Summit Sobre Inteligência Artificialabemd.org.br/Eventos/palestra_IA/Summit... · 2 – Computadores recebiam ordens do que fazer. Agora estão aprendendo executar diferentes tarefas

Eduardo Ramalho – Summit sobre Inteligência Artificial – Abemd - 13/06/18

Eduardo Ramalho

SummitSobre Inteligência Artificial

13 de Junho de 2018 das 10h00 às 11h00

Abemd – Av. São Luiz, 50 – 13 andar – cj 132b

São Paulo

1


iDBM

Bem-vindos

2


Tecnologias Cognitivas, Inteligência Artificial e a Neurociência Inteligência Artificial, como surgiu, porque e o que é novoQual a relação entre Inteligência Artificial e AnalyticsQuando e para que se usam: Machine Learning, Deep Learning e Robotic O que compõe uma solução de Inteligência ArtificialAlgoritmos, o que é e para que servemAs principais aplicações de Inteligência ArtificialA Inteligência Artificial no MarketingOs desafios da Inteligência ArtificialOs empregos que estão em riscos com a Inteligência ArtificialO perfil do profissional de Inteligência ArtificialQue área de negócio das empresas deve liderar a Inteligência Artificial Inteligência Artificial x humanos, quem vencerá?

3

Agenda


O Ciclo Virtuoso

Novastecnologias

Novos Comportamentos

Mundanças nos

Negócios

Big Data

4


5

Tecnologias Cognitivas


6

Tecnologias Cognitivas

Termo cunhado pela IBM, surgiu de uma mistura de ciência cognitiva - o estudo do cérebro humano e como ele funciona - e ciência da computação.

É um ramo da ciência da computação que se encarrega de resolver problemas, por meio de programação computacional, simulando a cognição (compreensão entre causa e efeito) humana.

Computação cognitiva trata-se da capacidade de computadores pensarem (quase) como seres humanos. Três elementos-chave da cognição: compreender, raciocinar e aprender.

Tecnologia cognitiva pode interpretar, estruturar e cruzar informações, para gerar lógicas e insights – mais ou menos como os humanos.

Evolução: as máquinas mais antigas eram capazes de fazer cálculos. Depois, surgiram os sistemas programáveis, que são aqueles utilizados até hoje em nossos celulares. A tecnologia cognitiva, processa informações e aprende com elas de forma muito semelhante ao cérebro humano, sem que precise ser programada.

Tecnologia cognitiva interage de forma mais integrada com os seres humanos por meio de algoritmos de compreensão de linguagem natural, capacidade de aprendizagem e de identificação de padrões ou insights, que se assemelha ao raciocínio humano e a maneira como o cérebro humano funciona.


7

Tecnologia Cognitiva – Diferenças básicas do humano

1 – Computadores são mais rápidos em processamento e cálculos, porém não conseguem realizar tarefas que humanos julgavam simples, como entender linguagem natural ou reconhecer alguns objetos em uma imagem.

2 – Computadores recebiam ordens do que fazer. Agora estão aprendendo executar diferentes tarefas baseados em experiências - o que se parece muito com o desenvolvimento de habilidades cognitivas em humanos.

3 - Diferente dos humanos, esses sistemas inteligentes de computação vão reter e lembrar tudo o que eles aprendem.

Oportunidade: os humanos vão de ter acesso a um assistente informatizado que vai sempre estar preparado para oferecer informações e orientações úteis.

Essa é a essência da era da tecnologia/computação cognitiva.


Neurociência é o estudo científico do sistema nervoso.

Tradicionalmente, a neurociência tem sido vista como um ramo da

biologia.

Atualmente ela é uma ciência interdisciplinar que colabora com outros

campos como a educação, química, ciência da computação, engenharia,

antropologia, linguística, matemática, medicina e disciplinas afins,

filosofia, física e psicologia.

8

Neurociência


Sua essência vem da união da neurociência com a pesquisa do comportamento do consumidor. Em resumo, a neurociência estuda como o cérebro e o sistema nervoso influenciam as decisões das pessoas. Os estudos tomaram forma a partir de 1990 e os benefícios que eles podem trazer aos empresários, entre outros, envolvem:

•Criação de campanhas mais focadas nas respostas do subconsciente dos consumidores.•Entender as reações dos clientes a itens como cor, som, cheiro, textura, formato, sabor, entre outras características do produto.•Entender as reações dos clientes previamente à finalização de campanhas publicitárias.•Aplicação de pesquisas de desenvolvimento de produtos ou campanhas com resultados mais próximos à realidade.•Existem algumas técnicas que você pode aplicar na sua comunicação com o cliente que ajudam a “atingir o cérebro do consumidor”.•Está mais relacionada a Psicologia do Consumo, campo de estudo bem interessante para entender melhor os sentimentos e emoções que envolvem o consumidor no processo de compra.

9

Neuromarketing


10

Neurociências x Inteligência Artificial

Tradicionalmente independentes, começa a mudar. Neurociência está utilizando cada vez mais intensamente de modelos

computacionais para avaliar como o nosso cérebro processa as informações.

Esses estudos vão gerar grandes impactos sobre a ciência da computação, e especificamente sobre a inteligência artificial.

Inteligência Artificial consegue imitar uma parte restrita do cérebro ligada à compreensão de causa e efeito e entendimento de processos lógicos, desde que sejam alimentados previamente com informações.

Toda uma gama de atividades ligadas ao cérebro humano, que se referem à emoção, e que foram formadas muito antes da nossa capacidade de resolução de temas repetitivos, que, pelo menos em um panorama próximo, não conseguirão ser emuladas por um dispositivo de Inteligência Artificial.

O aspecto emocional e irracional tem uma importante contribuição na tomada de decisões do ser humano e ainda não consegue ser imitada por nenhum instrumento de inteligência artificial.


