Artigos e Notícias

---

Nove projetos de TI preparados para o Machine Learning

17 de outubro de 2017

O aprendizado automático da máquina está se tornando uma realidade para as organizações. Mas para a maioria das empresas, a melhor maneira de aproveitar as capacidades das tecnologias de Machine Learning continua sendo um mistério. Ainda assim, o tambor para experimentar continua soando alto.

E a verdade é que seus competidores já podem estar assentando as bases. A IDC prevê que as receitas dos sistemas de IA em todo o mundo devem quase duplicar este ano, para US$ 12,5 bilhões e continuarão crescendo até atingir US$ 46 bilhões em 2020. Alguns desses gastos irão no hardware para executar sistemas de Machine Learning, mas mesmo que você não tenha orçamento e cientistas de dados para criar sistemas a partir do zero, ainda existem muitas ferramentas e serviços que permitirão usar a tecnologia de maneiras práticas que ajudem seu negócio.

Aqui estão nove projetos de TI que quase qualquer organização achará útil para começar a experimentar tecnologias de aprendizado de máquinas.

1. Um chatbot de serviço ao cliente
Se você tiver uma lista de perguntas freqüentes que os clientes procuram, pode transformá-la em um chatbot que pode responder a perguntas de suporte usando o Microsoft QnA Maker . Não tem que ser suporte ao cliente, é claro; você poderia criar um bot para responder perguntas de novos funcionários sobre benefícios de RH ou como entrar em contato com o serviço de suporte.

Alimente o o QnA Maker com A URL de suas perguntas freqüentes ou faça upload de planilhas e documentos que tenham perguntas e respostas e o sistema criará pares dessas perguntas e respostas que você possa revisar e treinar, e depois chamar como uma API. Se você quiser ter uma interface mais interessante do que apenas respostas de texto, você pode usar o .NET SDK e o Microsoft Bot Framework para criar um bot que mostre imagens e conteúdo rico.

Se você preferir a abordagem sem servidor, o QnA Maker é um dos modelos no Bot Service do Azure , para que você possa criar um bot que funcione em e-mail, GroupMe, Facebook Messenger, Kik, Skype, Slack, Microsoft Teams, Telegram, SMS / SMS e Twilio.

A longo prazo, os chatbots evoluirão para agentes inteligentes semelhantes ao Alexa, da Amazon e ao Cortana, da Microsoft. Mas em vez de apenas responder a perguntas individuais, os agentes criam uma conversa “direcionada para objetivos” que funciona através do problema do cliente para ajudá-los a resolvê-lo, o que é o que você precisa para venda de ingressos ou para diagnosticar por que um projetor não pode se conectar.

A Microsoft acaba de adicionar uma solução de atendimento ao cliente para a Dynamics 365, na qual um agente virtual sugere soluções, transmite o cliente ao suporte humano, juntamente com os detalhes da conversa e as sugestões feitas, se não conseguir resolver o problema.

2. Automação e análise de marketing
O marketing é muitas vezes o primeiro departamento a experimentar novas tecnologias, razão pela qual os serviços de marketing, como o Adobe Marketing Cloud, o Dynamics 365 e o Salesforce, estão começando a oferecer previsões de aprendizado de máquina para tudo, recomendando produtos relacionados para clientes, exibindo resultados de pesquisa personalizados, classificando leads de vendas para avisar quando um negócio está ficando frio, para encontrar contatos alternativos em uma empresa de clientes em potencial, até mesmo sugerindo como e quando chegar a eles. Afinal, modelos preditivos para churn do cliente podem ajudá-lo com a previsão e o planejamento.

Se a sua equipe de marketing ainda não está olhando para essas ferramentas, esta é uma boa maneira de aplicar o Machine Learning. Se estiverem, descubra o que está funcionando e procure outros departamentos que possam se beneficiar de análises similares. A AXA está usando um modelo de aprendizagem de máquina profunda criado a partir do TensorFlow, do Google, com 70 variáveis ​​para prever quais clientes provavelmente terão acidentes que custarão à seguradora mais de US$ 10 mil, para que possa otimizar os preços das políticas de seguro . Os modelos mais antigos não foram suficientemente precisos para serem úteis, mas com a predição melhorando a acuracidade de 40% para 78%, pode ser bom o suficiente para considerar ao segmentar clientes potenciais.

3. Detecção de fraude
Detectar transações fraudulentas e anômalas é um problema clássico de análise de dados, mas se você está fazendo isso em grande escala, o aprendizado automático ajuda a detectar atividades problemáticas, como golpistas que fazem pagamentos múltiplos apenas sob um limite de gatilho, novos comerciantes que apresentam comportamento incomum e aparentemente legítimo de clientes que estão conectados a uma rede de golpistas.

A Fraud.net usa o Amazon Machine Learning para treinar vários modelos de aprendizado de máquina para detectar uma variedade de atividades fraudulentas em vez de tentar criar um modelo único para avaliar todos os tipos possíveis de fraude. Todos os dias, os comerciantes que eles protegem podem estar enfrentando uma centena de diferentes esquemas de fraude, cada um com dezenas de variações.

O aprendizado de máquina não é apenas útil para capturar fraudes por clientes existentes e bloquear transações ruins. A divisão de crédito da Ford está usando ferramentas de aprendizado de máquina da ZestFinance para prever a probabilidade de mutuários específicos pagarem um empréstimo para que ele possa emprestar a pessoas com menores juros. Com as vendas de carros nos EUA em declínio (em geral e um pouco maior para o próprio Ford), encontrar compradores que de outra forma seriam negativados pode vir a ser uma grande ajuda para o negócio.

