A Inteligência Artificial se desenvolveu nos últimos anos nas empresas e foi impulsionada por novas tecnologias em nuvens públicas de computação (como a AWS da Amazon e o GCP do Google) e o Big Data.
O início da Inteligência Artificial data de mais de 70 anos. Alan Turing, matemático inglês, definiu em 1950 seu Teste de Turing, o Jogo da Imitação, onde um ser humano tenta distinguir uma pessoa de uma inteligência artificial. Desde então muita evolução ocorreu. A novidade mais recente é da AlphaFold, a inteligência que resolveu um problema de 50 anos e promete revolucionar a ciência.
Você conhece os tipos de problemas que estão à sua volta e que poderiam ser resolvidos por aprendizado de máquina? Neste artigo você conhecerá um novo paradigma de desenvolvimento: o aprendizado de máquina, bem como as tecnologias que permitiram sua adoção e as condições para sua utilização.
Nuvem e Big Data
As nuvens públicas deram acesso a maiores recursos computacionais sem a necessidade de grande investimento. Não é mais necessário comprar vários núcleos de processamento e armazenamento nem ter um time de manutenção dedicado. Os recursos estão a poucos cliques de distância e custam apenas o que for realmente utilizado.
O baixo custo de armazenamento trouxe consigo uma facilidade de se guardar e disponibilizar informações que, associada ao uso em massa de tecnologias computacionais, deu origem a um grande volume de dados: Big Data. Segundo a consultoria IDC, a estimativa é de que a quantidade de dados armazenados esteja dobrando a cada quatro anos.
Diante deste cenário, um ramo da inteligência artificial ganhou força: o Aprendizado de Máquina, também comumente chamado pelo seu nome em inglês, Machine Learning ou a abreviação ML. No aprendizado de máquina a ideia central é utilizar o passado para entender o presente e o futuro. Através de diversos algoritmos, o aprendizado de máquina extrai dos dados os padrões, e então, com esses padrões é possível entender o presente e o futuro para além do que um humano seria capaz de compreender ou de desenvolver (programar um computador).
Tecnologia Disruptiva
Um programa de computador desenvolvido em estrutura clássica é limitado pela compreensão das pessoas que o projetam. O clássico são os paradigmas de desenvolvimento que são utilizados para fazer um website ou uma folha de pagamento, onde no cerne do programa estão um roteiro de regras, passos e fluxos bem determinados e pré-determinados a serem seguidos, todos os passos são facilmente compreensíveis.
Por outro lado, o aprendizado de máquina é uma tecnologia disruptiva à medida que quebra com o método clássico de desenvolvimento. Não há um roteiro de regras. No cerne está um modelo matemático capaz de aprender, que recebe uma massa de dados com diversas informações sobre o assunto e uma função de custo. Para além disso, o objetivo deixa de ser acertar precisamente, mas acertar aproximadamente. Usualmente a função de custo é o erro a ser minimizado, quando na massa de dados históricos existe a solução do problema. O algoritmo, também chamado de modelo, buscará durante o processo de aprendizagem combinar as demais informações para aproximar a solução e minimizar o custo (erro).
Portanto, não seria uma boa ideia usar, por exemplo, para calcular o pagamento a um fornecedor, afinal, o pagamento deve ser exato e não aproximado. Porém um modelo aproximado pode ser utilizado como conferência caso haja possibilidade de erro humano ou fraude. É claro que a utilidade desse modelo que aprendeu é dependente, por exemplo, de disponibilizá-lo online a partir de estruturas clássicas de desenvolvimento. No entanto, seu núcleo foi modificado e nunca mais será o mesmo.
Solução sem roteiro de regras
Se hoje você tivesse que projetar um robô de atendimento que fizesse o processo de triagem dos chamados e enviasse para o atendente responsável, como faria? Talvez o primeiro caminho fosse pensar num roteiro, talvez com menus para limitar a escolha do usuário e permitir que as regras sejam mais simples. Funcionaria bem se o menu fosse de poucas opções. Se o seu menu tiver 20 opções, ou vários menus um após o outro, a experiência do usuário não será nada satisfatória.
Seria melhor que o usuário pudesse escrever o problema dele e o seu robô fosse capaz de entender e fazer a triagem. Agora tente imaginar um passo a passo de regras para fazer esse robô funcionar. O português é complexo, temos muitas formas de comunicar a mesma mensagem, e se isso já não fosse suficientemente difícil, ainda tem os erros de digitação. Será um projeto demorado (e caro). O aprendizado de máquina pode virar esse jogo e você sabe como.
Aprendendo com o passado
Em posse de uma base de dados com o histórico de atendimento que foi triado pelos atendentes humanos, podemos treinar um algoritmo capaz de aprender a intenção do usuário. Suponha que o seu robô vai atuar no atendimento de uma grande loja, a loja recebe diversas reclamações e você vai usar o robô para fazer o processo de triagem. O objetivo é dividir em quatro categorias (intenções):
- Problema relacionado a produto
Ex: Item faltando, cor do item entregue divergente do anúncio
- Problema relacionado ao pedido
Ex: Pedido atrasado, pedido cancelado após pagamento
- Problemas improcedentes
Ex: Texto pouco informativos, pedido de desconto
- Outros
Com os dados históricos dos chamados já triados é possível desenvolver um algoritmo capaz de fazer o processamento da linguagem natural (NLP da sigla em inglês Natural Language Processing) e a triagem (classificação), atribuindo para cada chamado uma pontuação relativa a cada uma das categorias. Os chamados com alta pontuação em apenas uma das categorias podem ser encaminhados para o atendente responsável, e no caso dos chamados classificados como improcedentes podem ser descartados. Dessa forma o algoritmo também é capaz de encontrar chamados que tenham mais de uma intenção.
Em resumo, a triagem que os atendentes fizeram no passado pode ser utilizada para treinar a máquina a fazer a triagem no futuro!
A Nasajon desenvolveu uma habilidade para a Alexa, a assistente de voz da Amazon, que entende a intenção de marcar o ponto. Para que isso fosse possível, a Alexa tem próprio algoritmo e é capaz de entender uma intenção do usuário com poucos exemplos
Atenção para as oportunidades
O cliente relatou um problema que ele até sabe resolver e talvez resolva diariamente. Ele sabe quais informações são necessárias para a solução, mas ele não sabe explicar claramente como ele faz. Talvez exista um pouco de intuição, algum conhecimento tácito que ele não consegue explicar, mas ele quer a sua ajuda para melhorar o processo. Você pode estar de frente para uma solução por aprendizado de máquina, um cientista de dados pode te ajudar.
Uma das formas que o aprendizado acontece é com uma base de dados de exemplos históricos do objetivo e das informações necessárias que expliquem o objetivo. A quantidade de dados históricos ideal e quais informações são necessárias depende do algoritmo e da aplicação. Mas se essas condições existem, são altas as chances de existir um algoritmo que resolva o problema.
Detecção de fraudes e anomalias, recomendações, prever riscos e demandas, reconhecimento de imagem, texto e voz, logística etc são alguns dos problemas comumente solucionados por aprendizado de máquina. Mais exemplos podem ser encontrados na Data Science Academy.
Por Nilton Duarte