v2

Apresentada na Webbr 2017

Transcript

1. Projetando
   interfaces inteligentes
   Machine learning como ferramenta de personalização
   #Webbr2017
   

   View Slide

2. 1.
   Era da informação
   2.
   Por que machine learning?
   3.
   Botando em prática
   4.
   Próximos passos
   

   View Slide

3. Isa Silveira
   Desenvolvedora @Work&Co
   Beer lover, mãe de cachorro, maths freak, senso de
   humor peculiar @vida
   

   View Slide

4. Era da informação
   

   View Slide

5. Desde os tempos mais primórdios
   até 2005, os humanos produziram
   130 EB (10^18) de informação.
   

   View Slide

6. 1B = 1 caracter
   

   View Slide

7. 1MB ~= 873 páginas
   de texto
   

   View Slide

8. 1GB ~= todas as
   informações no
   nosso DNA
   

   View Slide

9. View Slide

10. View Slide

11. View Slide

12. View Slide

13. X
    

    View Slide

14. X
    

    View Slide

15. Em 2010, esse número pulou para
    1200 EB.
    

    View Slide

16. X
    

    View Slide

17. Em 2015, já eram 7900 EB.
    

    View Slide

18. A estimativa é que por volta de 2020,
    serão mais de 40900 EB de dados.
    

    View Slide

19. 2005 - 130 EB
    2010 - 1.200 EB
    2015 - 7.900 EB
    2020 - ~40.900 EB
    

    View Slide

20. X
    

    View Slide

21. Meanwhile, in
    2017…
    

    View Slide

22. Produtos e experiências digitais
    estão cada vez mais sofisticadas e
    personalizadas.
    

    View Slide

23. View Slide

24. View Slide

25. View Slide

26. A personalização faz com que o
    usuário se conecte com o produto
    na sua própria maneira.
    

    View Slide

27. Mas como criar essas experiências
    singulares em grande escala?
    

    View Slide

28. Como consumir essa quantidade
    de dados de forma eficiente?
    

    View Slide

29. Por que
    machine learning?
    

    View Slide

30. “Machine learning provides computers
    the ability to learn without being
    explicitly programmed.”
    Arthur Mitchell, 1959
    

    View Slide

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.
    

    View Slide

32. Não necessariamente
    aprender como destruir a raça
    humana.
    

    View Slide

33. Com machine learning, podemos
    usar dados para tirar conclusões
    sobre uma grande quantidade
    dados de forma automatizada.
    

    View Slide

34. Tipos de
    algoritmos.
    

    View Slide

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
    

    View Slide

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
    

    View Slide

37. Etapas de
    desenvolvimento.
    

    View Slide

38. 1. Escolha do algoritmo adequado.
    2. Treinamento do algoritmo.
    3. Validação do treinamento.
    4. Uso em produção.
    

    View Slide

39. Aplicações.
    

    View Slide

40. 1. Recomendação.
    2. Classificação.
    3. Predição.
    4. Reconhecimento de imagem.
    5. NLP.
    

    View Slide

41. 01
    Algoritmos usados para descobrir produtos ou itens dentro do padrão de compra
    ou preferência do usuário.
    Recomendação
    

    View Slide

42. 01
    APPROACHES
    

    View Slide

43. 1. Collaborative filtering.
    2. Content-based filtering.
    

    View Slide

44. 01
    Agrupar usuários em grupos de comportamentos e preferencias similares e realizar
    recomendações a partir do padrão do grupo.
    Collaborative filtering
    

    View Slide

45. View Slide

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.
    

    View Slide

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.
    

    View Slide

48. Pedir recomendação de música a
    um amigo com gosto musical
    parecido com o seu.
    

    View Slide

49. Usado pelo Facebook e LinkedIn
    para recomendação de novos
    amigos/conexões.
    

    View Slide

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
    

    View Slide

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..
    

    View Slide

52. Approach usado nas
    recomendações de filmes da
    Netflix.
    

    View Slide

53. View Slide

54. 1. Recomendação.
    2. Classificação.
    3. Predição.
    4. Reconhecimento de imagem.
    5. NLP.
    

    View Slide

55. 02
    Situações onde temos um grande volume de dados e queremos categorizá-los de
    forma automatizada.
    Classificação
    

    View Slide

56. Descobrir se a review de um
    produto é negativa ou positiva.
    

    View Slide

57. Usado no Gmail para filtrar
    mensagens de spam da
    caixa de entrada.
    

    View Slide

58. 1. Recomendação.
    2. Classificação.
    3. Predição.
    4. Reconhecimento de imagem.
    5. NLP.
    

