Quais são os desafios em implementar machine learning?

Buscar
Meio e Mensagem – Marketing, Mídia e Comunicação

Quais são os desafios em implementar machine learning?

Buscar
Publicidade

Notícias

Quais são os desafios em implementar machine learning?

Se uma empresa possui uma arquitetura da informação enfraquecida, as aplicações de inteligência artificial também serão


29 de julho de 2021 - 6h00

Imagens, vozes ou textos. Não importa a via de associação, o machine learning ajuda computadores a aprenderem e a gerarem respostas. Os algoritmos da tecnologia permitem que, por meio de dados analisados, os sistemas criem suas próprias regras. O machine learning possibilita que os softwares melhorem, automaticamente e gradualmente, conforme o número de experiências a que são submetidos.

Segundo o estudo “Global AI Adoption 2021”, realizado, em abril deste 2021, em 15 mercados, pela IBM, com tomadores de decisão na área de Tecnologia da Informação (TI) das empresas em que atuam, as companhias brasileiras lideram a adoção de inteligência artificial (IA), na região América Latina: 40% dos profissionais de TI entrevistados no Brasil afirmam usar IA em seus negócios; 60%, que as necessidades de negócios estão impulsionando a adoção da inteligência artificial nas empresas; e 37%, que, devido à pandemia, intensificaram o foco no atendimento ao cliente.

No País, diz Maurício Ohtani, analista líder da empresa de consultoria e de pesquisa de negócios e de tecnologia TGT Consult/ISG, muitas agências já ajudam os anunciantes a implementar e obter benefícios no uso dos dados. A análise preditiva, que implica em algoritmos estatísticos e em técnicas de aprendizado de máquina para identificar a probabilidade de resultados futuros com base em dados históricos, é a mais usada.

 

Segundo o estudo “Global AI Adoption 2021”, da IBM, as companhias brasileiras lideram a adoção de inteligência artificial,  na região América Latina (crédito: divulgação/Alex Knight)

Associação ao big data
Se uma empresa possui uma arquitetura da informação enfraquecida, as aplicações de inteligência artificial e, consequentemente, de machine learning também serão. Não existe machine learning sem dados. “O machine learning, na sua essência, é a capacidade de um sistema computacional em aprender e em identificar um padrão, com base em um conjunto de exemplos. O big data, conceitualmente falando, está relacionado com o grande volume de dados, que são gerados dentro e fora das empresas, e com capacidade de armazenar e de extrair valor dessas informações”, explica Roberto Celestino, líder de vendas de Watson na IBM Brasil.

Metaforicamente e de maneira muito simplificada, adiciona Márcio Tabach, também analista líder da empresa da TGT Consult/ISG, pode-se dizer que o big data é a matéria prima do machine learning: “A qualidade da matéria prima é um determinante para a qualidade do produto final. A quantidade de dados também é muito importante, porque o algoritmo de machine learning usa a base de dados para treinar o aprendizado e construir o modelo. Quanto mais dados se tem, mais o modelo poderá treinar e, assim, construir um modelo estatístico mais preciso”.

De acordo com levantamento do International Data Corporation (IDC), publicado em 2019, até 2024, as empresas movidas por inteligência artificial responderão aos seus clientes, concorrentes, reguladores e parceiros 50% mais rápido do que seus concorrentes. E, até 2025, as empresas baseadas em IA terão um aumento de 100% na produtividade e no conhecimento de sua força de trabalho, o que resultará em tempos de resposta mais curtos e maior sucesso na inovação de produtos e satisfação do cliente.

As companhias precisam “encontrar formas de considerar a inteligência artificial, dentro da sua estratégia de crescimento, no longo prazo. Eu vejo três principais formas de como a IA pode ser aplicada nas empresas: automatizar, prever e otimizar”, afirma Roberto. A automatização é uma das formas tornar um processo mais eficiente e, com isso, reduzir custos da operação. Diante disso, a inteligência artificial pode ser utilizada, por exemplo, para automatizar um atendimento ao cliente, um sistema de precificação dinâmica e, até mesmo, a um processo de análise de sentimento, personalidade ou comportamento de usuários. Os sistemas de predição são utilizados para prevenir que algo não desejado aconteça ou para se preparar para algo que irá acontecer no futuro. Nesse contexto, a IA pode ser utilizada em sistemas de recomendação de produtos ou serviços, em sistemas de prevenção ao churn ou em sistemas de prevenção à fraude. Já otimização é uma forma de encontrar um caminho com bons resultados dentre várias opções. A inteligência artificial pode ser incorporada dentro desses processos de otimização, para enriquecer uma segmentação de clientes e para melhorar um processo de qualificação de leads.

No marketing digital
Mauricio, da TGT Consult/ISG, esclarece que as agências que criaram uma competência em machine learning fazem uso de dados capturados por diversos canais. De acordo com o executivo, tratar essas informações em um big data e gerar insights, por meio de um machine learning, talvez seja a parte menos difícil em implementar a tecnologia nas estratégias de marketing digital. “O mais difícil é encontrar profissionais qualificados para trabalhar nessa área, para aplicar e transferir o conhecimento, via serviços da agência para as empresas anunciantes”, pontua.

Para o líder de vendas de Watson na IBM Brasil, primeira barreira, e talvez a mais importante, em aplicar machine learning no marketing é a marca não possuir uma estratégia para ser digital. “Nesse sentido, as empresas de marketing digital saem na frente, principalmente aquelas que já nasceram em um contexto digital, já que possuem muita dificuldade de implementar soluções de máquina”, explica. Roberto, ainda, afirma que o fato de as empresas terem medo de dar o primeiro passo pode prejudicar o processo de implementação: “Errar faz parte do processo de aprendizagem e quanto antes errar, mais rápido virá o acerto”.

O deep learning
O deep learning é um tipo de machine learning, responsável por treinar computadores a realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões, por meio de reconhecimentos padrões em várias camadas de processamento. “No caso do machine learning, o algoritmo analisa os inputs para encontrar algum padrão. Já o algoritmo de deep learning vai criar camadas intermediárias para encontrar o padrão. Com isso, o algoritmo vai ter mais dados para gerar uma classificação mais assertiva. O deep learning exige mais poder de processamento e, por outro lado, expande consideravelmente as possibilidades de uso do machine learning”, explica o executivo da IBM Brasil. As empresas que possuem uma estratégia de Inteligência artificial devem considerar as diversas formas de aplicação dessa tecnologia e eleger aquela que melhor se encaixa ao problema a ser resolvido.

O deep learning é considerado a maior disrupção tecnológica da área de processamento dos dados, diz Márcio. As agências que fazem uso desse recurso conseguem obter dados mais precisos, individualizados, podem planejar melhor e desenvolver campanhas mais direcionadas a um certo público-alvo, com maior potencial de resposta e, consequentemente, de retorno sobre o investimento. “Na comparação entre deep learning e machine learning não podemos dizer que um é melhor que o outro, depende da aplicação. Em muitos casos, o machine learning traz uma resposta mais objetiva para um determinado problema, sem consumir tanto tempo e sem a necessidade de grandes datasets”, acrescenta Mauricio.

*Credito da imagem de topo: Audioundwerbung/iStock

Publicidade

Compartilhe

Veja também