Upload
trinhanh
View
225
Download
0
Embed Size (px)
Citation preview
ASSINAR
O que é inteligência artificial (IA), tipos esuas aplicações de negócioPublicado por Aquarela Analytics em Maio 8, 2018
O que é inteligência arti�cial (IA)? Na perspectiva de negócios, a Inteligência
Arti�cial pode ser dividida por seus paradigmas: simbólico, conexionista,
evolucionista, swarm (de enxame) e ensemble (composta). Cada paradigma leva a
um conjunto de possibilidades de aplicação e consequentemente de negócios por
conta de seus níveis de determinismo, generalização, reconhecimento de padrões,
criatividade e autonomia.
Iremos entender neste artigo o que é inteligência arti�cial, as diferenças de cada
paradigma – ilustrados por exemplos de aplicações –, e suas possibilidades na
composição de novos negócios de transformação digital (https://aquare.la/web-3-
0-e-sua-importancia-nos-negocios/) rumo à Indústria 4.0
(https://aquare.la/industria-4-0-web-3-0-e-transformacao-digital/).
Para entendermos os paradigmas, precisamos primeiro discutir e esclarecer
algumas dúvidas a respeito de alguns conceitos em torno da IA.
O que vou encontrar neste artigo?
1 O que é Inteligência Arti�cial (IA)?
2 Paradigmas de Inteligência Arti�cial (IA)
3 Conclusões e recomendações
O que é Inteligência Artificial (IA)?Inteligência arti�cial é a automação do comportamento inteligente, sendo dividida
em cinco paradigmas (simbólico, conexionista, evolucionista, swarm e ensemble),
cada um com diferentes possibilidades de gerar valor nos negócios da Indústria 4.0
(https://aquare.la/industria-4-0-web-3-0-e-transformacao-digital/).
Dentre as diversas de�nições e IA, a que mais faz sentido no ponto de vista de
negócios é justamente essa adaptação da citação de Luger e Stubble�eld, feita em
1993:
“Inteligência arti�cial trata-se da automação do comportamento inteligente.”
Entendendo que produtos ou serviços geram negócios por meio da entrega de
valor ao cliente �nal via encapsulamento do trabalho de alguém ou de algo. Por
exemplo: a maioria das pessoas gosta de sorvete, entretanto produzir sorvete em
casa é uma tarefa bastante complicada, que exige muitos ingredientes, processos e
equipamentos; assim, terceirizar esse processo a partir da operação de compra,
permitiu estabelecer toda uma cadeia de valor em torno do desejo de se tomar
sorvete versus a di�culdade de se preparar isso por conta própria.
Da mesma forma que empacotamos toda a complexidade da produção de sorvete,
vestuário, ou celulares em produtos e serviços, a possibilidade de automatizar o
comportamento inteligente tem o mesmo apelo com relação à percepção de valor
pelo cliente.
Por exemplo, invés de ter que dirigir e se orientar em meio à complexidade de
nossas cidades modernas, muitos de nós terceirizamos esse comportamento
inteligente através de aplicativos como o Waze e Google Maps, e TomTom.
Há ainda exemplos mais mundanos e não menos importantes como o uso de
calculadoras e planilhas. Por exemplo, durante a segunda guerra mundial criou-se
uma nova pro�ssão que, por conta dos avanços tecnológicos, não durou muito: a
pro�ssão de Calculador.
À esquerda mulheres Calculadoras na segunda guerra mundial, à direita calculadora eletrônica
moderna.
Na �gura vemos mulheres calculando a trajetória balística para canhões do exército
aliado em 1940 (fonte (http://www.antiquetech.com/?page_id=1438)), a direita
vemos uma calculadora moderna, que é mais rápida e precisa.
Com isso podemos dizer que uma calculadora, apesar de soar estranho, trata-se de
um mecanismo de Inteligência Arti�cial, rudimentar, mas aderente à nossa
de�nição.
