• Michel

Seu negócio pode se beneficiar de Inteligência Artificial?

Atualizado: 3 de Mai de 2018

Neste artigo, damos algumas sugestões ​​para uma iniciativa em IA, usando a abordagem e a perspectiva corretas, principalmente se for o primeiro projeto desse tipo a ser realizado na sua empresa.



É notório o aumento de popularidade para investimentos de risco, conferências e consultas relacionadas a negócios em inteligência artificial (IA) ou machine learning (ML) mas a maioria dos executivos de tecnologia geralmente tem problemas para identificar onde a IA pode realmente aprimorar seus negócios.

Com novas palavras-chave ​​sendo criadas semanalmente, pode parecer difícil saber quais aplicações são viáveis ​​e quais são exageradas ou embustes.

Neste artigo, vamos dividir as categorias de problemas de negócios que são comumente tratadas por ML, e também algumas sugestões ​​para uma iniciativa de ML com a abordagem e a perspectiva corretas, principalmente se for o primeiro projeto desse tipo a ser realizado na sua empresa.


Faz sentido usar ML?

O que você quer descobrir ou prever é complexo o suficiente para optar por ML em primeiro lugar?

Se for possível estruturar um conjunto de regras do tipo “se-então” para lidar com o seu problema por completo, talvez não haja necessidade de ML. Além disso, se não houver precedentes de resultados bem sucedidos aplicando ML ao problema específico para o qual você está desenvolvendo, esta pode não ser a melhor incursão no mundo de ML.

Para fins ilustrativos, é útil apresentar algumas aplicações bem sucedidas:





Você tem dados bem organizados?

Dados bem organizados são matéria prima essencial

Dados de negócios de anos atrás talvez não tenham relevância hoje, especialmente em áreas em que os processos básicos de negócios mudam sensivelmente com o tempo.

Por exemplo, se você tem uma loja de suprimentos para animais e seu aplicativo, preços, ofertas de produtos e áreas de serviço estão mudando significativamente nos últimos seis meses, você precisará de dados muito mais recentes do que, digamos, uma empresa que vende seguros de vida. Se os dados não estiverem relacionados às tendências e nuances relevantes do seu negócio atual, é improvável que um modelo preditivo funcione.

Uma sugestão para as empresas que estão começando em ML é começar aplicando modelos supervisionados a dados históricos já limpos e relativamente recentes e usá-los para treinamento para começar a encontrar insights.


A sua solução para este problema permite alguma margem de erro?

ML pode ser pensado como um tipo de "habilidade", no mesmo sentido em que se pode aplicar a palavra aos seres humanos. Uma habilidade que está viva, adaptando-se, crescendo e sendo informada pela experiência. Por esta razão, uma solução de ML estará frequentemente incorreta em uma certa porcentagem do tempo, especialmente quando é informada por estímulos novos ou variados. Se sua tarefa não permitir absolutamente nenhum erro, ML provavelmente será a ferramenta errada para o trabalho.

Um exemplo de um aplicativo que não pode permitir erros pode ser um aplicativo que tenha como objetivo ler o valor manuscrito de uma lista e depois efetuar um pagamento. Uma diferença em um dígito pode significar pagar dez mais do que o valor correto. Já no caso da leitura manuscrita de códigos postais um erro não causará o mesmo estrago.

Em um caso como o acima, um certo grau de ML pode ajudar com o "preenchimento" de diferentes tipos de contas ou faturas, mas a decisão final de inserir o valor do pagamento e enviar um pagamento provavelmente exigiria um responsável humano.


Comece com um problema real

Muitos executivos lêem sobre ML com entusiasmo e decidem “encontrar uma maneira de usá-la”. Isso leva a equipes sem a motivação real e comprometimento para produzir um resultado real. Escolha um problema que faça sentido para seu negócio, e que parece ter uma alta probabilidade de ser resolvido.

Pergunte a si mesmo, que informações você está muito curioso para conhecer, mas não consegue acessar no momento? Talvez seja a reação de seus clientes aos seus serviços, ou o perfil dos fraudadores de sua empresa seguradora.


O contexto deve vir de você

Definir quais serão as informações que alimentarão seu algoritmo não é tão fácil quanto se pode presumir. Embora os algoritmos de ML possam identificar correlações e pesos entre variáveis, eles não entenderão os fatos que não estão nos dados mas que podem torná-los relevantes ou irrelevantes.

Por exemplo ao usar seus dados históricos de atividades dos clientes para prever novas ações, você não se lembrou que naquela oportunidade houve uma forte campanha de marketing. Então alguns exemplos estarão fora do contexto que você assumiu e podem gerar previsões incorretas.


Espere mexer e ajustar sua previsão de retorno

Construir uma solução de ML requer pensar cuidadosamente na seleção e limpeza de dados, seleção de algoritmos, e testes em um ambiente ativo. Não há soluções “bala de prata” em ML. Mesmo para casos de uso extremamente comuns como mecanismos de recomendação, previsão de cancelamentos de clientes, segmentação de mercado, etc. cada aplicativo pode variar muito e requerer interação e ajuste. Se uma empresa entrar em um projeto de ML sem recursos comprometidos com um período prolongado de ajustes, ela poderá não alcançar um resultado útil.

Para saber mais sobre Implementação de ML na empresa veja este blog (Operacionalização de Machine Learning na Empresa).

3 Dimensões

Inteligência Artificial nas Empresas

Al. das Papoulas, 147 - Santana de Parnaíba - Alphaville, SP 06539-180 - (11) 4153 6004  - (11) 9 9795 9765

michel@3dimensoes.com.br