O campo de rápida expansão da inteligência artificial e ciência de dados apresenta uma lista assustadora de opções para as empresas que desejam explorar seu potencial. Aprendizado de máquina, aprendizado profundo, processamento de linguagem natural, redes neurais, automação de processos robóticos e muitas outras variantes esotéricas preenchem as manchetes e white papers.

À beira de fornecer um poder computacional milagroso, essas tecnologias imploram que os executivos as adotem ou descubram suas empresas logo depois de serem superadas por aqueles que o fazem. Para algumas empresas selecionadas com divisões inteiras dedicadas à IA , adaptar essa tecnologia para casos de uso é um negócio diário. Mas, para a grande maioria, saber por onde começar é menos simples.

Neste artigo, os executivos do ApeeScape compartilham a perspectiva sobre a aplicação prática de soluções artificiais relacionadas à tecnologia para necessidades comerciais comuns.

Pedro Nogueira , especialista em aprendizado de máquina e ciência de dados, oferece notícias refrescantes para empresas iniciantes: a primeira solução costuma ser simples, de custo relativamente baixo e financeiramente cumulativa. Complementando a perspectiva de Nogueira, a equipe do ApeeScape Enterprise destaca as tendências recentes em automação de processos robóticos, que ajuda as empresas a otimizar os fluxos de trabalho de rotina.

Automação de processos robóticos e IA: ferramentas para diferentes tarefas

Para enquadrar o conselho partilhado por Nogueira, é útil compreender a diferença entre Robotic Process Automation (RPA) e Artificial Intelligence (AI) e os tipos de dados que cada abordagem é mais adequada para tratar.

RPA e AI diferem com base nas tarefas que executam. Um robô de software, o RPA se destaca em tarefas repetitivas análogas às executadas por um trabalhador ou máquina de linha de montagem. Por outro lado, a IA é mais adequada para ambientes menos estruturados, replicando a capacidade analítica fundamental para o julgamento humano e tomada de decisão.

Por definição, as duas abordagens também são distintas. A IEEE Standards Association, uma organização internacional composta por especialistas da indústria, define-os do seguinte modo:

api resto usando node js

RPA: software pré-configurado que usa regras de negócios e atividades predefinidas para completar a execução autônoma de uma combinação de processos, atividades, transações e tarefas.

IA: a combinação de automação cognitiva, aprendizado de máquina (ML), raciocínio, geração e análise de hipóteses, processamento de linguagem natural e mutação de algoritmo intencional, produzindo insights e análises em ou acima da capacidade humana.

o que é c corporação ou s corporação

O RPA é geralmente considerado um subconjunto da IA ​​e que visa rotinas repetitivas. A diferença crítica é que o RPA não aprende, enquanto a IA pode se auto-modificar, alterando sua atividade em resposta a diversas entradas ambientais.

Como resultado, o RPA é mais adequado para dados altamente estruturados, enquanto o AI lida com dados não estruturados ou semiestruturados. A diferença entre os dois tipos de dados, resumidos abaixo, é fácil de entender para qualquer pessoa que construiu um banco de dados em planilhas.

Os dados que se encaixam perfeitamente em uma planilha - como informações de contato do cliente - são estruturados. Os dados que não cabem - como a linguagem natural - não são estruturados. Apreciar a diferença entre esses tipos de dados é fundamental para entender quais formas de IA são apropriadas para um determinado caso de negócios.

Bloqueio e combate à automação de processos de negócios

Para a maioria das empresas, o ponto de partida mais fácil e menos arriscado para aproveitar a IA é a automação de processos de negócios. Compostos por tarefas mundanas que requerem pouca inteligência e possivelmente nenhum esforço humano, esses processos justificam o investimento em tecnologia que elimina ou reduz significativamente o envolvimento humano. Empresas e funcionários podem se beneficiar de três maneiras distintas:

1. Os funcionários concentram seus esforços em tarefas de maior valor e na solução de problemas.
2. As empresas obtêm ROI positivo a partir de um custo operacional mínimo contínuo.
3. A qualidade do processo melhora devido à falta de erro humano.