Talvez essa estranheza se dê por quê a maioria de nós já nasceu em meio a
calculadoras portáteis em nossas casas e escolas, entretanto, como mecanismo que
automatiza o comportamento inteligente, sim, pode ser considerada como um
aparato de IA simbólica.
Da mesma forma, quando a câmera de seu celular realiza o cálculo do foco a partir
do reconhecimento da posição de seu rosto em uma sel�e, um sistema de
Inteligência Arti�cial (IA) operando dentro dos chips de seu celular faz o
reconhecimento da sua face, calcula a distância focal necessária para o melhor foco
e informa aos mecanismos de ajuste das lentes, isso tudo na fração de milésimos de
segundo após seu clique, tempo su�cientemente curto para capturar seu sorriso de
forma espontânea.
O que diferencia o mecanismo de reconhecimento de faces e uma calculadora é o
paradigma predominante em que cada tipo de Inteligência Arti�cial está inserido,
e consequentemente, as características naturais de cada paradigma.
A seguir apresentamos uma tabela mostrando os paradigmas de IA, suas
características naturais e exemplos de aplicação.
Tabela de paradigmas e suas características naturais
Notem que ao classi�carmos os mecanismos de IA com relação às dimensões
determinismo, generalização, reconhecimento, criatividade e autonomia,
conseguimos entender melhor tudo aquilo que cabe dentro da de�nição de o que é
Inteligência Arti�cial (IA), e automaticamente �cam mais claras suas
potencialidades e usos.
A seguir faremos um breve resumo de cada paradigma e suas respectivas
aplicações de negócio.
Paradigmas de Inteligência Artificial (IA)
1. O Paradigma Simbólico
Trata-se dos mecanismos de IA que efetuam transformações simbólicas (números,
letras, palavras e símbolos), dentre estes mecanismos estão os programas de uso
geral como sistemas ERP, work�ows, planilhas, calculadoras (todos com alto
determinismo, baixa generalização, baixo reconhecimento e nenhuma
criatividade).
Há ainda os sistemas de raciocínio que operam sobre as regras canônicas da lógica
proposicional, os chamados Reasoners, onde bases de conhecimento lógico
processual previamente preparada por especialistas (Ontologias Computacionais)
são capazes de níveis superiores de generalização e reconhecimento se
comparados aos sistemas mencionados no parágrafo anterior.
Tais sistemas vêm se mostrando muito úteis em aplicações nas mais variadas áreas,
entre elas: cálculo de rotas em aplicações como Google Maps, diagnóstico médico,
composição de respostas a questões jurídicas.
Exemplos de Paradigma Simbolico
Aplicações de negócio para a Inteligência ArtificialSimbólica:
Uma vez que se trata de um paradigma bastante pragmático, onde praticamente
não existe o efeito caixa preta, ou seja todas as regras são claramente codi�cadas e
sua validação é de fácil comprovação, sua aplicação em áreas conservadoras como
Saúde, Judiciária e Fiscal con�guram uma ótima oportunidade de aplicação
imediata uma vez que mitiga eventuais riscos de compliance.
Há ainda grandes oportunidades nas áreas de óleo e gás, energia, aeroespacial e
mineração, na geração e automação de planos de ações a serem tomadas em caso
de incidentes em operações de risco como aeroportos, estações de extração de
petróleo e minério;
O seu uso pode ser bem aplicado em negócios mais tradicionais na automação das
regras de negócio para criação de sistemas de preci�cação dinâmica para
produtores e distribuidores de commodities.
2. O Paradigma Conexionista
Trata-se da inspiração do funcionamento dos neurônios, as chamadas redes
neurais ou neuronais. Tais mecanismos simulam o funcionamento dos
componentes do cérebro de uma forma simpli�cada em ambientes
computacionais.
