Em 1979 na Universidade Estadual de Maringá (UEM), participei como aluno de um primeiro curso sobre Inteligência Artificial (IA), onde tive contato com uma linguagem chamada LISP. Fiquei encantado e disse para mim mesmo, este é um tema que quero me aprofundar. Assim, procurei acompanhar a evolução do tema e foi então que, em outubro de 1986, participei do “I Encontro Regional sobre Inteligência Artificial” em São Paulo, promovido pela “SUCESU – Sociedade dos Usuários de Computadores e Equipamentos Subsidiários”, quando aproveitei para fazer um Curso sobre a linguagem Prolog. Depois disso, houve um longo período onde o tema perdeu relevância. Mais tarde surgiu o aprendizado de máquina, redes neurais e ultimamente a aprendizagem profunda e aprendizagem por reforço. Com isso, big data, hardware e software muito mais poderosos, houve a volta dos encantos da IA e da computação cognitiva, agora com aplicações práticas para a vida e para o mundo dos negócios.

Em 2016, durante o meu mestrado, comecei a participar do Núcleo Decide da FEA-USP, que desenvolve pesquisas e seminários sobre Tomada de Decisão nas Organizações (TDO). Em 2017 participei do evento sobre Tomada de Decisão em Startups, em 2018, sobre o uso da Intuição na Tomada de Decisão, em 2019 sobre o uso da IA na TDO. Desde então estamos nos aprofundando numa pesquisa acadêmica sobre esse último tema.

Nesse ínterim compartilhei por aqui um artigo com uma introdução à computação cognitiva, outro sobre as 4 ondas da inteligência artificial e outros sobre IA em negócios.

Agora compartilho mais um artigo sobre o tema da IA, com foco em negócios.

Um universo de casos práticos de uso da IA

De veículos autônomos, aplicativos de análise preditiva, reconhecimento facial, chatbots, assistentes virtuais, automação cognitiva e detecção de fraude, os casos de uso para IA são muitos. No entanto, independentemente da aplicação de IA, há semelhanças para todas essas aplicações. Aqueles que implementaram centenas de projetos de IA percebem que, apesar de toda essa diversidade na aplicação, os casos de uso de IA se enquadram em um ou mais dos sete padrões comuns. Os sete padrões são: hiperpersonalização, sistemas autônomos, análise preditiva e suporte à decisão, interações conversacionais / humanas, padrões e anomalias, sistemas de reconhecimento e sistemas orientados a objetivos. Qualquer abordagem personalizada para IA exigirá sua própria programação e padrão, mas não importa em que combinação essas tendências são usadas, todas elas seguem seu próprio conjunto de regras. Esses sete padrões são então aplicados individualmente ou em várias combinações, dependendo da solução específica à qual a IA está sendo aplicada.

Reconhecimento: máquinas que podem reconhecer o mundo

Significa usar o aprendizado de máquina e outras abordagens cognitivas para identificar e determinar objetos ou outras coisas desejadas a serem identificadas na imagem, vídeo, áudio, texto ou outros dados não estruturados principalmente.

Casos típicos:

• Reconhecimento, Classificação e Análise de Objetos;
• Reconhecimento de Som e Áudio;
• Reconhecimento de Texto e Manuscritos;
• Reconhecimento de Gestos;
• Resumo de Conteúdo;
• Imagens Médicas;
• Reivindicações de Seguro; 
• Detecção de Falsificação
• Outros

Conversacional: máquinas que podem se comunicar como seres humanos

Quando máquinas e seres humanos interagem por meio de formas conversacionais de interação e conteúdo através de uma variedade de métodos, incluindo voz, texto e imagem. Inclui chatbots, assistentes de voz e análise de sentimentos, humor e intenção.

Casos típicos:

• Processamento de Linguagem Natural (NLP)
• Chatbots capacitados pela IA
• Assistentes de Voz
• Análise de Sentimento, Humor e Intenção
• Resumo de Conteúdo
• Tradução de Máquina
• Conteúdo Inteligente
• Geração de Conteúdo
• Outros

Análise preditiva: ajudando os humanos a tomarem melhores decisões

Implica no uso de aprendizado de máquina e outras abordagens cognitivas para entender como comportamentos passados ou existentes podem ajudar a prever resultados futuros ou ajudar os humanos a tomar decisões sobre resultados futuros com base nesses padrões.

Casos típicos:

• Previsão
• Apoio a Decisão
• Pesquisa Assistida
• Consciência Situacional
• Logística e Cadeia de Suprimentos
• Bancos e Finanças
• Energia
• Outros

Sistemas orientados a objetivos: resolvendo o quebra-cabeça

Com o poder do aprendizado por reforço e outras técnicas de aprendizado de máquina, as organizações podem aplicar o aprendizado de máquina e outras abordagens cognitivas para dar a seus sistemas a capacidade de aprender por tentativa e erro. Isso é útil para qualquer situação em que você deseja que o sistema encontre a solução ideal para um problema. Inclui jogos, otimização de recursos, solução iterativa de problemas e leilões de lances e em tempo real.

