09. Inteligência Artificial e Machine Learning aplicados ao BI

IA pode ampliar o BI com previsão, classificação, descoberta de padrões e apoio à interpretação. Para criar valor, o modelo precisa responder a uma decisão concreta e operar com dados disponíveis e adequados. O capítulo conecta conceitos de aprendizagem, avaliação, arquitetura de dados e ciclo de vida, incluindo os limites que devem acompanhar o uso de previsões.

Os resultados analíticos precisam apoiar decisões. Esta disciplina conecta fontes, integração, data warehouse, OLAP, mineração, indicadores, relatórios e comunicação gerencial. Este é o capítulo 9 de 11 da disciplina Inteligência de Negócios (Business Intelligence). Ele retoma Data mining e descoberta de conhecimento e utiliza essa base para avançar. Na sequência, estudaremos Data lakes aplicados ao BI.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Inteligência Artificial e Machine Learning aplicados ao BI para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

IA, aprendizado e representação do problema

Começamos por IA, aprendizado e representação do problema, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Inteligência artificial é um campo amplo de métodos para realizar tarefas associadas a capacidades como raciocínio, percepção e decisão. Machine learning é uma abordagem em que padrões são aprendidos a partir de dados ou experiência. No supervisionado, exemplos incluem um alvo: classificação prevê categorias e regressão estima números. No não supervisionado, exploram-se estruturas sem esse alvo rotulado, como agrupamentos. Aprendizado por reforço envolve um agente que escolhe ações e aprende com recompensas e consequências ao longo das interações.

Feature é uma característica usada pelo modelo; rótulo é o alvo conhecido no exemplo supervisionado. A definição do rótulo traduz uma decisão e pode conter erro ou viés. Para prever atraso na abertura de uma solicitação, use atributos disponíveis nesse instante. O tempo final de atendimento, embora esteja na base histórica, é informação futura. A representação deve respeitar o uso real e a unidade de observação, como cliente, pedido ou evento.

Treinar, escolher e avaliar sem contaminar

Depois de compreender IA, aprendizado e representação do problema, passamos a Treinar, escolher e avaliar sem contaminar. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Treino ajusta parâmetros; validação apoia escolhas de hiperparâmetros, atributos e limiares; teste estima desempenho final em dados preservados. Generalização é a capacidade de funcionar em novos exemplos relevantes. Separações precisam respeitar tempo e grupos para evitar vazamento. Transformações aprendidas devem ser ajustadas no treino, também dentro de cada partição de validação cruzada. Reutilizar continuamente o teste para escolher alternativas transforma-o, na prática, em validação.

Baseline fornece uma referência simples, como regra de negócio ou previsão ingênua. O modelo precisa justificar sua complexidade frente a ela. Métricas devem refletir custo dos erros, população e operação: acurácia pode esconder falhas em classes raras. Reprodutibilidade exige versões de dados, código, configuração, ambiente e procedimento de avaliação. Uma semente aleatória ajuda, mas não garante resultados idênticos em toda plataforma ou operação paralela.