RPA impulsiona múltiplos fluxos de trabalho na indústria de seguros

Para empresas que já estão simplificando procedimentos internos simples, como reembolso de despesas , oportunidades mais complexas têm potencial para alto ROI. No setor de seguros, por exemplo, gerar cotações de seguro e processar sinistros de seguro apresentam casos de uso perfeitos para RPA.

Ao subscrever uma apólice, as seguradoras devem equilibrar risco e recompensa. Essencialmente, em média, o valor presente líquido dos prêmios da apólice deve exceder o dos sinistros. Durante a subscrição, as seguradoras estimam o componente de risco dessa equação, ajudando-as a prever o momento e a magnitude das responsabilidades futuras.

A subscrição tem sido historicamente um processo manual, cujos requisitos analíticos foram supervisionados por atuários . Agora esse trabalho está cada vez mais executado automaticamente e com a supervisão de cientistas de dados que recorrem a novas fontes de dados para prever melhor os riscos. Por exemplo, na indústria automobilística, as seguradoras avaliavam historicamente os históricos de perdas, que são registros de reclamações de seguros anteriores para um determinado driver. As seguradoras começaram a incorporar pontuações de crédito do motorista em suas análises de risco, reconhecendo que pontuações altas se correlacionam positivamente com direção segura e perdas proporcionalmente menores.

Refletindo sobre o exemplo de subscrição, Nogueira observa “quando as empresas pensam que precisam de IA, geralmente precisam de cientistas de dados”.

Para Nogueira, o processo de cotação de seguros é bastante conhecido tanto a nível profissional como pessoal. Cientista de dados com experiência em projetos na área de seguros e entusiasta de motocicletas que recentemente viajou por Portugal, ele conta uma anedota com a qual qualquer motorista ou proprietário pode se relacionar: “Se eu precisar trocar de moto, o que gosto de fazer com frequência, então ir online a um conjunto de seguradoras e compartilhar meus dados por meio de seus questionários online. ”

Depois de enviados, os dados entram em 'um modelo que reside em algum lugar no back-end e analisa meu perfil de risco de acordo com um ou vários modelos e, em seguida, me fornece uma cotação'. Nos segundos que leva para receber essa cotação, toda a análise é automática, substituída pela intervenção humana apenas no caso de dados discrepantes.

aprendizado de máquina python por exemplo

A automação também impulsiona os fluxos de trabalho downstream no ciclo de vida do cliente de seguros, principalmente durante o processo de sinistros. Quando um cliente de seguro registra uma reclamação, a seguradora determina se deve pagar integralmente, pagar parcialmente ou negar a reclamação. O processo geralmente envolve várias partes externas, incluindo o cliente do seguro e o provedor de serviços, por exemplo, um hospital no caso de assistência médica ou uma oficina de reparo no caso de automóveis.

Na indústria automobilística, a adjudicação de sinistros depende da verificação dos danos a um veículo, da determinação dos custos de reparo, da seleção da oficina e do pagamento pelo reparo. Para estimativas de reparos, as fotos desempenham um papel crítico no processo de sinistros. O avaliador de sinistros tira fotos do veículo acidentado, assim como a oficina - antes e depois dos reparos. Essas fotos fornecem evidências de danos, reparos e a base para reembolso.

Historicamente, essas fotos foram interpretadas exclusivamente por pessoas, mas agora, software de reconhecimento de imagem juntamente com automação baseada em regras fornece informações críticas ao avaliador de sinistros, permitindo reparos e cobertura mais rápidos.

A ciência de dados é o carro-chefe, e os cientistas de dados são os impulsionadores

As empresas devem “definir o que pode ser facilmente automatizado e o que precisa ser escalado para os tomadores de decisão humanos”, de acordo com Nogueira. Com qualquer processo em consideração para automação, ele continua, “primeiro olhe os dados e descubra as regras”.