11

Tecnologias Cognitivas x Inteligência Artificial

É a automação de processos redundantes, rotineiros, não prazerosos e ineficazes.

Ramo da ciência da computação que se encarrega de resolver problemas por meio da programação computacional, simulando a cognição humana.

Surgiu em 1956 na Conference de Darthmoth College nos EUA, embora as primeiras informações mencionadas sobre a neuro computação datam de 1943, em artigos de McCulloch e Pitts, em que sugeriam a construção de uma máquina baseada ou inspirada no cérebro humano.

Só popularizou a partir de 2015 devido aos grandes avanços em:-Processamento paralelo, disponibilidade dos GPU (Graphic Processing Units)-Explosão do Big Data.

Utiliza basicamente dois tipos de processamento: -Redes neurais artificiais-Algoritmos.


O cérebro humano é considerado o mais fascinante processador baseado em carbono existente, sendo composto por aproximadamente 10 bilhões neurônios. Todas as funções e movimentos do organismo estão relacionados ao funcionamento destas pequenas células. Os neurônios estão conectados uns aos outros através de sinapses, e juntos formam uma grande rede, chamada REDE NEURAL. As sinapses transmitem estímulos através de diferentes concentrações de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode ser estendido por todo o corpo humano. Esta grande rede proporciona uma fabulosa capacidade de processamento e armazenamento de informação.

12

Redes Neurais

Os neurônios são as células que formam o nosso cérebro. Elas são compostas basicamente por três partes: os dentritos, que captam informações ou do ambiente ou de outras células, o corpo celular ou Soma, responsável pelo processamento das informações, e um axônio, para distribuir a informação processada para outros neurônios ou células do corpo.


Redes neurais artificiais (RNA’s) são sistemas que simulam o comportamento e a estrutura do cérebro humano, porém possuem um conjunto muito limitado de neurônios. Esses neurônios, por sua vez, processam paralelamente os dados e os propagam através de uma complexa malha de interconexão. Analogamente ao cérebro humano, as RNA’s têm a capacidade de interagir, aprender, errar e fazer descobertas com o meio externo e adaptar-se a ele.Mais que isso, são técnicas computacionais que adquirem conhecimento através da experiência.

13

Redes Neurais Artificiais


A propriedade mais importante das redes neurais artificiais é a habilidade de adaptar e aprender de seu ambiente e com isso melhorar seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento.

A rede neural além de aprender através de exemplos, permite generalizações redundantes e tolerância a falhas.

A rede neural se baseia nos dados para extrair um modelo geral. Portanto, a fase de aprendizado deve ser rigorosa e verdadeira, a fim de se evitar modelos espúrios. Todo o conhecimento de uma rede neural está armazenado nas sinapses, ou seja, nos pesos atribuídos às conexões entre os neurônios.

14



• Não existe uma programação pré-definida dos neurônios artificiais. Cada informação processada gera um peso, dependendo do resultado. Se for um acerto, ela ganha um ponto, se for um erro, ela perde meio ponto.

• A rede neural testa várias vezes a percepção do objeto. A cada acerto, os neurônios envolvidos no processamento ganham um ponto e aquela rede é reforçada. A cada erro, esses neurônios perdem meio ponto. Dessa forma, o sistema cria a rotina de seguir o caminho com mais pontos sempre. Quanto mais tentativas, mais aprimorado fica o sistema, chegando, ao final de um processo de aprendizado, a executar tarefas quase sem erro algum.

• De 50 a 90% do total de dados deve ser separado para o treinamento da rede neural, dados estes escolhidos aleatoriamente, a fim de que a rede "aprenda" as regras e não "decore" exemplos. O restante dos dados só é apresentado à rede neural na fase de testes a fim de que ela possa "deduzir" corretamente o inter relacionamento entre os dados.

15



A algoritmo é uma sequência lógica, finita e definida de instruções que devem ser seguidas para resolver um problema ou executar uma tarefa. É uma receita que mostra passo a passo os procedimentos necessários para a resolução de uma tarefa. Não responde “o que fazer?”, mas sim “como fazer”.

Algoritmos são utilizados de forma intuitiva e automática diariamente quando executa tarefas comuns.

Um algoritmo é um conjunto de etapas precisas que não precisam de grande esforço mental para serem seguidas, mas que, se obedecidas exatamente e mecanicamente, levarão ao resultado desejado.

Algoritmo é simplesmente uma "receita" para executarmos uma tarefa ou resolver algum problema. E como toda receita, um algoritmo também deve ser finito. Se seguirmos uma receita de bolo corretamente, conseguiremos fazer o bolo.

Mais importante: o algoritmo elimina o eventual viés emocional que carregam as decisões.

16

Algoritmos


Por exemplo, quando precisa trocar uma lâmpada, você:Início

Verifica se o interruptor está desligado;Procura uma lâmpada nova;Pega uma escada;Leva a escada até o local;Posiciona a escada;Sobe os degraus;Para na altura apropriada;Retira a lâmpada queimada;Coloca a lâmpada nova;Desce da escada;Aciona o interruptor;Se a lâmpada não acender, então:

Retira a lâmpada queimada;Coloca outra lâmpada nova

SenãoTarefa terminada;

Joga a lâmpada queimada no lixo;Guarda a escada;Fim

17

Algoritmos


Por exemplo: Algoritmo Recepcionista de Cinema

•Inicio

•1 - Solicitar ao cliente o bilhete do filme.

•2 - Conferir a data e o horário do filme no bilhete.

•Se data/hora atual > data/hora do filme + 30 minutos Então

•3 - Informar ao cliente que o tempo limite para entrada foi excedido.

•4 - Não permitir a entrada.