4. Planejamento de inventário
A automação da cadeia de suprimentos não é nova, mas a aprendizagem da máquina está tornando muito mais comum. Em vez de apenas dados de históricos de venda, a aprendizagem por máquinas permite que você use dados sobre a forma como os clientes pesquisam as compras on-line, o impacto do tempo nos hábitos de compras e outras tendências internas e externas para gerenciar o inventário prevendo a demanda. A Amazon afirma que pode prever exatamente quantas camisas de uma determinada cor e tamanho venderá todos os dias. O revendedor alemão on-line Otto usa o aprendizado da máquina para prever o que irá vender nos próximos 30 dias com 90% de precisão, reduzindo a quantidade de estoque excedente em um quinto e diminuindo os retornos em mais de 2 milhões de produtos por ano; o sistema automatizado de compras ordena 200 mil itens por mês de fornecedores terceirizados, escolhendo as cores e os estilos com maior probabilidade de venda.

5. Planejamento da rota logística
O problema do vendedor ambulante é um clássico de ciência da computação: qual é a rota mais curta entre todos os lugares que sua equipe de vendas precisa ir em uma única viuagem de ida e volta? Quer se trate das perspectivas dos vededores, das entregas aos clientes ou da escolha da localização do negócio de modo a atrair a maioria dos potenciais clientes, roteamento e planejamento de viagens têm um grande impacto em sua empresa. Você pode usar os serviços de tráfego preditivo nas APIs do Bing e do Google Maps para criar mapas que mostram não apenas a distância, mas o tempo de viagem, para comparar quantos clientes um engenheiro pode alcançar em uma unidade de 15 minutos de vários pontos de partida ou encontrar a melhor hora do dia para fazer entregas. (Use a pré-visualização Bing Maps Truck Routing API para obter roteiros para veículos comerciais e de serviços que são maiores do que um carro médio.)

O gigante das comunicações empresariais RR Donnelley usou o R e o Azure Machine Learning Studio para diminuir as estimativas cautelosas que o impediram de ganhar na oferta de frete, combinando dados históricos com variáveis ​​como o clima, os custos de combustível e as condições do mercado, para desenvolver um melhor modelo de preços. O sistema automatizado que gera citações em tempo real para uma determinada rota é mais preciso; a empresa já está ganhando 4% mais de suas ofertas e espera quadruplicar o tamanho de seu negócio de corretagem de caminhões. O mesmo tipo de análise preditiva seria útil para qualquer oferta de contrato onde você tenha dados suficientes para construir um bom modelo.

6. Manutenção preditiva
Se você esperar até que as máquinas quebrem para consertá-las, você terá tempo de inatividade gigantescos e clientes infelizes. Quando a ThyssenKrup começou a analisar os registros de manutenção dos 1.1 milhões de elevadores instalados, descobriu que a janela de manutenção poderia ser um pouco menor do que era. Quando a empresa usou o Azure IoT Suite, da Microsoft, para monitorar remotamente sensores, prever falhas e serviços preventivos, não apenas aumentou a satisfação do cliente, corrigindo problemas antes de causarem uma quebra;, como reduziram os custos corrigindo mais problemas na primeira visita e podendo prever melhor as peças sobressalentes que precisavam transportar.

Faça o mesmo com uma linha de fabricação e você pode melhorar os rendimentos da produção. De acordo com o relatório mais recente da Accenture sobre IoT industrial , a manutenção preditiva pode reduzir o custo das manutenções programadas em 12%, diminuir os custos de manutenção em 30% e reduzir as quebras em até 70%.

7. Segurança
No complexo mundo da segurança, a aprendizagem de máquinas não é uma bala de prata, mas pode ajudá-lo a detectar ataques que, de outra forma, poderiam ser perdidos nos registros e alertas desencadeados por atividades normais. Apesar do nome, o Windows Defender Advanced Threat Protection não é um software anti-vírus. É um serviço de aprendizado de máquina que analisa o comportamento de PCs em sua rede executando o Windows 10 Enterprise e informa para a sua equipe de segurança se um ataque é um processo malicioso, engenharia social ou uma exploração. Você ainda precisa cavar em logs e lidar com as conseqüências, mas ferramentas de segurança de aprendizado de máquina podem ajudar a reduzir o ruído.

8. Recrutamento
Há um crescente impulso para a diversidade nos negócios , mas a forma como as suas postagens de emprego são feitas pela equipe de recrutamento pode realmente desencorajar um grande número de candidatos. Experimente o serviço Textio que usa a IA para marcar o jargão corporativo, clichês, estereótipos e outras frases em postagens e e-mails de recrutamento para ajudá-lo a obter um grupo maior de pessoas que se candidatam. O SAP Success Factors tem uma ferramenta semelhante.

9. Reconhecimento de imagem

Os sites de construção e as linhas de fabricação estão cheios de equipamentos que são perigosos nas mãos erradas. Usando câmeras e sensores, você pode usar reconhecimento de imagem e reconhecimento facial para detectar quando esse equipamento está sendo usado de forma insegura ou por alguém que não passou pelo treinamento de segurança.

A Hitachi construiu um sistema de aprendizado profundo com DFKI, o Centro Alemão de Pesquisa de Inteligência Artificial, que usa óculos wearables e eye-tracking. A Microsoft demonstrou uma solução similar em sua conferência Build usando Funções Azure , Microsoft Cognitive Services e Azure Stack .

Constuir uma solução completa de segurança no local de trabalho pode ser um grande desafio, mas você pode começar com aplicativos de smartphones como o The Safety Compass , que funciona com o aprendizado da máquina da Intellect SEEC para permitir que os trabalhadores marquem aquilo que consideram riscos em um local de trabalho, tirando uma fotografia e preenchendo um formulário para informar detalhes; outros trabalhadores receberão um aviso quando chegarem perto do perigo.

Fonte: CIO

Voltar