Fase I - Estudo
Título da Idéia
Sistemas autônomos de recomendação e decisão: prospecção para a aplicação no negócio
Objetivos
A pesquisa objetiva encontrar aplicações desses sistemas em Telcos no sentido de trazer benefícios à empresa
Conceito
Um sistema autônomo é autossuficiente, ou seja, executa suas atividades de forma independente, sem o auxílio de fator externo. Nesse contexto, existem aqueles capazes de recomendar itens — que podem ser notícias, produtos, música e até pessoas — e aqueles capazes de tomar decisões ou que indicam qual a melhor decisão a ser tomada em determinado contexto.
Características
Composição de um Sistema de Recomendação:
Um sistema de recomendação é composto pelos seguintes componentes principais: usuários, objetos, avaliações e um modelo. Os usuários são quaisquer pessoas cujos comportamentos são gravados para treinar o sistema ou que recebem recomendações. Os objetos são, por sua vez, os itens a serem recomendados, sejam eles documentos, filmes, livros e outros. Os sistemas de recomendação são desenvolvidos a partir de técnicas de software que fornecem sugestões de itens a um usuário. A intenção é ajudar os usuários nos processos de tomada de decisão. Quando se pensa no contexto do negócio, por exemplo, em quais produtos comprar, quais filmes assistir ou quais notícias ler. Avaliações dizem respeito a uma medida quantitativa de utilidade oriunda de um par formado por usuário e objeto, podendo ser uma nota dada a um objeto pelo usuário, por exemplo. Tais avaliações podem ser explícitas, quando há feedback direto do usuário, ou implícitas, quando são registradas informações de comportamento do usuário como, por exemplo, número de cliques. Por fim, os modelos são utilizados para processar as avaliações ou dados de comportamento e fazer recomendações baseadas no resultado (GADEPALLY et al, 2016).
Técnicas de recomendação:
Tendo em foco as características de um Sistema de Recomendação, pode-se destacar as técnicas ou modelos de geração de recomendação mais difundidas:
- Filtragem Colaborativa:
Parte do princípio de que, se os usuários tiverem avaliado itens com notas parecidas, possivelmente, seus gostos são similares. Além disso, informações em comum de perfis podem indicar similaridades entre usuários, o que levaria o sistema a indicar itens em comum para usuários com tais perfis. Os usuários, nesse caso, são geralmente agrupados como vizinhos próximos. Essa abordagem não analisa os itens em si e é geralmente utilizada em sites de e-commerce. Sites da Amazon e o Google News são exemplos de aplicações web que utilizam essa técnica.
- Filtragem Baseada em Conteúdo:
Nesta abordagem, o foco é dado às características dos itens. A utilidade de um item qualquer para um usuário qualquer é calculada a partir das utilidades de itens similares àquele em questão para o mesmo usuário, que avaliou tais itens similares anteriormente.
- Abordagens Híbridas:
A união de características das abordagens anteriores formam técnicas híbridas que objetivam mais eficiência de recomendação. Pode-se, por exemplo, usar pesos para cada tipo de filtragem com intuito de valorizar itens mais acessados, ter listas resultantes do uso de cada abordagem e uní-las e usar Machine Learning para prever qual item o usuário poderá gostar. O serviço de streaming da Netflix é um exemplo de sistema híbrido de recomendação, cuja função é recomendar filmes ou conteúdos aos usuários.
Modelos de Machine Learning:
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
De acordo com Cohen (2019), para resolver um problema com Machine Learning são requeridas duas etapas aprendizado e previsão. Na fase de aprendizado, o algoritmo de Machine Learning, com dados de input, gera um modelo treinado, cuja responsabilidade é resolver um problema específico na fase de previsão. A resolução geralmente é a classificação, regressão ou clusterização de novos dados. A figura a seguir demonstra como ocorre esse processo:
Abaixo é apresentado um caminho que permite ao interessado selecionar o modelo mais indicado para solucionar problemas que envolvam análise de dados. A ferramenta scikit-learn da linguagem Python permite o uso desses modelos de Machine Learning e pode, portanto, ser aplicada na criação de Sistemas que possam ter capacidade de decisão ou recomendação autônomas, ao serem alimentados por dados.
De fato, os modelos de Machine Learning são aplicados em diversas áreas de conhecimento. No estudo para classificação de textos árabes de Hassanein e Nour (2019), por exemplo, foram testados, quanto ao desempenho, os modelos Naïve Bayes (NB), Árvores de Decisão, CART e KNN. Já Ed‑daoudy e Maalmi (2019) utilizaram uma versão adaptada e mais rápida da Árvore de Decisão em um sistema, visando prever condições de saúde, relativas a várias doenças, baseando-se em dados de dispositivos IoT oriundos de sistemas de saúde. Por fim, Sun e outros (2019), discutem as técnicas de Machine Learning mais importantes e as dificuldades existentes, quando aplicadas em Redes sem fio ou Wireless Networks, principalmente quando discutem o avanço do 5G e a necessidade de que nós da rede tenham autonomia na tomada de decisões, tendo como base observações locais.