•Senão Se data/hora atual < data/hora do filme - 30 minutos Então

•5 - Informar ao cliente que a sala do filme ainda não foi liberada para entrada.

•6 - Não permitir a entrada.

•Senão

•7 - Permitir a entrada.

•8 - Indicar ao cliente onde fica a sala do filme.

•Fim-Se

•Fim

18

Algoritmos


GENTE

TECNOLOGIA

Batedeira

DADOS

Ingredientes

PROCESSOS

Receita

O SUCESSO DOS NEGÓCIOS

ESTRATÉGIA

Fonte: Carletto/Data Search 19

Algoritmos


20

Algoritmos

Machine Learning

Aprendizado de máquina

supervisionada

Aprendizado de máquina não

supervisionada

Os principais elementos do software de aprendizagem de máquina tradicional são análise estatística e análise preditiva usadas para detectar padrões e encontrar insights escondidos com base em dados observados de cálculos anteriores sem ser programado sobre onde procurar.


•O Machine Learning (ou aprendizado de máquina) é uma forma de inteligência artificial que permite que aplicações de software sejam mais precisas. A ideia é que elas possam oferecer alternativas e soluções mesmo sem ser programadas para isso, pois são capazes de aprender com as informações que lhe são alimentadas ao longo do tempo.

•A premissa básica do Machine Learning é a criação de algoritmos que aprendam a ler e compreender novos dados, usando análise estatística para determinar respostas dentro de um número finito de possibilidades. Existem por aí algoritmos de Machine Learning de dois tipos: os supervisionados e os não supervisionados.

•No primeiro tipo de Machine Learning é requerida a presença de humanos para submeter informação às máquinas e oferecer feedback a respeito de seus resultados. Nos algoritmos supervisionados, a extração de recursos na aprendizagem de máquina requer o trabalho do Cientista de Dados em pré-processar os dados e entregar aos algoritmos dados que possam ser explorados em busca de padrões.

•Já no segundo, denominado Deep Learning, tudo é feito de maneira autônoma pelos sistemas e os resultados são avaliados por ele mesmo.

• Machine Learning está presente em nossas vidas diárias através de serviços de streaming como Netflix e algoritmos de mídia social que alertam para tópicos de tendências ou hashtags assim como no Feed de notícias do Facebook que usa aprendizado de máquina em um esforço para personalizar o feed de cada indivíduo com base no que eles gostam. 21

Machine Learning


•Esse recurso simula exatamente a forma de aprendizado utilizada pelos seres humanos na hora de compreender uma nova informação e dá às máquinas a capacidade de fazer o mesmo.•De maneira simplista, o Deep Learning (ou aprendizado profundo) pode ser visto como uma forma de automatizar a análise preditiva. Isso acontece porque enquanto mecanismos de aprendizado de máquina geralmente são lineares, os de Deep Learning não são. Eles são encadeados hierarquicamente, permitindo análises mais complexas e abstratas.•O resultado desse encadeamento hierárquico é um monte de transformações não-lineares que se configuram em modelos estatísticos. Conforme o sistema coleciona uma porção deles, é capaz de entender melhor o que está acontecendo ao seu redor.•Quando voltamos às premissas básicas, Machine Learning é toda a prática de usar algoritmos para entender dados. O Deep Learning, por outro lado, é a prática de usar apenas algoritmos para fazer isso, é intuitiva, sem a supervisão de nenhum tipo de agente humano.•Embora a aprendizagem de máquina tenha se tornado parte integrante do processamento de dados, uma das principais diferenças em relação à aprendizagem profunda é que ela exige uma intervenção manual na seleção dos recursos a serem processados, enquanto a aprendizagem profunda é intuitiva.

22

Deep Learning


Ecossistema da Inteligência Artificial

DeepLearning

Robotic

23

AlgoritmoAprendizado de máquina

supervisionada

AlgoritmoAprendizado

de máquina não supervisionada

Simula as funções

humanas

Dados

Redes Neurais

Artificiais

MachineLearning

Redes Neurais

Artificiais

Redes Neurais

Artificiais


24

Tecnologias Cognitivas x Analytics

Analytics: Técnicas estatísticas descritivas e modelos preditivos para extrair

conhecimento de grandes massas de dados.

Tecnologias Cognitivas: Programação computacional para o processamento de informações e tomadas de decisões baseadas em aprendizado de experiências anteriores, semelhante

ao funcionamento do nosso cérebro.

Exemplo:Você tem R$ 5 mil e quer fazer uma aplicação. O computador tem seus dados e sabe que você é uma pessoa propensa a aceitar riscos. Ele então vai lhe dar

um leque de opções, com suas respectivas probabilidades de sucesso, baseadas em evidências reais: aplicação na bolsa, investimento no mercado de

derivativo, colocar na poupança, e por aí vai.


25

Learning Machine

Deep Learnig

Robotics

Um ramo da ciência que elabora

dispositivos que simulam a

capacidade humana , isto é a

capacidade de ser inteligente.

Aplicações da Inteligência Artificial


26

Principais aplicações

- Recomendação de produtos- Chatbots- Reconhecimento facial- Processamento de grandes volumes de informação: médica,

jurídica, crédito, risco, fraude, etc.- Assistentes virtuais- Realidade aumentada- Games – jogos de empresas, esportes, treinamento, etc- Drones- Veículos teleguiados, etc

- Principais desafios:- Reconhecimento de objetos em imagens e entender a

linguagem natural.



27



Discover weekly

O que essas empresas têm em comum?

Quem está ausente?



Machine Learning – Exemplo Chatbots

Interações em linguagem natural escrita ou falada com o usuário. Faz perguntas e respostas dentro de um contexto que parece realmente uma conversa natural. Exemplo: Mary Kay.

