Os bancos de dados relacionais são fundamentais para diversos setores, armazenando dados em tabelas interconectadas que refletem relações complexas. Entretanto, para a aplicação de machine learning, é comum a necessidade de achatar esses dados em uma tabela única, um processo que pode ser demorado, sujeito a erros, e muitas vezes resulta na perda de informações valiosas.

Na pesquisa intitulada 'Relational Deep Learning: Graph Representation Learning on Relational Databases', os autores introduzem o RDL, que contorna a necessidade de engenharia de recursos manual ao transformar dados relacionais em uma representação gráfica. O RDL utiliza Redes Neurais em Grafos (GNNs) para aprender diretamente da estrutura inerente dos dados, permitindo a construção de modelos que aproveitam plenamente as informações relacionais.

O RDL não apenas preserva as relações dos dados, como também traz vantagens em termos de escalabilidade e flexibilidade, permitindo a execução eficiente em conjuntos de dados com milhões de nós e arestas. Essa metodologia é versátil, aplicável em diversas tarefas preditivas, incluindo classificação, regressão e previsão de links.

1. Mantém relações existentes nos dados.

2. Consciente de aspectos temporais nas previsões.

3. Escalável para grandes conjuntos de dados.

4. Versátil em múltiplas tarefas preditivas.

5. Automatiza o processo de aprendizado, simplificando a criação de modelos.

Além disso, a equipe desenvolveu o RelBench, um conjunto de ferramentas para avaliação de métodos de aprendizado profundo em dados relacionais, que inclui conjuntos de dados de várias indústrias e tarefas preditivas. Essa iniciativa pretende fomentar a exploração e inovação nesse campo emergente, com a expectativa de que o RDL se torne uma norma na aplicação de machine learning em dados relacionais.

Com o Relational Deep Learning, os desafios históricos da engenharia de recursos manual são superados, possibilitando uma transposição eficiente dos dados relacionais para aplicações de IA moderna. Para aqueles interessados em aprofundar seus conhecimentos, recomenda-se o acesso às publicações disponíveis e a exploração da plataforma Kumo, que oferece ferramentas práticas para implementar o RDL em ambientes de dados existentes. Não deixe de acompanhar nossa newsletter para mais conteúdos atualizados diariamente!

FONTES:

1. Relational Deep Learning Paper

2. RelBench Project