Nossas soluções transformam os negócios e a sociedade por meio da tecnologia.
Quando se fala em análise de dados, é comum vir à mente tecnologias como o big data. E isso está certo, já que não há dúvidas sobre a capacidade que as informações obtidas pelo recurso têm de revolucionar os modelos de negócios tradicionais. Porém, é essencial transformar os dados em insights para que sejam realmente úteis. Nessa etapa, é que entram soluções de inteligência artificial e o machine learning.
Os recursos de inteligência artificial e machine learning auxiliam na análise de dados, tomada de decisão, na otimização de estratégias e na interação com clientes. A consequência é uma melhora significativa nos resultados. Não é à toa que tantas organizações estão aderindo ao machine learning e seus algoritmos para aumentar os resultados.
Para você ter uma ideia, a IDC Global divulgou um estudo recente, que mostrou que o mercado de inteligência artificial terá um crescimento anual de 46,2%, chegando a US$52 bilhões em 2021. Além disso, segundo a pesquisa, os investimentos na tecnologia devem triplicar até 2022. A previsão é de que o valor chegará a US$77,6 bilhões em quatro anos, três vezes mais do que os US$ 24 bilhões de 2018.
Uma pesquisa recente, realizada pelo Instituto de Tecnologia de Massachusetts (MIT), confirma que o machine learning está mudando a forma como as empresas analisam as métricas para impulsionar o desempenho dos negócios, a experiência do cliente e o crescimento. Ou seja, os recursos estão revolucionando a forma como as organizações criam e medem valor.
Entretanto, para aproveitar todo o potencial, mais do que criar um projeto de inteligência artificial e machine learning e implementá-lo, é preciso estabelecer propósitos concretos e utilizar profundamente o deep learning e seus algoritmos para acelerar e otimizar cada vez mais o aprendizado de máquina.
É por isso que, com a evolução da inteligência artificial, pesquisadores da ciência da computação vêm desenvolvendo constantemente novas abordagens para tornar os computadores ainda mais autônomos e executarem tarefas com precisão. Entre os algoritmos mais utilizados com essa finalidade estão as árvores de decisão, ensemble methods, algoritmos de agrupamento (clustering), regressão linear e redes neurais.
De modo geral, os projetos de machine learning devem possuir um ciclo de vida contínuo, com o objetivo de atingirem alta performance e possibilitarem o crescimento exponencial de
setores como varejo, indústria, saúde, governança e financeiro.
Em 2018, A TIVIT, multinacional brasileira líder em soluções digitais, apresentou a IVI, assistente virtual que utiliza a inteligência artificial e o machine learning para conduzir conversas. Nessas, os usuários acessam informações e resolvem problemas cotidianos por meio de diferentes canais.
Para agilizar o trabalho de curadoria de dados e, desse modo, acelerar o aprendizado da IVI, a empresa desenvolveu o projeto IVI Garage. Durante uma semana, profissionais da empresa, estudaram diversos algoritmos e estratégias de implementação para aumentar a capacidade de aprendizado da IVI (Assistente Virtual da TIVIT).
Na programação estavam contidos, por exemplo, apresentação de algoritmos, definição de infraestrutura e data set, apresentação de processos de curadoria, desenvolvimento do MVP (minimum viable product) e testes neurais.
Dentro do Garage TIVIT as etapas do active learning foram divididas da seguinte forma:
Accelerated Learning
Trata-se do processo para setup de um novo Assistente Virtual. Para isso, a massa de dados é analisada e agrupada por assuntos / similaridade.
Continuous learning
Após o agrupamentos das informações, o próximo passo foi promover a manutenção da base de conhecimento e aumentar a assertividade da IVI, por meio de comparações de conversas entre usuários e máquinas x usuários e humanos para melhorar as respostas da inteligência artificial e sua assertividade em relação às interações realizadas no último período.
Algoritmos
Por meio da utilização de algoritmos como clustering e logística regressa, os profissionais obtiveram sugestões de ajustes de intenções e perguntas que ajudam a melhorar ainda mais a eficiência do modelo. Além disso, por meio de testes, foram reconhecidas novas demandas que podem ser novos assuntos dentro do escopo de atendimento da IVI.
Os benefícios alcançados a partir do Garage TIVIT foram:
Após a revisão e otimização dos processos de machine learning, os próximos passos serão revisar a árvore de clientes, implementar TAG para diálogos, métricas de acurácia e produtividade. A seguinte etapa também envolve treinamentos para curadores de conteúdo, capacitação de equipes e outras ações que tornarão a solução da TIVIT cada vez mais eficiente, dentro de um ciclo que nunca deve ter fim.
Um dos cases recentes relacionados a Machine Learning e a IVI, solução da TIVIT, é de uma empresa global e integrada de agronegócio, alimentos e bioenergia, que tinha o desafio de implementar a inteligência artificial em seus canais de atendimento. A organização, com mais de +35 mil colaboradores, recebia mensalmente cerca de 10 mil chamadas para solução de problemas de TI.
Para suprir essa demanda, o primeiro passo foi implementar a IVI, que se encontra à disposição dos colaboradores durante 24 horas, para tornar as respostas cada vez produtivas. Entre os resultados estão uma redução significativa do atendimento humano.
Atualmente, 24% do relacionamento entre Service Desk e usuários ocorre por meio de da IVI, trazendo qualidade, agilidade e empoderamento do usuário. Como é de se imaginar, isso se reflete diretamente em um experiência satisfatória ao usuário e nos resultados como um todo.
