A próxima grande revolução na tecnologia Machines - the

O potencial da aprendizagem de máquinas para revelar informações ocultas em dados é surpreendente e já faz parte de nossa vida diária.

Entretanto, como o diretor técnico da MediaMonks Michiel Brinkers reflete neste posto, suas possibilidades ainda estão em grande parte inexploradas. Aqui he dá sua visão sobre o que a aprendizagem de máquinas pode significar para o avanço da produção digital criativa e os desafios que precisam ser superados para chegar lá -

Eles estão vindo nos buscar, ou estão?

Para aqueles não familiarizados com a aprendizagem de máquinas (ML), é um tipo de algoritmo que aprende com padrões em dados e depois, baseado no que aprendeu, pode reconhecer e prever padrões similares em novos dados. É uma aplicação de inteligência artificial.

A tecnologia está evoluindo a um ritmo fenomenal e a cada poucas semanas um novo API, papel ou protótipo é lançado, elevando continuamente a fasquia. Atualmente, a maior parte da pesquisa no ML está sendo desenvolvida pelas grandes empresas de tecnologia, como Google, IBM, Amazon e Microsoft. Todas pesquisam o ML há anos e, recentemente, o Facebook também tem dado enormes passos em frente.

Muito trabalho também está sendo feito por universidades, grupos de pesquisa independentes e desenvolvedores individuais. E através da colaboração da Partnership on AI, bem como de projetos de código aberto, as empresas de tecnologia emergentes estão trabalhando ao lado de todas as variedades de engenheiros e tecnólogos criativos para fazer avançar o campo.

Então, o que está nos impedindo?

O primeiro desafio que enfrentamos é que os modelos, que contêm todas as informações necessárias para classificar os dados, são difíceis de criar. São necessários milhares de pontos de dados de entrada classificados para criar um modelo, e a menos que um cliente já tenha os dados corretos disponíveis, é difícil de encontrar. A boa notícia, entretanto, é que nem sempre é necessário criar um modelo completamente novo. Usar um sistema existente, como o Google Vision API, pode de fato ser preferível do ponto de vista de tempo, custo e características. Assim, escolhas inteligentes na abordagem criativa podem geralmente encobrir quaisquer deficiências.

O segundo desafio é corrigir os bugs. O ML pode ser um pouco uma caixa preta, sendo que até mesmo os cientistas muitas vezes só conseguem especular sobre o seu funcionamento interno. Isto significa que consertar bugs é um grande desafio e muito diferente da programação regular. Não é uma questão de simplesmente mudar algumas linhas de código, mas requer um novo ciclo de tentativa, erro e descoberta para desenvolver o modelo certo.

O último desafio é que precisamos aprender como projetar com o ML em mente. Embora as taxas de sucesso de produção possam ser impressionantes, não é perfeito. Por exemplo, a leitura dos lábios humanos tem uma taxa de sucesso testada de cerca de 20%, enquanto o ML tem uma taxa de sucesso de 50%. Portanto, se quisermos construir uma campanha em torno disto, precisamos encontrar uma solução para os 50% restantes.

Com a aprendizagem de máquinas, precisamos levar o usuário em uma viagem e ajudá-los a apreciar o que está acontecendo. Não deve ser uma experiência binária se for para ter impacto, e é preciso haver espaço para erros embutidos no conceito. Portanto, para resolver isso, temos que ser criativos com as ferramentas que temos, e encontrar soluções inteligentes que não quebrem o envolvimento do usuário.

Olhando para o futuro

Para os marqueteiros, o ML pode ser integrado com uma multiplicidade de pontos de contato, incluindo Social, telas DOOH, plataformas e sites de campanha, e pode desempenhar um poderoso papel que influencia a jornada de tomada de decisão do consumidor.

Algumas possibilidades incluem o uso do reconhecimento de objetos para que uma marca possa reconhecer tipos de produtos da concorrência e mostrar ao usuário um produto equivalente em sua linha. Ou, utilizar o reconhecimento de voz para desenvolver interfaces de conversação ou sites controlados por voz.

Para agências digitais, as oportunidades estão na implementação criativa de soluções de aprendizagem de máquinas aplicadas disponíveis, tais como o Google Vision API, TensorFlow, IBM Watson, Microsoft Cognitive Services e API.ai,. Estamos vendo um enorme potencial para clientes e usuários, e estamos particularmente entusiasmados com isso:

• Reconhecimento de objetos: Google Vision, Cloud Video Intelligence, segmentação de imagens, ajudando os cegos a ver as fotos.
• Reconhecimento de voz: sistemas de automação doméstica, websites e aplicativos móveis.
• Processamento de linguagem: Compreensão da linguagem natural e detecção de emoções em texto.
• Reconhecimento de gestos
• Manipulação de redes neurais: Deep Dream, Google Arts & Culture Experiments.

Através de tentativas, erros e implantações, aqui na MediaMonks estamos trabalhando com pesquisadores líderes para explorar o potencial do ML e como podemos construir soluções em escala. Estamos passando rapidamente de uma posição de "achamos que isto é possível" para "sabemos que isto é possível".

Podemos construir experiências serendipitantes através do uso de algoritmos preditivos? Podemos reconhecer tendências de moda baseadas no Instagram e o que as pessoas estão vestindo na rua? Podemos criar consciência através da detecção de cyberbullying? Podemos reconhecer as espécies ameaçadas de extinção que estão sendo vendidas em um mercado?

Os briefs dos clientes que antes estavam fora de alcance estão de repente se tornando uma realidade e estamos entusiasmados. O aprendizado da máquina permitirá us - and others - to criar o trabalho digital mais cativante visto em anos. Basta assistir a este espaço..

Este artigo foi publicado originalmente na HuffPost em 15 de maio de 2017.