Há vários tipos de redes neurais e métodos de uso e treinamento, cujo
detalhamento foge do escopo deste artigo; entretanto há uma abordagem que vêm
chamando bastante a atenção, o chamado Deep Learning é a aplicação de redes
neurais complexas em grandes volumes de dados em infraestruturas colossais de
servidores.
O uso desse tipo de IA começou a ser bastante difundido com a publicação de
frameworks Open Source de programação como o TensorFlow da Google e o
Torch da Facebook.
Suas aplicações são variadas, indo de reconhecimento de face nos celulares,
reconhecimento de voz, textos, até os complexos carros autônomos.
Exemplos de paradigma Conexionista
Aplicações de negócio para a Inteligência ArtificialConexionista:
Este é um dos paradigmas mais explorado atualmente por grandes empresas como
Google, Facebook e Tesla em seus produtos e serviços. Sua versatilidade é bastante
grande, entretanto com com um custo e risco alto na criação de aplicações por
conta da complexidade dos processos e treinamento dos modelos e suas possíveis
con�gurações.
Seguem algumas oportunidades de aplicação e negócio que este paradigma
possibilita:
Controle de qualidade de produtos industrializados: com uso de imagens
fotográ�cas ou espectrométricas (fotogra�a em cores que o olho humano não
vê, como infravermelhos e raios-X, por exemplo) é possível, com pouco
esforço, criar sistemas que aprendam: textura, aspecto, força e sabor de
produtos e sejam capazes de gerar ganhos signi�cativos na redução de custos
do controle de qualidade e con�abilidade;
Detecção de crises e oportunidades de investimento e desinvestimento para o
mercado �nanceiro; e
Uso de detecção de faces no monitoramento de áreas controladas, detectando
possíveis invasores.
3. O Paradigma Evolucionista
O paradigma evolucionista ou evolucionário é composto por uma série de
algoritmos que usam como inspiração a evolução natural, os chamados algoritmos
genéticos.
Igualmente como ocorreu na natureza, a evolução do design de seres vivos, os
algoritmos genéticos usam conceitos como Fenótipo, Genótipo, Cruzamento,
Seleção, Perpetuação, Ambiente e Morte para simular ecossistemas digitais, onde
“seres” ou “partes de seres” evoluem de forma muito rápida em Ambientes criados
por uma grande quantidade de computadores interligados na forma de Cluster, e
da mesma forma como nossos olhos e mãos evoluíram, mecanismos como
antenas, turbinas, pontes e microchips são desenhados a partir de milhões e
bilhões de interações em um processo darwiniano.
Aplicações de negócio para a InteligênciaArtificial�Evolucionista:
A principais oportunidades de negócio para esse paradigma se encontram no
desenvolvimento e design de novos produtos e serviços.
Na �gura a seguir são mostrados alguns exemplo de design de produtos onde a IA
Evolucionista gerou um design completamente novo com ganhos de durabilidade,
desempenho e economia de materiais. (fonte (https://newatlas.com/autodesk-
generative-design-interview/50824/))
Exemplos de Paradigma Evolucionista
Outras aplicações mais intangíveis, entretanto não menos importantes que o
design industrial são passíveis de alcançar grande valor organizacional com poder
criativo da IA Evolucionista são enumeradas a seguir:
No desenvolvimento de experiências do usuário em sistemas de compras
online;
De�nição de planos de incentivo baseados na estratégia e os valores
organizacionais;
Na criação de políticas de venda e preci�cação dinâmica;
Na melhoria contínua de processos de Customer Success;
No design de produtos �nanceiros; e
Na criação de estratégias de direção defensiva para carros autônomos.
4.O Paradigma Swarm (Enxame)
O paradigma de IA – Swarm Intelligence faz uso de algoritmos de convergência
baseados em fenômenos emergentes da natureza como: colônias de insetos,
estratégicas coletivas de peixes e pássaros e ainda comportamento auto-
organizativo de partículas atômicas e subatômicas.
