O documento discute redes neurais artificiais e como elas podem ser usadas para classificar perfis de risco. Explica como uma rede neural pode ser treinada usando diferentes pesos e como os erros são usados para ajustar os pesos para melhorar os resultados da classificação.
37. Perfil de risco:
Redes Neurais Artificiais.
SEXO IDADE E. CIVIL USA P/ TRABALHAR FILHOS
M JOVEM SOL SIM NAO
M ADULTO SOL SIM NAO
F ADULTO CAS SIM SIM
M IDOSO CAS NAO SIM
F JOVEM SOL SIM NAO
M JOVEM CAS SIM SIM
F IDOSO CAS NAO SIM
41. Redes Neurais Artificiais.
Case: Como treinar?
- Não existia volume suficiente de dados para treinamento;
● Definimos um conjunto de regras “estáticas” para relacionar os candidatos e
as vagas de emprego. Atribuímos um peso para cada informação do
currículo do candidato.
● Também adicionamos um “fator de relevância”, que crescia de acordo o
“feedback” dos usuários. Essa informação foi utilizada para calcular a
“similaridade / aderência” do candidato a vaga.
44. Redes Neurais Artificiais.
Case: Resultados
● No início o sistema se baseava em regras estáticas para recomendação,
após um período de uso passou a recomendar candidatos de acordo com
as subjetividades / critérios de cada empresa;
● Trouxe mais agilidade e assertividade ao processo de contratação.
● Mesmo que as subjetividades / critérios de contratação mudem, o sistema
será capaz de se adaptar ao novo cenário.
45. Redes Neurais Artificiais.
Cuidados:
● Treinamento:
● Treinamento on-line nem sempre é possível;
● Algumas API's não oferecem acesso ao conhecimento da rede neural
(vetores), neste caso é preciso serializar objetos para o repositório de
dados;
● Importante separar seu conjunto de dados entre treino e teste (Cross
Validation). Essa é uma forma de avaliar a capacidade de generalização
da rede neural;
● Tuning:
● Eliminar redundâncias do conjunto de treino;
● Algumas API's não permitem “parametrizar” variáveis internas do
algoritmo, que poderiam melhorar o desempenho e performance.
46. Redes Neurais Artificiais.
Conclusões:
● Seu sistema pode começar com regras “estáticas” e “aprender” com os
usuários, dando mais relevância às regras “aprendidas”.
● O “treinamento contínuo” trazido pelos mecanismos de feedback permite
que as aplicações acompanhem as tendências / mudanças do negócio. Isso
aumenta a efetividade do sistema e diminui o número de “chamados” ao TI
para acrescentar “regrinhas” :)
● API's são estáveis bem documentadas, no entanto você pode “sofrer” com a
falta de parametrização e o acesso aos dados internos do algoritmo.
● A escolha do algoritmo de aprendizado de máquina não precisa se restringir
às RNA. Existem outros algoritmos com melhor performance em problemas
específicos.