O êxito do Machine Learning: exemplos práticos

As empresas implementam iniciativas de ML mas nem sempre os investimentos arantem sucesso. Conheça alguns casos de sucesso na primeira pessoa.

Por Clint Boulton

Segundo a Gartner nos EUA, 58% das empresas afirmaram que já implantaram inteligência artificial (IA) nos seus negócios e têm, em média, quatro projetos de IA/ML (machine learning) em andamento. Os participantes deste estudo também revelaram que esperam adicionar mais seis projetos nos próximos 12 meses e outros 15 nos próximos três anos. Até 2022, a expectativa é de que estas organizações tenham uma média de 35 iniciativas de IA ou ML.

De acordo com Whit Andrews, analista do Gartner, a melhor experiência do cliente e a automação de tarefas através de assistentes virtuais para atendimento e tomada de decisão estão entre os projetos mais populares dentro das empresas. Apesar disso, os investimentos por si só não contribuem para um trabalho de inteligência artificial mais amplo, já que numa pesquisa com 2.473 organizações realizada pela IDC descobriu que apenas 25% desenvolveram estratégias de IA para toda a companhia.

Segundo um relatório da IDC, cerca de 25% dos entrevistados apresentaram taxa de falha de 50% na implantação dos sistemas por falta de mão de obra qualificada e expectativas irrealistas. Mas mesmo com as dificuldades, empresas de todo o mundo parecem estar dispostas a arriscar na tecnologia. Neste artigo, CIO que estão experimentar, construindo e implementando IA e ML compartilham seus casos e dão alguns conselhos práticos.

Conheça o JiLL: um assistente de IA para escritório

Muitas pessoas não acreditam que uma empresa de imóveis comerciais utilizaria inteligência artificial. Mas a Jones Lang LaSalle (JLL), em junho, associou-se a Google para desenvolver a JiLL, um assistente de voz que permite que os funcionários de uma empresa façam reuniões, encontrem colegas, consultem horários ou preencham solicitações de serviço por voz ou texto.

Por exemplo, o JiLL pode lidar com solicitações como “Hey JiLL, marcar uma reunião semanal com minha equipe” ou “Hey JiLL, encontrar uma mesa desocupada no terceiro andar esta tarde”, explica o diretor de produtos digitais da JLL, Vinay Goel.

Goel diz que o JiLL leva em consideração os conjuntos de dados da JLL sobre edifícios, interações de utilizadores e transações em espaços físicos, que são processados ​​dentro do GCP, bem como containers do Kubernetes. “Com o tempo, esperamos que o JiLL se torne uma plataforma essencial para centenas de skills que ajudam os funcionários a melhorarem sua produtividade diária”, acrescenta Goel.

Conselho-chave: Para as organizações que procuram mudar os serviços, os assistentes virtuais podem ser um investimento que vale a pena. A JiLL da JLL faz parte de uma estratégia para alavancar a tecnologia para fornecer serviços de valor acrescentado, idealmente para atrair mais clientes. A JLL planeja adicionar outras skills e abrir a plataforma para recursos de terceiros, parte de uma estratégia de mercado projetada para impulsionar a adoção da tecnologia. De forma mais ampla, a iniciativa sugere que assistentes virtuais serão popularizados para o consumo geral.

Machine Learning para análise de crédito

Na gigante de análise de crédito Experian, a transformação digital preparou o caminho para um novo produto estratégico que aproveita os recursos da ML: o Ascend Analytics On Demand, uma plataforma de análise de auto atendimento que permite às empresas criar modelos preditivos para determinar fatores críticos, e qualificar os consumidores para a avaliação de solicitações de crédito.

Os clientes podem fazer análises robustas de dados em questão de minutos, em comparação com o que atualmente leva várias semanas. Idealmente, a ferramenta permitirá que os consumidores recebam qualificações para crédito a partir de sua consulta.

“Os clientes querem a capacidade de ver enormes conjuntos de informações em tempo real”, diz Barry Libenson, CIO da Experian Global, que supervisionou a construção da plataforma. “Já se foram os dias em que poderíamos prescrever coisas. Os clientes querem estes dados em tempo real, quando querem, da maneira que querem.”

Recomendação importante: não pode criar novas plataformas de análise em softwares já existentes e esperar que elas tenham um bom desempenho. Para apoiar a Ascend, a Experian adotou uma abordagem de cloud híbrida e investiu em ferramentas de código aberto, incluindo containers, mecanismos de API e micros serviços. A Experian também padronizou a maneira como constrói e consome software, com aplicações e códigos que podem ser reutilizados pelos seus funcionários e clientes em todo o mundo.

