Resumo de Artigo: Efficient Machine Learning for Big Data: A Review

O artigo inicia abordando a necessidade continua e a priorização por diversas empresas para a redução de custos de energia elétrica, porém apresenta como contraponto que as gigantes de tecnologia estão constantemente aumentando a sua capacidade de operação,

implementando cada vez mais servidores, que a cada versão consomem mais energia que os seus antecessores, ampliando o impacto no consumo de eletricidade que por consequência gera impacto também no meio ambiente.

Aliado também ao fato de que nunca se criou tantos dados e informações em toda a história, a necessidade de soluções eficientes e eficazes para coleta, armazenamento e processamento dessas informações se tornou um grande desafio. A aprendizagem de máquina tem sido usada amplamente em diversas áreas complexas do conhecimento, mas não é a melhor solução de atuação em cima de grandes bases de dados. Então se percebe a necessidade de desenvolver modelos inteligentes que sejam eficientes para esta vasta quantidade de dados, que se alinhem como soluções de modelagem de dados orientadas ao efetivo consumo de energia.

Dessa forma, o artigo aborda um resumo de literatura para artigos focados em Aprendizado de máquina X Sustentabilidade/Eficiência de consumo de energia, incluindo diversos estudos teóricos e experimentais para várias necessidades.

Dentro dos pontos que considero importantes dentro do artigo, destaco a comparação entre modelos conjuntos (Ensemble Models) que possuem um ganho considerável de performance sobre os modelos individuais, porém geram um alto custo de processamento para a suaexecução, em detrimento aos modelos não paramétricos, que são modelos únicos que devem ser desenvolvidos para cada conjunto de testes, aumentando significativamente a sua complexidade computacional, mantendo a sua performance porém reduzindo o seu custo.

Outro ponto que considerei relevante neste artigo foi a abordagem ao Deep Learning, um modelo que desenvolve uma arquitetura hierárquica para classificação de padrões, através de múltiplas camadas de processamento de informação, tendo como principal vantagem o aumento de capacidade de processamento aliado a um custo reduzido de processamento.

Em linhas gerais, o artigo discutiu modelos para análise de grandes volumes de dados, com foco em alta performance porém sem perder a busca por baixo custo de processamento de cada modelo. As aplicações são imensas, dentro das mais diversas áreas do conhecimento e entendo que esses estudos possuem vida longa dentro do segmento de Big Data, pois a quantidade de dados e informações só tendem a crescer ainda mais, gerando um campo vasto para pesquisas.