Ex: Personal Shopper, sistemas que ajudam o cliente a tomar decisões. Exemplo, uma marca de cosmético pode estabelecer um diálogo com o consumidor, que restrinja a lista de 10 mil itens para apenas 2 que mais se ajustam as necessidades e interesse do consumidor. Exemplo: Make up Genius da L’Oreal.

Outro exemplo mais simple: executivos adoram ter um app que mostre no celular os resultados de uma loja durante um determinado período de tempo, por exemplo, no dia de ontem. Ao invés de digitar as perguntas, pode ser feito por comando de voz, denominado de Speech Text, que responde e interage. Imagine que o sistema respondeu que a loja faturou R$30 mil, o usuário pode automaticamente perguntar e quanto era a meta? E qto faturou no acumulado dos últimos 30 dias, e como estamos em relação a meta anual, etc, permitindo uma perfeita interação da maquina e usuário.



Reconhecimento Facial no Itaú

Melhorar a experiência de compra:Avaliar quem passa em frente da loja, como interage com a

vitrine, qtos entram na loja, reconhece o visitante, faz oferta relevante, analisa tempo de permanência em setores, se está desassistida, medir tempo de check out (idoso, problema com

cc, falta de troco, pico, etc)

Captura 40 sinais de alerta por dia x 4 mil agências = 160 mil sinais, que passam por uma pré-avaliação e restam 3.200 sinais

administrados por 22 funcionários.



https://www.digitaltrends.com/cool-tech/algorithm-movie-trailers/

Como um algoritmo de reconhecimento faz no trailer do filme "WOLF OF WALL STREET"


Reconhecimento Facial


Deep Learning

Ensina o sistema a reconhecer pessoas, ensina a ler as fotos e depois tirar suas conclusões. Mostra para o sistema algumas fotos de pessoas informando que é pessoa do sexo masculino, branco, idade 35 anos e outras fotos de outras pessoas diferentes com outras informações. Com o tempo o sistema aprende o que é pessoa do sexo masculino, idade, etc.

Outro exemplo, pode aprender o que o seu cliente gosta através de likes e deslikes nas redes sociais. Se vc tem uma loja de moda e o cliente faz vários likes em determinadas fotos, o sistema aprende os gostos do cliente, permitindo interações personalizadas com seus clientes.

Outro exemplo é capturar o tom dos comentários na sua página na rede social ou no seu blog. O sistema através do Tom analyzer captura cada post, comentários, e define o tom que estão falando, se estão gostando, contentes, indiferentes, entusiasmados, com raiva, etc. O sistema aprende e entende melhor sua audiência no ambiente digital, permitindo levar mais valor para seus clientes.

Carros que dirigem sozinhos, melhor saúde preventiva, recomendações de melhores filmes, sistemas de recomendações de compras que aprendem sobre nossas preferências, conversas com a Siri – assistente pessoal presente nos dispositivos com iOS, sistemas de freios e de injeção de combustível que se adaptam a mudanças nas condições de direção do automóvel.


Demanda por roupa

• Com o cruzamento de dados estruturados – como histórico de compras dos clientes com esta marca – e não-estruturados – como os dados gerados pelas pessoas em redes sociais –, aliados às tradicionais pesquisas de mercado, é possível à empresa compreender quais têm sido os principais padrões de busca por peças de roupas (cor, tamanho, corte, estilo e dezenas de outras características) e quais são as intenções de próximas compras do consumidor.

• Com esses insights em mãos, a marca é capaz de prever, com bastante precisão, quais serão suas peças mais desejadas na Black Friday e, assim, planejar sua disponibilidade de produtos. Além disso, a gestão de estoque e de toda a cadeia de logística da empresa é otimizada.

• Permite fazer oferta de recomendação de oferta na web que aprende a recomendar as melhores ofertas automaticamente, cada vez que o usuário clica no anuncio.



Inteligência Artificial - Cervejaria

A cervejaria IntelligentX Brewing Company, com sede em Londres, desenvolveu um sistema de IA para coletar e incorporar, de forma contínua, as impressões dos clientes, que são usadas para preparar as novas versões de cervejas da empresa.6 “Nossa Inteligê ncia Artificial pode conversar com todos os nossos clientes, e cada feedback permite que nossa cerveja evolua”, explica Rob McInerney, cofundador da IntelligentX. “Você pode conversar com o algoritmo sempre ou de onde quer que esteja bebendo a cerveja.” “O gosto das pessoas muda mais rápido do que nunca e IA é a maneira perfeita para responder”, diz Hew Leith, cofundador da fabricante de cervejas. É assim que as empresas expandirão o papel que elas tê m na vida das pessoas e estabelecerão um lugar no futuro da sociedade, isto é, além de um fornecedor de produtos e servic ̧os. Com a tecnologia que verdadeiramente responde aos indivíduos – e que considera

https://www.facebook.com/i

ntelligentxai/



Que roupa mais combina com seu estilo de vida

São Paulo Fashion Week – 2017

Máquina saca estilo via Inteligência Artificial – Folha de São Paulo – 31/08/17

Sistema de Inteligência Artificial criado pela Microsft promete indicar quais marcas se encaixam ao estilo dos usuários.

Um totem armado no evento lê o corpo dos fashionistas e indica o que ajuste mais ao estilo da pessoa.

Primeiro o sistema faz o reconhecimento facial, interpreta o rosto e estima a idade da pessoa, reconhece óculos e maquiagem e baseado em 55 milhões de imagens em um banco de dados, busca reconhecer diferentes gostos por moda.

O robô ainda não interage, mas fala baseado no que está interpretando, por exemplo diz: vi que vc está usando uma regata vermelha e uma calça escura. Acho que você pode gostar das seguintes coleções ......

Na realidade o algoritmo interpreta as faces e as peças que a pessoa está vestindo e baseado nisso sugere um estilo de roupa, ainda restrito a apenas 3 estilos: cool, urbano ou sofisticado moderno.



