Mês: abril 2018

Publicado em

Usando aprendizado de máquina para recomendar produtos

“Aproveite que você vai comprar esse livro sobre receitas de comidas mexicanas, tipicamente ardidas, e leve as exóticas pimentas dos países asiáticos”. Utilizar a inteligência artificial, mais exatamente o aprendizado de máquina, ou machine learning (ML), é o objetivo do Canvas Cognitivo apresentado abaixo.
O projeto tem um problema bem específico: a empresa proprietária de uma loja virtual e física deseja aumentar as vendas a partir de sistemas de recomendações, como os existentes na Amazon. Toda vez que um comprador fechar um negócio ou realizar uma pesquisa, o sistema mostra produtos complementares. O Valor principal a ser gerado é o aumento das vendas para quem contrata a implantação, com o aumento das vendas a partir de recomendações de produtos.
Seu Caso de uso, portanto, é entregar recomendações de produtos que complementem uma compra ou pesquisa realizada pelo consumidor.
A solução pretendida tem como alvos — os Clientes ou stakeholders — tanto os visitantes das lojas virtuais como o apoio a vendedores das lojas físicas. O objetivo é dar agilidade nas recomendações de produtos alternativos a partir da identificação do perfil da aquisição realizada ou mesmo pretendida.
O Engajamento, ou seja, o relacionamento entre o cliente e a loja, seja virtual ou física, vai ocorrer por meio de chatbox ou através de atendentes que utilizam recursos de CRM.

A Solução

O sistema a ser desenvolvido utilizando técnicas de machine learning. Ele precisará “entender” e registrar os padrões de comportamento dos consumidores presentes nas bases de dados. Para alcançar o objetivo, no caso em estudo, são recomendados Parceiros e Tecnologias com expertise na área de tecnologia de inteligência artificial.
São várias formas de desenvolver uma solução como essa. Neste caso sugerimos as Aplicações – API’s e ML’s com a linguagem Python e algumas bibliotecas Python. Consideramos que os Dados e integrações a realizar vão envolver dados de visitação  — quem visitou, onde clicou, qual o perfil –, de vendas — itens comprados — e cadastro de clientes e visitantes.

Investimentos

 A proposta apresentada imaginada neste canvas tem como um dos atrativos a possibilidade de não gerar Custos recorrentes – API’s e ML’s  para quem contrata. Afinal, sendo um sistema desenvolvido diretamente em Python ele não vai requerer API`s com custos recorrentes. O Custo do projeto, portanto,  estará vinculado ao desenvolvimento da solução e à sua implementação.
Do ponto de vista do dimensionamento de consumo, a Volumetria terá como foco a identificação do número de visitantes e pesquisas realizadas mensalmente, porém com foco na estrutura de Datacenter e sistemas para suportar o projeto, e não em consumo de APi´s . Do ponto de vista do acompanhamento da Receita / ROI gerada pelo projeto, está previsto um aumento de vendas significativo.
Canvas Cognitivo - recomendação de produtos complementares
Canvas Cognitivo – recomendação de produtos complementares
Publicado em

Usar API´s de IA ou desenvolver os modelos?

O uso de API’s, as interfaces de programação de aplicativos das grandes empresas de tecnologia, como a Amazon, IBM, Microsoft e Google, entre outros, em projetos de inteligência artificial, pode ser mais mais simples do que possa parecer, mas não necessariamente é o melhor caminho.

Algumas podem ser uma espécie de caixa preta, recebem dados, são treinados automaticamente e devolvem uma saída, facilitando o desenvolvimento de projetos, propiciando agilidade. Na prática, as API’s  viabilizam projetos mais rapidamente, mas para cada caso há de se avaliar os objetivos e recursos disponíveis.

 

Veja o caso das aplicações Amazon Web Service (AWS), de reconhecimento de imagem, conversação e fala da Amazon, aplicada a serviços de inteligência artificial, como na figura acima. As API´s podem ser chamadas por diversas aplicações do cliente, com o aproveitamento do grande diferencial da AWS nas plataformas de machine learning, frameworks e infraestrutura de dados.