Este é um paradigma relativamente pouco explorado ainda em aplicações de
negócio e caracteriza uma oportunidade de se obter uma grande vantagem
competitiva.
Uma das característica marcantes dos algoritmos de enxame (swarm) está na
possibilidade de aprendizado e geração de valor a partir de quantidades limitadas
de dados de treino.
Por exemplo, as técnicas de deep learning necessitam de uma grande quantidade
de amostras para se evitar o fenômeno de Under�tting; já os algoritmos genéticos
(paradigma evolucionista) necessitam de muita computação para se alcançar
resultados satisfatórios. Por sua vez, os algoritmos de enxame são capazes de
aprender com uma quantidade relativamente reduzida de dados e demandam
muito menos computação, tornando economicamente viável aplicações em
ambientes de negócio.
Exemplos de paradigma Swarm
Aplicações de negócio para a Inteligência Artificial do tipoEnxame:
Como os enxames consomem menos energia e aprendem mais rápido, isso torna
as aplicações que usam esse paradigma mais ágeis e adaptáveis em tempo real. A
seguir são enumeradas algumas aplicações possíveis para esse tipo de paradigma:
Otimização de rotas logísticas para carga em malha viária ou em ambientes
urbanos complexos;
Criação de sistemas de preci�cação dinâmica com alta capacidade de
adaptabilidade e respostas em tempo real, permitindo assim a maximização
do markup em mercados de alta velocidade e variância como bolsas de
valores, commodities, passagens aéreas e leilões invertidos;
De�nição ótima de categorias de SKUs e balanceamento do mix de produtos
para otimização do marketing;
De�nição dos melhores termos para uso em para campanhas de marketing
tradicional ou digital; e
Mapeamento de pontos cegos de patentes em estratégias de cobertura de
propriedade industrial.
5. Paradigma Ensemble
Trata-se da aplicação combinada dos paradigmas apresentados anteriormente, seja
de forma previamente determinada, seja em combinação dinâmica, onde se usa a
própria Inteligência Arti�cial para gerar a con�guração ótima para atacar o
problema alvo.
Mais novo e menos explorado que a Swarm Intelligence, a IA do tipo Ensemble já
ocupa seu lugar em produtos futuristas como os carros autônomos da Tesla e da
Waymo (Google), bem como dentro do coração Watson da IBM e também de
plataformas em ascensão como o Aquarela VORTX (https://aquare.la/vortx/).
A maior virtude dessa abordagem está na otimização das características naturais
dos paradigmas de Inteligência Arti�cial combinados na busca dos melhores níveis
de determinismo, generalização, reconhecimento, criação e autonomia de acordo
com os objetivos do produto de IA a ser criado.
Além da otimização da características naturais, esse tipo de abordagem consegue
lidar com problema comuns e de difícil solução pelo uso de soluções de
“paradigmas puros” a seguir:
Over�ting: problema relacionado quando se têm dados em quantidade
satisfatória, entretanto há viés nos mesmos, ou pouca homogeneidade de
distribuição de padrões. Essa situação pode fazer o modelo perder sua capacidade
de generalizar, ou introduzir respostas com viés.
Under�tting: problema relacionado quando não se têm dados em quantidade
su�ciente para um aprendizado satisfatório;
Cold Start: quando se deseja criar um sistema de predição ou de prescrição de
ações de uma novo produto, e ainda não se tem dados de operação (por exemplo,
um avião que começou a ser recentemente vendido).
Non-linear separable: trata-se de situações em que a resposta de um problema não
é simples como conjunto de condições lineares (por exemplo uma tabela de
preços) e sim possui um relacionamento complexo de difícil visualização e
compreensão humana;
Uni�ed type model: trata-se do problema de se processar dados de origens
heterogêneas como: datas, intervalos, categorias, números e hierarquias em um
único modelo integrado.
Além de poder lidar melhor com esses problemas, ainda o uso de IA sobre a
própria IA pode ajudar na de�nição de parâmetros técnicos complexos, e assim
reduzir o risco da iniciativa de IA falhar.
