Redes neurais

Esta página é um monomódulo, ou seja, não está inserida em nenhum livro e/ou não tem subpáginas. Ajude o Wikilivros inserindo-a em um livro existente ou por criar.

Análise de Padrões

Uma explicação para quase tudo

Apresentação

Durante séculos o homem pesquisa, identifica e qualifica eventos, comportamentos e outras variáveis em um padrão observado, empiricamente ou não, para prever ou entender determinados assuntos. São muitos os exemplos, resultados, aplicações e confiabilidades. Entretanto, nem todos os eventos são mensuráveis ou seguem uma lógica que permita sua previsão com aceitável grau de sucesso. Fenômenos sociais, em geral, são assim.

O presente livro tem por objetivo demonstrar ao leitor usos, estudos e aplicações já existentes que utilizam análise de padrões. Não tratarei de nenhum ponto estatístico específico, tampouco irei propor um definitivo. Em verdade, o leitor verá ao longo do livro que não os padrões dentro da análise dos mesmos quase sempre são únicos. Ou seja: É possível analisar vários padrões para várias áreas diferentes. Entretanto, é bastante dificil analisar esses padrões por um mesmo ângulo.

A proposta fundamental é instigar no leitor a curiosidade sobre o tema; mostrar que existem enormes áreas não exploradas e diversas outras que ainda não foram criadas onde a inovação não está na inventividade e, sim, na observação.

Para analisarmos padrões o passo fundamental é a observação. É exatamente esse processo inicial, fundamental e natural que nos fornecerá os dados para serem analisados. Existem diversas formas bem documentadas sobre análise de padrões. Todas as ferramentas estatísticas são maneiras diferentes ou relacionadas utilizadas para identificar padrões, tratar dados e prever eventos e ocorrências.

O lançamento de um dado é um exemplo clássico. É bem sabido que a chance de obtermos o número dois em um lançamento de um dado é de um para seis. A questão proposta aqui, entretanto, vai além do estudo matemático de o porquê das chances serem um para seis como dado no exemplo. Esse tipo de previsão, embora bastante simples, é suficientemente eficaz. Obviamente, não é uma certeza real, uma tese; trata-se de uma hipótese. Por nossa noção matemática e lógica, pensamos imediatamente na razão da hipótese em obtermos o número dois no lançamento de um dado com o raciocinio baseado no fato de o dado ter seis faces numeradas. Aprendemos, também, que existe a possibilidade de não obtermos o número desejado em uma quantidade superior de lançamentos ao número de faces. A isso chamamos, no exemplo, de dado viciado.

Por ser um exemplo lógico, bem como uma adição, muitas vezes não observamos os fatos em si.

A análise de padrões, por sua vez, tem por essência e início a observação de eventos. Para ser de nosso conhecimento e nossa aceitabilidade lógica a probabilidade de sucesso no lançamento proposto, foram analisados diversos lançamentos do mesmo dado. Com isso a informação começou a ser criada. Observamos, por exemplo, de que a cada X lançamentos o número Y era repetido, quase sempre, em uma razão proporcional que nos permitiu criar um padrão confiável de previsão de um evento futuro.

Entretanto, a previsão futura não é a única observação real que temos com a análise de padrões. Ainda no exemplo supra citado, mudemos a pergunta. Se ao invés de perguntar qual seria nossa chance em tirar um determinado número em um lançamento aleatório, pensemos no objeto: Foram feitos 8 lançamentos de um determinado objeto onde o número dois, em intervalo de um a seis, apareceu uma vez. Qual é a forma do objeto? Por nossa análise de eventos e fatos suporemos, com aceitável grau de confiabilidade, que o objeto em questão é um cubo, um dado. Não apenas pelo número de faces desse objeto mas como pelo número de lançamentos e da escala.

Nesse exemplo temos três variáveis importantes para determinar o tipo de objeto em questão: o número de lançamentos, o intervalo e o resultado.

Em resumo, a análise de padrões depende de variáveis e dados que serão observados para serem estudados e, finalmente, previstos. A previsão, por sua vez, tem um grau de confiabilidade aceito ou não. Esse grau é determinado, principalmente, pelo risco.

Redes Neurais

As redes neurais são ferramentas largamente utilizadas em diversas áreas da sociedade e pouquissimo utilizada em outras. A idéia, no geral, é excelente. Uma rede neural é, fundamentalmente, uma ánalise de padrões. Embora existam várias versões comerciais dessas redes para propositos diferentes, nós criamos as nossas próprias a todos os momentos. A analogia do nome desse método é feita com relação ao cérebro humano. Temos diversas áreas específicas em nosso cérebro que podem existir independentemente uma das outras exercendo apenas sua função e pode, também, interagir com outras áreas.

Atualmente a maior área de atuação das redes neurais é no campo da segurança da informação. Os bancos, em especial, têm nessa ferramenta uma forte aliada ao combate e prevenção de fraudes. De maneira mais técnica, uma rede neural comercial, utilizada por muitos bancos, é um algorítimo matemático para análise de padrões seguindo determinadas regras. As regras, na verdade, são a inteligência do sistema. Embora elas não representem por si só o produto final, são elas que conferem um determinado grau de confiança e segurança a uma rede neural.

Um exemplo bastante básico de uma das regras utilizadas pela rede neural é o posicionamento geográfico. Se o cliente bancário reside e trabalha em São Paulo, qual é a prababilidade de uma compra efetuada em Brasilia, com o cartão desse cliente, ter de fato sido realizada por ele? Quais observações podem ser feitas para respondermos a essa pergunta com um grau de confiabilidade aceitavel?

Suponhamos que o dado cliente é idoso, não tem histórico de compras fora do seu estado e não costuma viajar. Pelo fato do cliente ser idoso, não ter o hábito de viajar e não ter histórico de compras fora do seu estado de origem, a probabilidade de que esse cliente não tenha efetuado tal compra passa a ser dominante.

O histórico é fundamental para esse tipo de análise. Ele é quem fornecerá as informações que serão observadas para o tratamento dos dados em questão.

Se um cliente X tem um forte histórico de compras em um supermercado Y, qual a probabilidade de uma compra realizada no supermercado Z ter sido feita por esse cliente? Para respondermos essa pergunta com aceitavel grau de confiabilidade, devemos analisar outros dados, precisamos de mais informações. Se o cliente tem forte histórico de compras no supermercado Y, possivelmente temos também os horários e valores dessas compras. Temos, também, o endereço residencial e o endereço comercial desse dado cliente. Logo, podemos acrescentar a nossa equação o perimetro do supermercado Z. Ele fica proximo a residência, ao trabalho ou até mesmo no caminho de um ponto para o outro desse cliente? Quais dessas informações tem maior ou menor relevância para a classificação da ação em si? Exatamente por conta da última pergunta, pesos diferentes são atribuidos as diferentes observações e variáveis a um determinado grupo de clientes.

Os dois exemplos são bastante simples e até certo ponto, incompletos. Existem muitas outras variáveis atribuidas em casos como esses para determinar certo grau de confiabilidade.