Casos típicos:

• Jogos
• Simulação de Cenário
• Controle de Semáforos
• Robôs
• Licitações e Publicidade
• Aconselhamento Robótico
• Farmácia e Ciências da Vida
• Outros

Sistemas autônomos: reduzindo a necessidade de trabalho manual

Sistemas autônomos são sistemas físicos e virtuais de software e hardware capazes de realizar uma tarefa, atingir uma meta, interagir com o ambiente e atingir um objetivo com o mínimo envolvimento humano. Inclui máquinas e veículos autônomos de todos os tipos, como carros, barcos, trens, aviões e muito mais. Também inclui sistemas autônomos, como documentação e geração autônoma de conhecimento, processos de negócios autônomos e automação cognitiva, podendo operar em estreita proximidade com humanos na tomada de decisão preferencial.

Casos típicos:

• Veículos Autônomos
• Robôs Colaborativos
• Processos Autônomos de Negócios
• Documentação / Geração de Conhecimento
• Decisões Autônomas
• Logística Autônoma
• Varejo Autônomo
• Outros

Identificando padrões e anomalias: descobre o que combina e o que não combina

Usa o aprendizado de máquina e outras abordagens cognitivas para aprender padrões nos dados e aprender conexões de ordem superior entre os pontos de dados para ver se ele se encaixa em um padrão existente ou se é um erro ou anomalia.  As aplicações incluem detecção de fraude e risco para verificar se as coisas estão fora do comum ou se as expectativas estão acontecendo. Pode encontrar padrões entre os dados e ajudar a minimizar ou corrigir erros humanos. Inclui ainda texto preditivo, onde ele pode analisar padrões de fala e gramática para ajudar a sugerir palavras para acelerar o processo de escrita.

Casos típicos:

• Detecção de Fraude e Risco
• Descobrindo Insights nos Dados
• Detecção e Correção Automática de Erros
• Monitoramento Inteligente
• Aumento e Descoberta de Dados
• Digitação Preditiva / Texto Preditivo
• Correspondência do Candidato
• Outros

Hiperpersonalização: trata cada cliente como um indivíduo

Significa usar o aprendizado de máquina para desenvolver um perfil de cada indivíduo e, em seguida, fazer com que esse perfil aprenda e se adapte com o tempo para vários propósitos, como exibir conteúdo relevante, recomendar produtos relevantes, fornecer recomendações personalizadas.

Casos típicos:

• Perfil de Cliente Melhorado
• Personalização de Conteúdo
• Sistemas de Recomendação
• Perfil de Comportamento
• Publicidade Hiperpersonalizada
• Medicina Hiperpersonalizada
• Finanças e Seguros Hiperpersonalizados
• Outros

Combinando padrões para o sucesso do projeto de IA

Embora possam parecer padrões discretos que são implementados individualmente em projetos típicos de IA, na realidade, vimos organizações combinar um ou mais desses sete padrões para realizar seus objetivos. Ao pensar em projetos de IA em termos desses padrões, as empresas os ajudarão a abordar, planejar e executar melhor os projetos de IA. Na verdade, as metodologias emergentes estão se concentrando no uso desses sete padrões como uma forma de agilizar o planejamento de projetos de IA. Depois de saber que está fazendo um padrão de reconhecimento, por exemplo, você pode obter insights sobre uma ampla gama de soluções que foram aplicadas a esse problema, insights sobre os dados que são necessários para alimentar o padrão, casos de uso e exemplos de aplicativos do padrão, algoritmo e dicas de desenvolvimento de modelo e outros insights que podem ajudar a acelerar a entrega de projetos de IA de alta qualidade.

Considerações finais

Embora a IA ainda esteja na fase inicial de adoção na maioria das empresas, está claro que a identificação e o uso desses padrões ajudarão as organizações a realizar seus objetivos de projeto de IA mais rapidamente, com menos reinvenção da roda e com muito melhores chances de sucesso.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência

Este post é uma tradução resumida e adaptada do artigo da Forbes: The Seven Patterns Of AI, escrito por Kathleen Walch; e casos típicos levantados pela empresa Cognilytica.

Artigos Relacionados:

• Introdução à computação cognitiva
• As 4 ondas da inteligência artificial
• Delegação da Decisão: Humana e, ou, IA
• Blocos de Construção da Inteligência Artificial
• Inteligência Artificial: Marcos de desempenho em nível humano
• Aprendizado de máquina e o futuro dos negócios
• Por uma sociedade melhor, quem sabe 5.0
• Brasil Rumo à Indústria 4.0
• Transformação Digital – Por que, o que, e como fazer