Aplicações de negócio para Inteligência Artificial do tipoEnsemble:
Exemplos de Paradigma Ensemble
As possibilidades para esse tipo de abordagem são virtualmente in�nitas, a seguir
apresentamos algumas já exploradas por nossa equipe e outras em vias de
exploração:
Descoberta de fatores que levam ao desenvolvimento de doenças que vão
desde a problemas do fígado ao surgimento de células cancerígenas;
Criação de sistemas de manutenção preditiva e prescritiva com abordagem de
aprendizado adaptativo para setores como: Aeroespacial, Óleo e Gás, Energia,
Siderurgia, Metalurgia, Automobilístico, Extrativismo mineral, Agro,
Alimentos e Têxtil;
Otimização de recuperação de crédito por meio da predição e a prescrição da
melhor abordagem de negociação;
Recomendação prescritiva a partir da predição das preferências de clientes do
sistema bancário de produtos �nanceiros;
Recomendação de compra e venda de ativos �nanceiros de forma adaptativa
por meio de predição de cenários futuros;
Descoberta dos per�s de clientes com maior �delização, assim permitir
direcionar o esforço comercial e marketing para esses clientes e dessa forma
trabalhar com uma abordagem pró-ativa de redução de Churn (perdas de
clientes);
Gerar recomendações de ações pró-ativas de relacionamento no combate ao
Churn; e
Criar testes AB com centenas e milhares de possibilidades combinatórias na
busca da melhor abordagem de experiência de usuário na maximização da
conversão de clientes;
A lista de casos de uso e de possibilidades é bastante grande e citamos apenas
algumas, provavelmente isso será tema de futuras publicações em nosso blog.
Conclusões e recomendaçõesO uso dos paradigmas de Inteligência Arti�cial serão os grandes impulsionadores
da Indústria 4.0 (https://aquare.la/industria-4-0-web-3-0-e-transformacao-
digital/). Isso já é uma realidade para empresas com produtos e processos com
maior maturidade de uso dos dados (https://aquare.la/e-book-aprenda-os-
fundamentos-da-cultura-de-data-analytics-e-posicione-se-frente-no-mercado/)
em direção ao nível exponencial, como muitas empresas do Vale do Silício, e agora
também no Brasil, graças a forte in�uência das Startups e da corajosa atitude de
empresas de grande porte vanguardistas como Embraer, DHL, Votorantim, Algar
Telecom, entre outras.
Continue Lendo
É sabido pela história do mercado, que no processo de mudança de paradigma,
surgem várias oportunidades, e normalmente muitas marcas somem e outras
marcas emergem, como na mudança da fotogra�a de �lme para digital; quem se
lembra das câmeras e �lmes da Kodak?
Assim, estar atento às novas ferramentas (https://aquare.la/vortx/) e principalmente
às oportunidades (https://aquare.la/14-setores-para-aplicacao-de-data-analytics/)
que estas podem criar de novos produtos e serviços é instrumental para a
sustentabilidade, bem como para o atingimento das metas de crescimento e
expansão de�nidas em sua estratégia.
Esperamos que com a leitura desse artigo, você tenha conseguido estabelecer as
pontes entre a operação de seu negócio, sua estratégia e as possibilidades
(https://aquare.la/infogra�co-5-passos-para-um-projeto-de-data-analytics-de-
sucesso/) que a Inteligência Arti�cial pode oferecer em seus paradigmas.
Autores:
Marcos Santos
Fundador da Aquarela Advanced Analytics, CEO e arquiteto da
plataforma VORTX. Marcos possui mestrado em Engenharia e Gestão do
Conhecimento pela UFSC, entusiasta de novas tecnologias, tendo
expertise em linguagem funcional Scala e em algoritmos de Machine
Learning e IA Linkedin (https://www.linkedin.com/in/marcoshsantos/)