São inúmeras possibilidades de configuração de um caso de uso específico. Através do Amazon Machine Learning (AML) ou SageMaker é possível trabalhar os modelos de machine learning sobre Tensorflow ou Torch por exemplo, até desenvolver tudo em Python. O procedimento elimina a dependência das APi´s apenas, podendo ser desenvolvido e treinado diretamente, como um estúdio de Machine Learning,  e ainda possibilita trabalhar com computação elástica, como o Amazon EC2.  Uma imensidão de possibilidades que devem ser trabalhadas em conjunto, conforme a necessidade.

O Amazon EC2 permite que você aumente ou diminua a capacidade em minutos, em vez de horas ou dias. É possível contratar simultaneamente uma, centenas ou até milhares de instâncias de servidor.

Já com o AWS Lambda é possível executar códigos sem provisionar ou gerenciar servidores. Você paga apenas pelo tempo de computação que utilizar. Não existe cobranças quando o seu código não estiver em execução.

Estas inúmeras possibilidades da Amazon podem transformar digitalmente a empresa, tanto o fornecedor, ao fornecer soluções escaláveis, quanto o cliente que consegue ter acesso a soluções de porte pagando por cada transação, por exemplo.

Preenchimento do Canvas Cognitivo – como fazer?

No Canvas Cognitivo, as API´s, o Sagemaker e , por exemplo, o Tensorflow são inseridos em “APLICAÇÕES – API´S e ML”.

O Amazon EC2 preenche o campo “DADOS E INTEGRAÇÕES”.

A tecnologia Lambda, se utilizada,  estaria na área de “PARCEIROS E TECNOLOGIAS”.

Publicado em

Quatro passos para o início de um projeto de IA

Confira as dicas do Gartner para quem quer implantar projetos de IA
Confira as dicas do Gartner para quem quer implantar projetos de IA

 

A implementação de projetos de inteligência artificial (IA) está apenas começando a acontecer. Diante do cenário de inovação, é natural a existência de dúvidas sobre procedimentos entre especialistas interessados em entender as oportunidades que serão geradas pela inovação.

O grande potencial de crescimento da tecnologia cognitiva foi identificado por uma pesquisa realizada pelo Gartner, instituto de pesquisas do mercado de TI. Segundo o levantamento recente, 46% das grandes empresas inclui a IA como parte dos planos de projetos futuros.

Apenas 4% dos executivos que comandam áreas tecnológicas, já implementaram a inteligência artificial recentemente. Em entrevista para o site cio.com, o executivo Whit Andrews, vice-presidente de pesquisa e analista distinto do Gartner, reconhece que há grande potencial de crescimento do percentual, com líderes de TI começando a pilotar programas de AI.

Como tecnologia emergente, é natural que gestores das áreas TI ou de inovação, desenvolvedores e consultores independentes tenham dúvidas sobre como começar a desenvolver os seus projetos. Diante do cenário de dificuldades previsíveis sobre como começar, os analistas do Gartner identificaram quatro recomendações para esse cenário:

1. Comece com pequenos ganhos

“Não caia na armadilha de buscar resultados difíceis, como ganhos financeiros diretos com projetos de AI”, alerta Andrews. “Em geral, é melhor iniciar projetos de AI com um escopo pequeno e buscar resultados suaves, como melhorias de processos, satisfação do cliente ou benchmarking financeiro.”

Projetos de AI, na melhor das hipóteses, produzirão lições que irão ajudar com experiências, pilotos e implementações subsequentes e maiores. Em algumas organizações (ou até na maioria delas), o objetivo financeiro será um requisito para iniciar o projeto. “Nessa situação, defina algo possível”, disse Andrews.

2. Concentre-se em aumentar as pessoas, não substituí-las

Os grandes avanços tecnológicos são frequentemente associados com a redução de pessoal. Embora a redução dos custos do trabalho seja atraente para as empresas, é provável que crie resistência daqueles cujos empregos parecem estar em risco.