Marketplace de Influenciadores e Marcas

• Plataforma de gestão de influenciadores que têm seguidores nas redes sociais

• Busca o long tail, milhares de influenciadores com baixo volume de seguidores

• Machine Learning casa a oferta de influenciadores com a demanda dos anunciantes

• Influenciadores são remunerados por clique

• Marcas via ML escolhem os influenciadores e pagam por resultado.



Indicar a qualidade de um vinho

Um data scientist (ou cientista de dados) dos Estados Unidos resolveu aplicar machine learning sobre vinhos franceses da cidade de Bordeaux e desenvolveu um sistema para classificar a qualidade de uma safra da bebida. Como? Ele compilou dados sobre o clima na região nos últimos 60 anos e sobre as melhores safras durante o mesmo período de tempo e treinou um algoritmo de acordo com os fatores que fazem uma colheita de uva ser boa ou ruim para a produção vinícola. Resultado: o modelo “acertou” 6 das 8 melhores safras de vinho durante as seis décadas utilizadas no estudo.


Fonte: Konduto


Escolher o melhor filme para o seu final de semana

Às vezes você esgotou a sua criatividade e não sabe qual filme será a escolha perfeita para aquele domingo preguiçoso. É justamente aí que entra o machine learning do Netflix, por exemplo: com base nos filmes que você já assistiu e avaliou na plataforma, o serviço de streaming faz sugestões que, muito provavelmente, não te decepcionarão.


Fonte: Konduto


1º Anúncio do mundo que usa IA - A agência M&C Saatchi

http://acontecendoaqui.com.br/propaganda/agencia-mc-saatchi-apresenta-primeiro-anuncio-que-usa-inteligencia-artificial



Inteligência Artificial no Varejo

Melhorar a experiência de compra:Avaliar quem passa em frente da loja, como interage com a

vitrine, qtos entram na loja, reconhece o visitante, faz oferta relevante, analisa tempo de permanência em setores, se está desassistida, medir tempo de check out (idoso, problema com

cc, falta de troco, pico, etc)

As Lojas do Futuro - Globohttps://www.youtube.com/watch?v=9X9bGJLdBEw



A contratação se torna mais rápida e mais barata, e seus dados podem levar os recrutadores a pessoas mais bem preparadas que se encaixam melhor em suas companhias.Outro resultado potencial: um lugar de trabalho mais diversificado. O software se apoia em dados para garimpar candidatos de uma ampla variedade de locais e casar suas habilidades com os requisitos do emprego, sem vieses humanos.

41

Algoritmos contratação de pessoas


Algoritmo na antecipação de problema de RH


42


Personalização e automação financeira

A personalização dos serviços é uma característica da era digital. O novo ambiente de negócios exige que grandes instituições financeiras, como bancos, reavaliem seus produtos e serviços.

Segundo Ramesh Mahalingam, CEO e fundador da Vizru, eles precisam ser cada vez mais personalizados e, de preferência, em tempo real, o que só é possível com o uso de Inteligência Artificial.

Isto porque tarefas como estas exigem análise de grande quantidade de dados e alta capacidade de processamento, tudo isso em tempo real, algo praticamente impossível de ser executado por um ser humano.

A USAA (empresa norte-americana de serviços financeiros), por exemplo, revolucionou o relacionamento com seus clientes, na medida em que treinou seu sistema cognitivo para responder perguntas sobre a transição da vida militar para a vida civil, contidas em mais de 3 mil documentos.

Otimização do relacionamento com cliente


43


Na Fukoku o novo sistema fará cálculos de pagamentos devidos aos segurados, com base em análises de informações não estruturadas de texto, vídeo e imagens. Serão analisados sem intervenção humana milhares de dados, com informações médicas como tempo de internação, procedimentos realizados, histórico dos pacientes, entre muitas outras. Claro que os valores apontados pelo sistema de IA terão que passar pela aprovação dos profissionais da companhia que finalizarão o processo para efetuar os pagamentos.

Otimização de pagamento a segurados de plano de saúde

No caso da Wellpoint (empresa norte-americana na área de saúde), a computação cognitiva oferece suporte a decisões e tem acelerado o processo de aprovação de requisições médicas para que sejam concluídas em apenas alguns segundos, frente às várias horas, ou dias, no modelo anterior. Isso só foi possível devido ao sistema ter sido treinado com 25 mil casos históricos, aos quais são aplicados técnicas de geração de hipóteses e aprendizado, baseado em evidências, para gerar recomendações que auxiliam na tomada de decisão.

Agilidade na aprovação de requisições médicas


2 - Modelos Preditivos

Através de um modelo matemático chamado 'dispersão', analisa as conexões de duas pessoas que tem grupos diferentes de amigos.... pode identificar de forma precisa com quem você está saindo e se o relacionamento está em perigo.

Facebook pode prever quando seu namoro vai acabar

Pode prever quando você vai perder o emprego.


Regra dos 37% - algoritmo diz a idade que você deve casar.

Algoritmos resolvem dúvidas na hora de jantar, de se casar, com quem casar, onde comer, que casa comprar, que roupa vestir, etc...

Usa IA para melhorar experiência de consumo e desenvolver produto.


Outros Exemplos

Que produtos de roupa farão mais sucesso entre os consumidores durante a Black Friday

Impacto da chuva na venda de meus produtos

Que propaganda mostro para que tipo de perfil de público-alvo

Quais as 10 músicas mais românticas do mundo, cientificamente mais perfeitas

Que produto recomendo para um cliente. Aprende a recomendar a melhor oferta automaticamente, cada vez que o usuário clica no anuncio.