    View Slide

59. 03
    Técnica também conhecida como regressão, consegue prever resultados mais
    prováveis a partir de dados anteriores.
    Predição
    

    View Slide

60. Analisar o comportamento do
    mercado de ações e prever suas
    oscilações.
    

    View Slide

61. 1. Recomendação.
    2. Classificação.
    3. Predição.
    4. Reconhecimento de imagem.
    5. NLP.
    

    View Slide

62. 04
    A partir de uma imagem, é possível identificar elementos ou descobrir o que
    ela representa.
    Reconhecimento de imagem
    

    View Slide

63. Reconhecimento facial do
    Facebook, veículos autônomos,
    busca do Pinterest.
    

    View Slide

64. X
    

    View Slide

65. https://github.com/bella-silveira/image-
    recognition
    U M E X P E R I M E N TO
    X
    

    View Slide

66. 1. Recomendação.
    2. Classificação.
    3. Predição.
    4. Reconhecimento de imagem.
    5. NLP.
    

    View Slide

67. 05
    Processamento de linguagem natural, nos permite entender o contexto e comandos
    de texto livre.
    NLP
    

    View Slide

68. View Slide

69. View Slide

70. View Slide

71. Botando em prática
    

    View Slide

72. Construir um sistema EAD com
    ensino adaptativo.
    

    View Slide

73. 2 tipos de perfis de alunos foram
    mapeados: o principiante e o expert.
    

    View Slide

74. Perfis de comportamento de cada
    aluno moldam o conteúdo e a
    forma como ele é exibido na
    plataforma.
    

    View Slide

75. Fatores de
    personalização.
    

    View Slide

76. 1. Profundidade de conteúdo.
    2. Forma de consumo.
    3. Plano de estudos.
    

    View Slide

77. Receita do bolo.
    

    View Slide

78. 01
    Adicione um algoritmo de classificação
    à sua escolha.
    

    View Slide

79. Nesse caso, escolhi KNN.
    

    View Slide

80. View Slide

81. K = 3
    

    View Slide

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
    

    View Slide

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
    

    View Slide

84. Fácil interpretação e pouco
    tempo de cálculo dos resultados.
    

    View Slide

85. 02
    Colha bastante dados de analytics
    (ou simule-os para efeito de teste)
    

    View Slide

86. Dados que qualifiquem o
    comportamento do usuário.
    

    View Slide

87. Ex: Tempo gasto no sistema,
    especificidade do conteúdo ou
    continuidade no mesmo tema.
    

    View Slide

88. 03
    Uma boa biblioteca
    

    View Slide

89. ML.js <3
    

    View Slide

90. https://github.com/mljs/ml
    

    View Slide

91. 5 baldes de paciência.
    

    View Slide

92. O resultado.
    

    View Slide

93. • Programei o algoritmo;
    • Prepararei o dataset;
    • Realizei o treinamento;
    • Achei k;
    • Colhi os resultados;
    • Usei em produção.
    Em 7 dias:
    

    View Slide

94. $ node knnStudentClassify.js
    Tamanho dataset treinamento = 53
    Erros de classificação = 4
    ————————RESULTADO————————-
    Principiantes = 32
    Experts = 21
    

    View Slide

95. Com ML, a experiência de cada usuário
    pode se aproximar cada vez mais das suas
    necessidades.
    

    View Slide

96. Seamlessly.
    

    View Slide

97. Quanto menos etapas, mais
    natural é a utilização da
    plataforma.
    

    View Slide

98. Tudo isso em pouquíssimos dias :)
    

    View Slide

99. View Slide

100. Machine learning não é rocket
     science e está ao nosso alcance
     para aprendizado e contribuição.
     

     View Slide

101. https://github.com/josephmisiti/awesome-
     machine-learning
     

     View Slide

102. Próximos passos
     

     View Slide

103. Atualmente, a personalização de
     experiências digitais é uma
     grande tendência.
     

     View Slide

104. O aprendizado de máquina
     chega como um enorme aliado
     nessa empreitada.
     

     View Slide

105. Tendências 2018+
     

     View Slide

106. View Slide

107. Com o aumento do poder
     computacional, algoritmos de
     ML se tornarão cada vez mais
     acessíveis.
     

     View Slide

108. Guerra de plataformas entre Google,
     IBM, Microsoft e Facebook.
     

     View Slide

109. Maior procura por profissionais
     de data science.
     

     View Slide

110. Machine learning
     revolucionará a
     tecnologia como a
     conhecemos.
     

     View Slide

111. Perguntas?
     

     View Slide

112. Obrigada!
     

     View Slide

113. Get in touch.
     /in/isabellasilveira
     isabella.silveira.souza@gmail.com
     @silveira_bells
     /bella-silveira
     

     View Slide