“Os benefícios mais transformacionais da AI no curto prazo resultarão da sua utilização para permitir que funcionários busquem atividades de maior valor”, acrescentou Andrews. O Gartner prevê que, até 2020, 20% das organizações dedicarão os trabalhadores ao monitoramento e à orientação das redes neurais.

3. Planeje a transferência de conhecimento

A maioria das organizações não está bem preparada para implementar AI. Isso porque, elas não possuem habilidades internas em ciência de dados e planejam confiar plenamente em provedores externos para preencher a lacuna. Cinquenta e três por cento das organizações classificaram suas capacidades de explorar dados como “limitadas” – o nível mais baixo.

O Gartner prevê que, até 2022, 85% dos projetos de AI fornecerão resultados errados devido à polarização de dados, algoritmos ou equipes responsáveis por gerenciá-los. “Os dados são o combustível para a AI. Então, organizações precisam se preparar agora para armazenar e administrar quantidades ainda maiores de dados”, alertou Jim Hare, vice-presidente de pesquisa da Gartner.

Segundo ele, basear-se principalmente em fornecedores externos para essas habilidades não é uma solução ideal no longo prazo. “Portanto, assegure-se de que os primeiros projetos de AI ajudem a transferir o conhecimento de especialistas externos para seus funcionários e a construir capacidades internas antes de avançar para o projeto de grande escala.”

4. Escolha soluções de AI transparentes

Projetos de AI geralmente envolvem software ou sistemas de provedores de serviços externos. É importante que algumas informações sobre como as decisões são alcançadas estão integradas em qualquer contrato de serviço. “Um sistema de AI que produz a resposta certa não é a única preocupação”, apontou Andrews. “Os executivos precisam entender por que é efetivo oferecer uma visão de seu raciocínio quando não é.”

Embora nem sempre seja possível explicar todos os detalhes de um modelo analítico avançado, como uma rede neural profunda, é importante, pelo menos, oferecer algum tipo de visualização das escolhas potenciais. Na verdade, em situações nas quais decisões estão sujeitas a regulação e auditoria, pode ser um requisito legal fornecer esse tipo de transparência.

Publicado em

Computação Cognitiva (IA) no processo de seleção

Sérgio Viegas

Em palestra realizada no evento Somos+Q1 (#+Q1), promovido pela Universidade Una no final de 2017, falamos de um futuro real para a área de RH focando o processo de recrutamento e seleção. Aqui vai um resumo da mesma:

Perspectivas:  Abordamos dois cenários futuros:

Cenário 1 – Trabalho remoto, por jobs, temporário, denominado pela Accenture de Mão de Obra Líquida.

Cenário 2 – Sem trabalho. Mostramos números que mostram a redução do tempo de trabalho atual no mundo (E a tendência de redução, baseada na série histórica do passado). Como este abaixo da OECD que nos leva a 20h semanais de trabalho até 2100:

Apresentamos alguns trabalhos que tendem e precisam desaparecer do mundo em que vivemos, e mais importante, que EMPREGO é um subitem de TRABALHO. As pessoas querem e precisam de trabalho e não de empregos, o que pode nos levar à Renda Básica Universal.

Comentamos sobre a Inteligência Artificial e os empregos em risco, mas focando no que realmente vai ocorrer, a substituição de tarefas que fazemos por IA mas não perda de empregos generalizada.

Na verdade é a IA que permitirá a divisão do trabalho futuro em tarefas (M.O. Líquida) com robôs e humanos trabalhando conjuntamente para uma produtividade e qualidade de vida melhor.

A Computação Cognitiva foi apresentada na figura do IBM WATSON, que tem capacidade de entender a linguagem natural, adaptar e aprender com dados e gerar e avaliar hipóteses.