Como o reconhecimento facial podem indicar seu nível de stress e fazer recomendação de parada, música, etc

Como os dados de um aplicativo no celular podem indicar um potencial acidente de carro

SEO – prever tráfego no site. Prever o melhor título, para descobrir o melhor CTR e com melhor CTR sua pagina fica melhor posicionada organicamente.

Qual youtuber se ajusta melhor ao seu produto.



Outros Exemplos

Avaliação de risco de seguro auto via aprofundamento do comportamento dos motoristas.

Reconhecimento facial na facilitação do check in

Reconhecimento facial na identificação de clientes nas lojas físicas e virtuai

Melhoria da retenção de clientes

Aumento da velocidade de vendas



47

Conclusões

- É diferente do Analytics- Não usa programação computacional- Baseado em experiências



A Universidade de Cornell, nos Estados Unidos, desenvolveu um algoritmo capaz de identificar a presença de baleias-francas no oceano e desviar as rotas de embarcações para evitar a colisão com esses animais, que têm até 18 m de largura e 80 toneladas de peso. O modelo foi baseado no som que as baleias emitem para se localizarem e ajuda na preservação do mamífero, que está ameaçado de extinção.

Fonte: Konduto

Evitar colisões de embarcações com baleias



Também é possível estimar o tempo que um paciente levará para ser atendido no momento em que ele chega ao pronto-socorro, a partir de uma simulação de eventos discretos.

Para isso, os modelos levam em consideração informações como número de médicos e enfermeiros realizando o atendimento, dados do paciente e até mesmo o formato dos consultórios médicos.

Fonte: Konduto

Calcular o tempo de espera em um pronto-socorro



“Quem comprou este produto também levou…”. Sim, este é um dos usos mais “clássicos” de machine learning no e-commerce. Afinal, por que não facilitar a vida de um cliente que já está fazendo compras (e propenso a gastar) e mostrar a ele alguns itens que podem ser de seu interesse? Essa tática funciona, e muito bem. A Amazon que o diga…

Fonte: Konduto

Fazer up-sell de produtos no e-commerce



A Agência Antidrogas dos Estados Unidos e a Polícia Federal do Brasil encontraram 200 imagens de Hello Kitty em um computador de Juan Carlos Abadia. Suspeito? Muito. O traficante colombiano fazia alterações extremamente sutis em alguns pixels das imagens e, ali, inseria mensagens de texto com ordens para a movimentação de drogas entre países ou para sequestro e assassinato de pessoas. Esse mistério só foi solucionado graças ao machine learning, que, com base nas imagens “originais” da gatinha japonesa, identificou quais arquivos haviam sido alterados por conta do processo de esteganografia (escrita escondida).

Fonte: Konduto

Ajudar a solucionar investigações criminais



Neste tópico, Facebook e Google revolucionaram o mercado da publicidade online, desenvolvendo um modelo muito mais sedutor para anunciantes – que pagavam muito dinheiro (muito mesmo!) para atingir muita gente (inclusive as que não eram interessante para o negócio). Com machine learning foi possível otimizar a entrega de publicidade, segmentando-a de acordo com as características do público-alvo do produto e exibindo-a em redes sociais, sites de busca ou páginas com conteúdos relacionados aos anúncios.

Exibir publicidades que (talvez) tenham mais a ver com você



Dois cientistas de dados de Stanford, nos Estados Unidos, também conseguiram desenvolver um serviço capaz de beneficiar inúmeros viajantes, “prevendo” voos que poderão sofrer atrasos ou cancelamentos em função das condições meteorológicas.

Eles cruzaram uma fonte de dados de mais de 100 anos da meteorologia americana com informações de 25 anos de performance de linhas aéreas no país e criaram um algoritmo que demonstrou 75% de precisão em voos que sofreram alterações significativas em função das variações do clima.

Fonte: Konduto

Prever voos que sofrerão atrasos ou cancelamentos



Hoje em dia, há empresas que usam robôs para investir no mercado de ações.

Os algoritmos detectam as melhores oportunidades do pregão todos os dias e, a partir daí, tomam as decisões que gerarão mais lucratividade.

Seria uma máquina de ganhar dinheiro? Os defensores deste modelo justificam que sim, pois os algoritmos não seriam influenciados por fatores como medo e pressão, que podem confundir um operador humano na tomada de decisão.

Fonte: Konduto

Investir no mercado de ações



Uma startup do Vale do Silicio desenvolveu um modelo que pode revolucionar a indústria farmacêutica, que muitas vezes depende de anos de pesquisas para criar um novo medicamento.

No entanto, a empresa uniu biologia e inteligência artificial para reduzir este longo processo a meros “minutos”. A empresa cruza diversos dados públicos e particulares (incluindo dados genéticos) para estabelecer a relação droga-doença e os fármacos mais indicados para combaterem determinada enfermidade.

Fonte: Konduto

Desenvolver medicamentos



Pode parecer tarefa fácil identificar um pássaro a partir de alguns segundos do canto da ave, certo? Ok, sim.

Mas vamos escalar este desafio, para gravações com dias de duração, centenas (ou milhares) de espécies de pássaros e um ambiente aberto, com muitos outros ruídos (de outros animais, insetos, vento, chuva etc). Tudo isso também é possível graças ao machine learning, usando a tecnologia para facilitar a tarefa dos profissionais da área, reduzir custos e acelerar os estudos, além de torná-los muito mais precisos.

Fonte: Konduto

Identificar pássaros a partir de gravações de áudio



Os principais serviços de e-mails (gratuitos ou pagos) têm um filtro de spam bastante inteligente, capazes de bloquear automaticamente mensagens indesejadas que contenham características “clássicas” como “viagra”, “príncipe nigeriano” ou links para download de arquivos .exe.

O usuário não precisa sequer configurar essas regras: graças ao machine learning, os serviços filtram os e-mails e não deixam que eles apareçam na caixa de entrada.

