Predição de dados na saúde – uma abordagem de viabilidade do modelo Zero-Shot-Learning

Abstract

O início do século XXI tem se apresentado como período importante da história no qual ocorreram mudanças permanentes e expressivas no campo da tecnologia. O grande volume de dados gerados diariamente, advento denominado Big Data, proporciona informações e conhecimento que, quando bem-organizados e analisados, oferecem uma compreensão mais ampla e acurada sobre o que precisa ser representado. A recente ascensão da inteligência artificial tem-se provado uma importante ferramenta em diversos campos de pesquisa, dentre eles, a automação de processos de Data Mining, por conta do volume e dimensionalidade dos dados. Com o propósito de contribuir neste sentido, este trabalho explora uma abordagem de aprendizado de máquina, compreendido no campo da inteligência artificial, denominada ZeroShot Learning, a qual foi originada para a classificação de imagens a partir de informações contextuais, para a classificação de dados tabulares da saúde onde o formato dos dados e as condições enfrentadas favorecem esse tipo de técnica. Por fim, a comparação de técnicas comumente utilizadas para classificação, com o intuito de validar a viabilidade do Zero-ShotLearning neste meio.

The beginning of the 21st century has proven to be a pivotal period in history, marked by permanent and significant changes in the field of technology. The large volume of data generated daily, a phenomenon known as Big Data, provides information and knowledge that, when well-organized and analyzed, offers a broader and more accurate understanding of what needs to be represented. The recent rise of artificial intelligence has proven to be an important tool in various fields of research, including the automation of Data Mining processes, due to the volume and dimensionality of the data. With the aim of contributing in this context, this work explores a machine learning approach, within the field of artificial intelligence, known as Zero-Shot Learning. Originally developed for image classification based on contextual information, this technique is applied here to classify tabular health data, where the data format and conditions encountered favor such an approach. Finally, commonly used classification techniques are compared to validate the feasibility of Zero-Shot Learning in this domain.