Cenário 1

Enfim chegamos ao ponto do processo de seleção ser abordado. Esse, para se adaptar ao futuro, precisa ser digital, rápido e adaptado à M.O. líquida. O processo de seleção atual consiste de uma forma geral em:

  1. Plataforma de vagas e curriculos
  2. Receber, ler e fazer a triagem dos CV´s
  3. Conversar com candidatos, analisar perfil e efetuar uma avaliação técnica
  4. Escolher melhor candidato x perfil da vaga

O fato hoje é que praticamente toda a parte operacional acima já pode ser feita de forma digital, sem ou com pouco envolvimento de pessoas. Vejamos:

  1. Existem diversas plataformas de vagas e Cv´s como por exemplo o Linkedin. Algumas já permitem o match entre vaga e perfil.
  2. Com a IA conseguimos treinar o Watson a ler currículos de forma absurdamente rápida, já tirando deles (dados não estruturados) itens como: nome, idade, empresas que trabalhou, onde estudou, cargos que ocupou, etc. Com estes dados (agora) estruturados conseguimos separar os CV´s que se adequam em um primeiro filtro à vaga. Importante aqui é que, diferentemente do ser humano, conseguimos ler TODOS os CV´s, não apenas os mais “bonitos”, ou mais “bem estruturados” da triagem inicial. Abaixo um exemplo genérico que mostra como o treinamento é feito no WKS do Watson:
  3. Com Bots (robôs de conversação com IA) conseguimos conversar com TODOS os candidatos selecionados nos filtros. Podemos nesta conversa inicial perguntar sobre pretensão salarial, pedir mais dados de competências, enfim, a entrevista inicial pode ser feita remotamente, bem como perguntas técnicas e direcionar para links com provas técnicas preparadas. Abaixo um exemplo:
  4. Com o Personality Insights (API do Watson), é possível fazer o que a maioria acharia impossível fazer sem um ser humano. Com esta solução conseguimos ter um perfil psicológico completo, através de psicolinguística, que possibilita fazer o match vaga x perfil em segundos. O texto a ser analisado pode ser o próprio CV do candidato, ou um texto escrito por ele que pode ser carregado em uma página WEB ou ainda via acesso a rede social dele (Ex: Twitter). Enfim, um processo rápido e de qualidade que gera informações como esta abaixo, com necessidades, valores e o BIG 5 do candidato:

Portanto um processo completo como este abaixo de Seleção já pode ser automatizado, entrando o ser humano ao fim do processo para uma entrevista pessoal ou para ajustar questões que podem ocorrer durante o processo todo:

Daí vem a pergunta: Não seria o fim deste emprego? Não. É a partir desta automatização de tarefas previsíveis, que exigem alta coleta e processamento de dados que o profissional de RH poderá atuar no que realmente deveria.

Tarefas previsíveis, com alta coleta de dados e alto processamento de dados, devem e serão substituídas por robôs !

Com tanto trabalho braçal, repetitivo e de alto esforço humano (Ex: Ler todos os cv´s com atenção) o profissional de RH deixa de fazer coisas mais importantes como:

  1. Engajamento: Acompanhar os valores e objetivos do negócio e de seus colaboradores para engajar cada vez mais as pessoas no trabalho.
  2. Resultados: Acompanhar os resultados (Pós-contratação) de forma efetiva, diária e podendo assim levar aumento de produtividade para as pessoas e para a organização.

    Bem e em relação ao cenário 2? Aquele sem empregos?

O cenário 2, sem empregos, pode ser um cenário não de falta ou devastação, mas de abundância! Um possível futuro em que a humanidade não tenha que vir “a trabalho”, mas que possa usufruir de toda uma bonança e qualidade de vida, advinda da produtividade mundial aumentada pela IA e robôs. O que fariam?

Artes, lazer, música, filosofia, cultura, esporte, são algumas possibilidades, mas como o homem pode QUERER trabalhar (E deve), startups, especialistas, criação, inovação, enfim, existe uma imensa possibilidade de trabalhos que o homem poderá continuar exercendo, afinal, o futuro dependerá de nossas decisões e ações !