Fonte: Konduto

Filtrar spams



Com base nas características dos clientes de uma loja, do histórico de chargebacks e de diversos outros fatores (incluindo o “feijão com arroz” da análise de risco, o cruzamento de CPF e número de cartão de crédito), é possível detectar padrões de comportamento de usuários em um site e identificar uma fraude no momento em que o pedido é realizado.

Com isso, o lojista obtém respostas em tempo real (em menos de 1s), aprova mais pedidos, tem menos custos de revisão manual e barra somente as transações realmente suspeitas.

Ou seja: é possível ter uma redução considerável de custos e, consequentemente, um aumento de lucro.

Fonte: Konduto

Detectar fraudes no e-commerce



A tecnologia é capaz de identificar e interpretar padrões em exames de pacientes para perceber doenças que ainda não poderiam ser detectadas pelas atuais ferramentas de diagnóstico.

Um exemplo é de a interpretação dos sinais que prenunciam uma septicemia antes mesmo dela se revelar com seus principais sintomas perceptíveis para os médicos.

Na prática, o machine learning se torna uma excelente tecnologia para o diagnóstico precoce, que facilita o tratamento de qualquer tipo de problema de saúde.

Cruzamento de dados para detectar problemas de saúde



A eletricidade é o segundo maior gasto das empresas, ficando atrás apenas da folha de pagamentos. Nesse cenário, o machine learning é capaz de perceber os padrões de consumo dentro do negócio e, por conta própria, gerenciar os sistemas para que a utilização de energia seja reduzida sem prejudicar a eficiência das operações.

Se conseguir acesso aos dados de como o consumo de energia é realizado dentro da empresa, o machine learning pode ser utilizado para minimizar esses gastos, indicando formas mais conscientes e inteligentes de uso dos recursos elétricos.

Economia de energia em empresas



.

Uma das formas mais conhecidas de utilização do machine learning é na navegação: hoje, os principais aplicativos de navegação como o Google Maps e o Waze utilizam essa tecnologia para direcionar motoristas ao caminho mais rápido em uma cidade.

O machine learning considera todas as variáveis, incluindo congestionamentos, para traçar os melhores caminhos para cada motorista. Além de utilizar dados de todos os veículos, o machine learning também faz análises preditivas a partir de padrões identificados neles.

Navegação inteligente



Uma das formas de aumentar o ticket médio de uma venda é oferecer recomendações de produtos aos clientes com base naquilo que eles estão comprando.

Essa técnica pode ser potencializada com o machine learning, que consegue cruzar dados e fazer análises daquilo que uma pessoa precisará, sem necessariamente ser algo relacionado à compra natural.

Se uma pessoa compra fraldas, indicar a compra de chupetas é algo que qualquer sistema é capaz de fazer. No Walmart, nos Estados Unidos, o machine learning foi usado para descobrir que quem compra fraldas no supermercado também tende a levar cervejas, e sugeriu colocar os dois no mesmo corredor, conseguindo, assim, vender mais.

Recomendação de produtos extras para clientes



Na JPMorgan, o machine learning foi utilizado para interpretar acordos de empréstimo comercial, e uma máquina fez em segundos o que exigia 360 mil horas de advogados por um ano.

Sem as mesmas limitações que a mente humana, o machine learning consegue avaliar padrões em documentos complexos, saber o que está correto e evitar qualquer tipo de erro ou imprecisão neles, poupando as pessoas de um trabalho minucioso e burocrático.

Análise de documentos complexos e técnicos



Imagens de satélite ajudaram a encontrar recursos minerais em vários países, como a Austrália. Os geólogos conseguiram usar os índices minerais integrados com os algoritmos para encontrar traços de minerais (mesmo ouro) no fundo da crosta terrestre.

Objetivo: Detectar depósitos minerais usando imagens de satélite multi-especiais ajudaram a encontrar recursos minerais.

Técnica de Deep Learning: o Transfer Learning é um ótimo caminho para as redes neurais convolutivas realizar essa função. Essas redes são pré-treinadas e alimentadas com dados sobre precisão de minerais e localização geográfica, antes de serem operados. A conversão de informações em dados geoespaciais é o desafio a ser superado.

Inferência: os geólogos na Áustria, estão atualmente usando o procedimento para localizar minerais em áreas relativamente inexploradas da terra.

Fonte: Data Science Academy

Mineração com Redes Neurais Convolucionais



Objetivo: entender o comportamento do cliente e sua propensão para comprar um produto específico.Técnica de Deep Learning: Redes Neurais Recorrentes (RNN) tem potencial para maior precisão do que qualquer outra técnica de aprendizagem de máquina. Uma rede RNN geralmente é constituída por células computacionais alimentadas com dados históricos de consumidores. Essas células são fornecidas com um passo de tempo dado, o que ajuda o programa a entender o comportamento passo a passo do consumidor quando ele/ela está visualizando um produto específico em um site. Por exemplo, uma célula RNN observará quando o consumidor clica em um anúncio, é direcionado para uma página, visualiza um produto e o adiciona ao carrinho de compras. Essas RNNs geralmente são células de memória de longa duração e elas “lembram” e relacionam o comportamento do cliente em uma linha de produtos.Inferência: os sites de comércio eletrônico, como ebay e Amazon, são os principais exemplos de empresas usando esse tipo de solução com Deep Learning. A sessão completa dos consumidores no site é observada e os dados são coletados. Quanto mais longo e dinâmico for um evento, maior será a propensão das pessoas a clicar no botão ‘comprar agora’. Uma vez que um comportamento específico do consumidor é observado no caso de uma gama de produtos, o site é otimizado para garantir que, na próxima vez que um consumidor semelhante visitar o site, ele tenha uma experiência mais envolvente a fim de converter em uma compra no menor tempo possível.

