O aprendizado de máquina está por trás de cada vez mais a tecnologia que usamos todos os dias - e não é apenas o reconhecimento de voz no Kinect e Cortana ou a tradução futurística de idiomas da Microsoft no Skype.

Toda vez que você recebe informações do seu GPS ou faz uma transação com cartão de crédito ou procura um produto on-line, o aprendizado de máquina está prevendo o melhor caminho, calculando se você provavelmente está usando um cartão de crédito roubado e sugerindo o que mais gostaria comprar.

Até agora você teve que ser uma empresa com os recursos da Amazon ou Yahoo para aproveitar o aprendizado de máquina. Com o novo serviço Machine Learning (ML) Studio em execução no Azure, a Microsoft espera abri-lo a qualquer pessoa que entenda de estatísticas e facilite o uso das previsões dos modelos de aprendizado de máquina que você cria nos aplicativos em que ser mais útil.

"Estou construindo isso para ser fácil o suficiente para um estudante do ensino médio usar", disse o vice-presidente corporativo da Microsoft, Joseph Sirosh, à TechRadar - e ele sabe como o aprendizado de máquina pode ser difícil, tendo construído o mecanismo de recomendação da Amazon..

Com o ML Studio, a Microsoft está oferecendo às empresas acesso às ferramentas usadas internamente. A Microsoft vem trabalhando em aprendizado de máquina há duas décadas, ressalta Sirosh. "Ele está integrado ao Bing, ao Xbox, ao tecido dos produtos mais importantes que temos - incluindo a Cortana. Temos uma enorme experiência com aprendizado de máquina e como fazê-lo na Internet e trazemos muita experiência." no produto ".

Sinos e assobios do ML Studio

Ganhando XP

Você ainda precisará ser um cientista de dados ou pelo menos ter experiência em matemática e estatística para aproveitar ao máximo o serviço, que poderá experimentar na pré-visualização no próximo mês. Mas não foi isso que fez a McKinsey dizer que as empresas não conseguem encontrar as centenas de milhares de cientistas de dados que desejam empregar..

"Não é que as pessoas não existam com o conhecimento de matemática; todos os graduados em engenharia, matemática ou estatística terão algumas das bases para serem cientistas de dados produtivos e pessoas que aprendem máquinas", diz Sirosh. É que eles não têm ferramentas boas, rápidas, baratas e simples para trabalhar.

"Hoje os cientistas de dados precisam conhecer tantas ferramentas complexas; precisam ser engenheiros de dados e matemáticos para fazer as coisas", explica ele, acrescentando que podem precisar de 10 pacotes diferentes para testar modelos de aprendizado de máquina suficientes para resolver um problema.

"E essas ferramentas são extremamente caras e têm uma grande curva de aprendizado; você tem que gastar muito tempo para se tornar produtivo com elas. É um enorme obstáculo..

"O que estamos fazendo aqui é tornar isso muito mais simples; você precisa apenas conhecer seus dados, saber como configurar e estruturar o seu problema e, em seguida, criar o modelo de aprendizado de máquina. E para a implantação, anteriormente você tinha que entregá-lo para a TI ou para um engenheiro com muita experiência de programação sofisticada para ligar Agora o cientista de dados pode fazer isso.

"A maneira como estamos mudando o jogo é que permitimos que você construa esses sistemas escalonáveis ​​na nuvem, capazes de lidar com qualquer carga de transação, que permita realizar implantações sofisticadas com muito pouco esforço e que sejam incrivelmente empoderantes. O que estamos mudando com isso A ferramenta está ampliando o alcance para uma classe muito ampla de desenvolvedores. Você pode conectá-lo a um site e ele simplesmente funcionará! "

Isso está muito longe da complexidade dos sistemas de Big Data, que é parte do motivo pelo qual o relatório do Gartner sobre o hype cycle acabou de dizer que o Big Data não está entregando os benefícios para a maioria das empresas que foram reivindicadas por ele..

"Realmente esperamos extrair grandes dados de sua desilusão", diz Sirosh, "e a razão para essa desilusão é que hoje o big data permite que você armazene dados grandes, mas analisá-los e utilizá-los é incrivelmente difícil, e isso é muito difícil de ligar em sistemas operacionais..

"No final das contas, se você quiser obter um benefício real, terá que conectá-lo a sistemas que realmente afetem os clientes ou ajudem a antecipar as coisas e criar benefícios de maneiras automatizadas. Esse tipo de automação é o que nossa ferramenta realmente se destaca em "