Aplicações de ML voltadas para sistemas autônomos na indústria Telco
Referências Bibliográficas
Estudo Dirigido
Coloque aqui o plano de estudos bem como as possíveis fontes de informação.
Fase II - Ensino
Conteúdo
Desenvolva um conteúdo que possa transmitir o conhecimento adquirido para outros Crie um material (Wiki, PDF, PPT, ...) que possa ser armazenado e facilmente atualizável
Apresentação
Apresente ao grupo (reunião, EAD, Blog, ...) Publique aqui
Metodologia
Descrevas as metodologias usadas. Alguns exemplos:
Estratégia de Job Rotation Estudos básicos para conhecimento do potencial Estudos básicos para entendimento sobre o problema Estudos para dar base aos pesquisadores Benchmarking com empresas estrangeiras Aceleradoras de empresas Adoção de novas tecnologias Utilização da proposta de soluções Open-source Priorização no desenvolvimento interno Foco na não dependência de fornecedores Prática de formação dos talentos necessários
Fase III - Exemplo de Caso de Negócio
Product Backlog
Descreva os requisitos deste projeto
Benefícios para quem for oferecer esta solução
Descrever em tópicos os benefícios que uma pessoa ou uma empresa podem obter: ganhos, receitas, novos negócios, novos produtos, novas parcerias
Benefícios para o usuário
Descrever em tópicos os benefícios para os usuários desta solução.
Pode se inspirar no Canvas.
Direcionadores chave para esta iniciativa
Descrever em tópicos o que esta iniciativa pode proporcionar
Possíveis modelos de negócios
Descrever em tópicos os possíveis modelos de negócios
Business Case
Descrever um exemplo de negócio que permita avaliar a solução comercialmente
Alinhamento com Lei do Bem
- Projeto possui algum elemento tecnologicamente novo ou inovador?
Elemento tecnologicamente novo ou inovador pode ser entendimento como o avanço tecnológico pretendido pelo projeto, ou a hipótese que está sendo testada
- Projeto possui barreira ou desafio tecnológico superável?
Barreira ou desafio tecnológico superável pode ser entendido como aquilo que dificulta o atingimento do avanço tecnológico pretendido, ou dificulta a comprovação da hipótese
- Projeto utiliza metodologia/método para superação da barreira ou desafio tecnológico?
Metodologia/método para superação da barreira ou desafio tecnológico pode ser entendido como aqueles atividades que foram realizadas para superação da barreira ou do desafio tecnológico existente no projeto
- Projeto é desenvolvido em parceira com alguma instituição acadêmica, ICT ou startup?
Se sim, o desenvolvimento tecnológico é executado por associado ou por alguma empresa terceira? qual o nome da empresa? Anexar cópia do contrato
Fase IV - Protótipo orientado ao Negócio
Escopo
Explique o escopo deste protótipo
Limitações
Informe sobre as limitações técnicas, comerciais, operacionais, recursos, etc.
PoC
Desenvolva um PoC (Proof of Concept)
Detalhamento Técnico
Descreva especificamente os aspectos técnicos desta pesquisa
Cronograma Macro
Histórico
- 28/02/2020: Início do desenvolvimento textual a partir dos estudos (Conceito);
- 25/03/2020: Revisão bibliográfica para embasar escrita;
- 09/04/2020: Continuação de revisão;
- 13/04/2020: Definição do objetivo;
- 14/04/2020: Início da escrita de 'Características';
- 16/04/2020: Continuação da escrita das Características;
- 22/05/2020: Conversa com especialista para apontar tópicos essenciais para o estudo dirigido;
- 26/05/2020: Execução de revisão bibliográfica com pelo menos 20 artigos sobre modelos de Machine Learning potencialmente utilizáveis em Sistemas de Recomendação e Decisão. A ideia é montar o estudo dirigido com base nas discussões com o especialista, um profissional da área e conhecimento adquirido com os artigos;
- 23/06/2020: Escrita sobre modelos de Machine Learning, que geralmente são a base para o funcionamento de sistemas autônomos;
- 25/06/2020: Incremento: caminho para se escolher o modelo de machine learning mais indicado. Resumo de aplicações desses modelos em diversas áreas, com destaque para a autonomia de nós de Redes 5G;
- 26/06/2020: Conversa marcada com especialista em Data Science, Danilo da DataSprints. Conversaremos sobre Data Science e Sistemas Autônomos;
Pesquisadores
- Arthur Filipe Sousa Gomes
- Henrique Amaral