Fonte: Data Science Academy

Compreendendo Comportamento do Cliente


MACHINE LEARNING IN AUTONOMOUS CAR



Robótica

Loweshttps://www.youtube.com/watch?v=hP3yfGHTXFo



Fonte: Toque Humano, [email protected]

Situação: Prospect está navegando no site da empresa de Telco. Ele está buscando novas opções de planos de dados. Pelo reconhecimento dos cookies do browser/computador desta pessoa, você consegue perceber que ele já passou por outras empresas, fazendo a mesma busca. Você consegue saber como os outros players estão posicionados neste produto. Também sabe o perfil do cliente, é homem, tem 30 anos, viaja bastante e gosta de festas.

Solução Proposta: usar modelos de Machine Learning para identificar a probabilidade de aquisição do cliente variando o perfil da oferta e os preços do produto dentro de um período de fidelização.

KPI de Marketing: Customer Acquisition, quantos clientes estamos trazendo para a empresa com essa abordagem em comparação a nenhuma outra abordagem.

Case – Telco



Situação: Cliente está com problemas com seu fornecedor de TV por assinatura. Ele foi primeiro ao site, depois ligou no call center onde teve que repetir toda sua solicitação. Foi depois ao Facebook onde manifestou sua insatisfação com o serviço e depois abriu uma ocorrência na Anatel. A empresa quer um sistema que permita a antecipação ao problema de forma proativa.

Solução Proposta: A partir da visita ao site e reconhecido o cookie, é possível usar modelos de Machine Learning para prever a probabilidade de reclamação de um cliente. Baseado nessa probabilidade, apresentar uma interação proativa em um contato telefônico ou via mensagem de texto, evitando o desgaste na relação.

KPI de Marketing: Redução do índice de reclamação e menor o customer churn, ou probabilidade de que o cliente mova seus serviços para o concorrente.

Case – TV por assinatura



Situação: O e-commerce gostaria de ofertar preços em seu site de forma dinâmica, conforme a demanda do voo e o nível de interesse do cliente para datas específicas, usando dados do cookie do navegador ou eventualmente informações de área logada.

Solução Proposta: usar modelos de Machine Learning para prever a probabilidade de compra de uma passagem aérea baseado no nível de interesse do cliente e a demanda de um voo em específico.

KPI de Marketing: elasticidade de preço: uma métrica que permite entender qual os patamares de preço que podem ser praticados em um eventual produto de maneira que sua margem aumente sem prejudicar suas vendas.

Case – Ecommerce



Sinais: redução do tempo de uso, ou no volume de compras ou na interação com a marca

Exemplo: T-Mobile reduziu em 6 meses 50% do churn

- Análise: que produtos uso, qdo/horários, intensidade, canais de atendimento, etc.

- Potencial de consumo e risco de inadimplência

- Tendência de alta na interações com outras operadoras

- Mudança de localização: nova área de cobertura, mudou relação ligaçoes locais x a distancia

- Índice de reclamações nas redes sociais.

Case: T-MobilePrever e reduzir as saídas de cliente da sua empresa



Os desafios da IA

- Dado (ausência e o dado errado)- Regras/programação erradas- Privacidade- Fake news- Ética- Homogeinização da identidade/uniformização do gosto- Ilusão da liberdade de escolha/manipulação da opinião- Empobrecimento informativo/guetização cultural- IA nos obriga a pensar como máquina.


Impacto nos empregos

- Atendimento call center- Cobradores de ônibus- Ascensoristas- Porteiros- Frentistas- Tradutor técnico- Avaliador de crédito- Avaliador de risco de seguros- Avaliador de fraudes- Advogado- Contador- Controlador de estoque- Pesquisador- Consierge- Operários- Etc.


A Inteligência Artificial não substitui o cérebro humano: ainda não sabemos como funciona o cérebro humano.

A Inteligência Artificial vai substituir trabalhos rotineiros, redundantes, ineficazes e não prazerosos.

O xadrez, afinal, é um jogo delimitado, com um número enorme, mas finito, de soluções possíveis, e suas regras são simples e matematicamente consistentes. Esse é o campo de jogo ideal para um cérebro de silício com superpoderes como o Deep Blue.

A Inteligência Artificial não vai substituir trabalhos criativos, não rotineiros. Onde precisa habilidade, criatividade, atividades não rotineiras: criativo de agências, planejador, estrategista, pintor, arquiteto, personal training, etc.

Problema, 90% ou mais do nosso tempo é em atividades rotineiras. Precisamos reaprender.

74

Inteligência Artificial x Humano


Uma pesquisa recente do MIT revelou que 40% dos gerentes têm dificuldade para contratar profissionais com qualificação em análise de dados. (MIT – jul 2017)

Até 2021, 69% dos empregadores exigirão a ciência e a análise de dados como conhecimentos essenciais dos candidatos a vagas de emprego. (PWC – nov 2017)

O que o mercado quer?



Data Scientist:- Formação Estatística - Experiência em TI (programação e processamento

de dados)- Visão de negócio.

Para os cientistas de dados não há desemprego.

Empregos: 9 motivos para você repensar sua profissãohttps://www.youtube.com/watch?v=BYJ4pDWyZHM



Pense grande

Comece pequeno

Cresça rápido.

77

Tenha sorte, mas conte com os dados


OBRIGADO!OBRIGADO!

Eduardo [email protected]

78


DadoInsights/

ConhecimentoAção/

Decisão de Negócios

Inteligência de Dados

O que é Analytics?

79


Os dados da IoT – Internet das Coisas

Lugar completo esperando por vc.

Documents

Summit Sobre Inteligência Artificialabemd.org.br/Eventos/palestra_IA/Summit... · 2 – Computadores recebiam ordens do que fazer. Agora estão aprendendo executar diferentes tarefas