Embora admita que os campos da ciência de dados e da IA ​​estão se fundindo, para o empresariado Nogueira traça os dois:

“Ciência de dados é IA aplicada a cenários do mundo real e necessidades comerciais comuns. Tem mais a ver com a compreensão dos dados, gerenciá-los, torná-los prontamente disponíveis, fáceis de processar e, em última análise, um guia para a tomada de decisões pelas partes interessadas da empresa. ”

Esse trabalho muitas vezes equivale a limpar e agrupar conjuntos de dados díspares - tarefa nada fácil - e então aplicar análises estatísticas, como regressão logística, para conduzir melhores previsões e decisões.

Em contraste, a IA é muito mais orientada para a pesquisa e adequada para análise de dados não estruturados. “Imagine um projeto realmente complexo, com muitas incertezas, por exemplo, tentar construir um modelo que determine quantas pessoas podem entrar em um supermercado com base em padrões de caminhada, vídeo CCTV e dados sensoriais.”

Em última análise, esse modelo pode prever como as pessoas compram, o que procuram e como posicionar os produtos uns em relação aos outros, otimizando a planta baixa para maximizar o lucro. Embora esse projeto de “céu azul”, se bem-sucedido, sem dúvida seria valioso para os varejistas, também exigiria uma equipe de vários especialistas e poderia facilmente custar múltiplos de uma iniciativa baseada em ciência de dados. No caso de varejo, uma empresa pode se concentrar em um ou alguns dos componentes mais críticos do modelo preditivo - por exemplo, otimizar o horário da loja em relação ao tráfego de pedestres e custos operacionais.

O ponto de partida crítico para construir capacidade de ciência de dados é trazer o tipo certo e o número de talentos a bordo. Felizmente, de acordo com Nogueira, a maioria das empresas “não precisa de uma grande equipe de desenvolvedores superespecializados para fazer muitas das automações comuns, especialmente se você considerar o número de APIs e SDKs acessível.'

Embora essas tecnologias de prateleira forneçam ferramentas potentes, é fundamental que sejam manejadas pelas mãos certas. Aqui, Nogueira fornece uma palavra de cautela: 'essas ferramentas podem realmente ser um problema, porque muitas pessoas as estão usando de maneiras que não deveriam, porque não as entendem.'

diferença em s corp e c corp

O perigo, observa ele, está em “superajustar os modelos de dados”, que resulta da aplicação de um modelo aos dados de uma forma que não leva em conta todo o espectro de possibilidades. Esse excesso de treinamento, avisa ele, “pode acabar sendo extremamente caro para a empresa, porque em situações que você não viu antes, o modelo não generaliza bem, o que pode levar à tomada de decisões erradas sobre os dados”.

Para evitar essas armadilhas, Nogueira incentiva as empresas a contratarem cientistas de dados experientes. Todas as empresas que buscam liberar o valor dos dados operacionais ou de clientes 'precisam de uma pessoa com um bom domínio de estatísticas e perspicácia de negócios suficiente para entender os casos de uso e onde o valor reside no negócio'. Do ponto de vista das credenciais, um cientista de dados sólido geralmente tem pelo menos um bacharelado em matemática ou estatística, uma forte capacidade de codificação e pode analisar um caso de uso de negócios para determinar onde a ciência de dados pode oferecer o maior impacto.

Pensamentos de despedida

Embora a ciência de dados apresente um ponto de partida atraente a partir de uma perspectiva de risco / recompensa, o panorama mais amplo das tecnologias de IA também vale a pena explorar. Os executivos da empresa devem considerar a ciência de dados como o ponto de encontro para iniciar a conversa interna sobre IA.

Ao perceberem histórias de sucesso com automação de processos de negócios, eles devem considerar a expansão do escopo para incluir casos de uso mais desafiadores, talvez mais adequados para tecnologias alternativas de IA. Em artigos subsequentes, o Insights explorará o panorama mais amplo de IA, ajudando os executivos a navegar em um campo que sem dúvida entregará retornos sólidos.