Meio&Mensagem

13 de março de 2022 - 12h10

Como Chief Technology Officer de uma empresa regulada pelo governo, sempre esbarramos no desafio de inovar e trazer revoluções tecnológicas que não prejudiquem nossas responsabilidades ou normativas do órgão regulador.

Neste espírito, o talk How Covid Changed The Future Of Machine Learning, comandado pelo CEO da Valkyrie Intelligence, Charlie Burgoyne, trouxe uma discussão muito válida sobre um tema que venho vendo sendo muito citado no mercado, o Machine Learning.

Para trazer uma breve introdução sobre o tema existem basicamente hoje no mercado 2 tipos de modelos de Machine Learning: O SML, Static Machine Learning, nesta categoria estão por exemplo os modelos lineares de forecast, os modelos de arvore decisão e os monotonic gradient boosting. O que eles têm em comum? Nestes tipos de modelos conseguimos explicar e trackear exatamente o que aconteceu e como eles chegaram nesse resultado; No outro spectro temos os DML, DML – Dynamic Machine Learning, que são responsáveis pelas famosas Redes Neurais e os Random Forests por exemplo, estas técnicas são consideradas caixa pretas, já que não conseguimos entender nem explicar como chegaram àquela conclusão, porém estes modelos se auto-adaptam e aprendem com muita agilidade trazendo muita eficiência nos resultados.

Antes da pandemia, as companhias que usam algoritmos e/ou machine learning em seus processos contavam somente com SML, já que nossos datasets e comportamento mudavam muito pouco, porém dada a pandemia, o cenário inteiro mudou assim como o comportamento humano e esses tipos de modelos que necessitavam de grandes datasets estáveis passaram a não performar tão bem, gerando espaço  e uma necessidade de utilizarmos os DML.

Como falei, no começo o desafio para mercados regulamentados com este tipo de tecnologia está sempre na capacidade de ser auditada e de “controlada”, aí que vem o grande insight e case de uso mostrado por Charlie Burgoyne.

No talk, ele conta como utilizou modelos de deep learning para encurtar a normatização e features que os modelos de SML precisam para rodar conseguindo assim, por exemplo, mesmo num espectro de pandemia, prever o comportamento de clientes de cartão de crédito dentro do cenário atual em no máximo 6-8 horas após adaptação do modelo.

Este método pode ser usado, por exemplo, em modelos de risco de seguro e/ou crédito. Ainda sim, precisamos conseguir explicar o comportamento e auditar o mesmo, mas precisamos cada vez mais de agilidade e capacidade de adaptação neste momento pós pandemia! 

E por aí já estão usando algum tipo de modelo e se sim já testaram esse mix de SML e DML?