Machine Learning para combater fraudes em cartão de crédito

Como as empresas de monitorização de crédito, as empresas emissoras de cartões de crédito estão lutam constantemente contra as fraudes. Numa época em que muitos especialistas criticam o digital, como se a tecnologia fosse a ruína para a privacidade e segurança online, as ferramentas de ML e IA podem tornar os serviços mais seguros do que os tradicionais cartões de crédito de plástico.

A Mastercard utiliza diversas camadas de ML e IA para eliminar consumidores com intenção maliciosa. Na base do sistema está um banco de dados que já salvou a companhia de um prejuízo estimado em mil milhões de dólares em perdas por fraude desde 2016, afirma Ed McLaughlin, presidente de tecnologia e operações da Mastercard.

Para evitar os crimes, o software usa mais de 200 atributos capazes de antecipar e evitar as ações fraudulentas. Esse sistema central, combinado com a tokenização, biometria, deep learning e outras abordagens inovadoras, ajudou a Mastercard a manter a sua reputação como empresa segura.

Conselho-chave: Os seres humanos são o elo mais fraco quando se trata de segurança cibernética. “O mais importante é tirar o humano do circuito” o máximo possível, diz McLaughlin, acrescentando que o software de ML, IA e o processamento de linguagem natural são componentes essenciais no kit de ferramentas da Mastercard.

Machine Learning para no desporto automóvel

A Mercedes-AMG Petronas Motorsport está a usar as capacidades de machine learning para ajudar a visualizar o desempenho dos carros de corrida. Para isso, a companhia coleta diversos canais de dados nos seus veículos da Fórmula 1, às vezes até 10.000 pontos por segundo, para tomar decisões importantes, explica Matt Harris, líder de TI da empresa.

A empresa usa o software da Tibco para visualizar as variáveis, como clima, temperatura dos pneus e a quantidade de combustível nos seus carros. O software também permite que os engenheiros analisem detalhes como o desempenho e o desgaste das velocidades das máquinas. No geral, os pilotos trocam de velocidade 100 vezes a cada volta, e cada vez que este faz uma troca, a Tibco coleta cerca de 1.000 pontos de dados.

“Quando se visualizam estes dados, é realmente possível fazer a caixa de engrenagens durar mais tempo ou, o que é mais importante, fazer mudanças de velocidade mais duras”, diz Harris. “Você pode descobrir que, se você colocar a caixa de velocidades num modo específico, será aproximadamente 50 milissegundos mais rápido por volta. Os carros podem ser separados por milésimos de segundo na qualificação, então 50 milissegundos são importantes.”

Harris afirma ainda que a companhia está a construir algoritmos de ML para ajudar a “fazer coisas que os humanos não podem”. O executivo acredita que essas capacidades acabarão por se tornar um facilitador chave para a equipa, dando vantagem competitiva frente aos concorrentes.

Recomendação importante: porquê criar algo que não é a sua competência principal? Antes de escolher a Tibco, a Mercedes-AMG Petronas usou um software de visualização caseiro que se mostrou ineficiente para ser mantido ao longo do tempo. Ao apoiar-se na Tibco, a Mercedes-AMG Petronas pode concentrar-se no seu designo: construir carros de alto desempenho. “O importante é permitir que as pessoas sejam criativas e pensem em resolver problemas”, defende Harris.

Machine Learning para prever rotatividade nas empresas

Como a maioria das empresas de reparações automóveis, a Caliber Collision há muito que tem um problema de rotatividade, já que os mecânicos, pintores e membros das equipes de suporte ao cliente tendem a entrar e deixar as companhias rapidamente.

Parte do problema, segundo a Caliber, é que muitas vezes as suas lojas não tinham carros suficientes para a equipa reparar, resultando em pagamentos inconsistentes. Isso fez com que o CIO Ashley Denison se perguntasse: e se a Caliber pudesse prever quando um funcionário poderia querer sair e fazer intervenção?

A partir dessa ideia, a companhia começou a trabalhar com a consultora de tecnologia Sparkhound, que criou programas que extraem dados do setor de recursos humanos da Caliber e os complementa com o Microsoft PowerBI para criar um modelo capaz de prever a saída de um funcionário. Em seguida, a Caliber entra em contato com a equipa para aplicar sistemas de intervenção.

Se o pagamento de um funcionário demora a cair, por exemplo, os gerentes regionais da Caliber podem conseguir mais carros para o colaborador trabalhar. Por outro lado, se um funcionário está sobrecarregado, a empresa pode realocar alguns carros para outras equipas. O resultado? A Caliber está a economizar cerca de um milhão de dólares por ano.

Os principais conselhos: eliminar problemas para economizar dinheiro é uma maneira prática de usar algoritmos. “Torna muito mais fácil reter os funcionários depois de sua entrada”, finaliza Denison.

Autores

Artigos relacionados

O seu comentário...

*

Top