Já imaginou se hoje você tivesse que construir um processo de negócio autônomo, utilizando machine learning e IA? Por onde você começaria?
Eu sou consultor de logística e passei a vida profissional buscando otimizar e implementar as melhores práticas de processos de negócios para os clientes em que atuei. Mas nunca precisei sequer imaginar em construir processos autônomos; nada nunca funcionou sozinho.
Mas estamos muito, muito perto do dia em que seremos acionados para trabalhar com processos autônomos que evoluem e eventualmente se transformam junto com o negócio. Incrível né?
Mas como?
Vamos começar partindo do seguinte entendimento. Processos evolutivos autônomos que utilizem machine learning e IA seguirão precisando de consultores funcionais, mas seguramente, novas competências precisarão ser desenvolvidas. O empirismo dará espaço para as decisões analíticas; o que em parte já acontece com as atividades de gestão das grandes corporações.
Vamos começar a construir conceitos.
Machine Learning: é o nome dado ao conceito de se ensinar as máquinas a executar tarefas determinadas, em geral utilizando dados como base da informação. Este processo pode ser supervisionado ou não.
Para se começar a falar de machine learning é relevante primeiro entender que todo o aprendizado da máquina dar-se-á com base em um set de dados, e a partir daí haverá estruturas de decisão para executar as ações.
Estas estruturas podem ser -- digo podem porque existem várias formas possíveis:
As redes neurais trabalham em modelo muito parecido ao do cérebro, simulando em parte os processos sinápticos. Para cada decisão existe uma entrada, ponderação, análise do limite (ou função de ativação), e posterior saída, dependendo dos valores atingidos.
Fonte da imagem: https://www.researchgate.net/publication/201549563_Neural_networks_applied_for_personal_identificati...
Existem os sinais de entrada, que são os dados de origem, sejam estes capturados de uma base de dados ou lidos em tempo real de um dispositivo de coleta de dados qualquer (IoT). Estes sinais de entrada são ponderados por pesos, e passam por uma estrutura de validação (threshold). Se o valor calculado passar de um determinado limite, a função de saída é ativada.
Uma normal entre tudo isso é que a decisão de utilização do algoritmo vai depender da natureza da aplicação. A melhor opção para executar uma análise de crédito não necessariamente é a melhor opção para definir mensagens em spam que também não é a melhor opção para sistemas de linguagem natural.
Existem outras formas e grupos de algorítimos, que basicamente passam por desafios matemáticos e estatísticos que não mencionarei aqui, mas para quem quiser entender no detalhe cabe estudar. O mais importante neste ponto, é deixar claro que dependendo da especificidade e objetivo o consultor funcional poderá necessitar de suporte para propor o melhor algorítimo ou modelo matemático; e valerá a regra máxima "de saber pedir" e "explicar o que precisa".
Deu para entender até aqui a demanda do funcional para projetos de IA e Machine Learning não é pequena?
O que estes conceitos reforçam é a premissa de que não existirão processos autônomos sem dados; muitos dados, que permita a identificação de padrões de modo a buscar as melhorias esperadas.
E quanto aos projetos?
Algumas lições foram aprendidas em projetos pilotos comerciais e experimentais, bem como existem algumas boas práticas de projetos analíticos que se encaixam com perfeição no contexto de projetos de Machine Learning.
a. Inicie sempre coletando dados...
... e lembre-se que as analogias e a construção do racional sistêmico por hora, necessita de dados para comprovar teses e hipóteses. A taxa de assertividade e aprendizado é proporcional a quantidade de dados disponíveis. Eventualmente antes de falar de IA deve-se falar de dados.
b. Retome conceitos estatísticos e matemáticos.
Fazer a máquina tomar decisão só é possíveis de se implementar quando se resgata conceitos matemáticos e estatísticos. Muitas vezes as redes neurais vão apresentar cenários de "causa e efeito" até então desconhecido, e que em um primeiro momento pode parecer ilógico. E é aí que a mágica acontece.
c. Considere que inicialmente tudo deverá ser supervisionado
Assim como latin não é língua de cachorro (apesar de o nome fazer parecer), uma corporação não vai preceder de supervisão humana porque implantou um projeto de IA. Pelo menos não no futuro próximo.
d. Comece pequeno, com objetivos claros e razoáveis.
Se Einstein levou 36 anos para fazer a teoria da relatividade geral. Por mais genial que você julgue seu sistema e sua estrutura analítica, a melhoria sempre é incremental. Comece com objetivos claros, que se ampliarão com o tempo (ou com a coleta de dados), lembrando da questão mais importante: alguns padrões que os sistemas encontrarão poderão não parecer lógicos e razoáveis, mas se bem aplicados trarão grandes impactos positivos para a operação.
f. Sistemas autônomos precisam ser treinados
Isto não é uma regra absoluta, mas é uma normal que deve ser considerada. Sistemas autônomos precisam ser treinados dado que as ponderações e limites tem de ser definidos ou com base em experimentação ou com base em determinação dos usuários.
Voltando ao início
Bem, no início do texto perguntei por onde você começaria o seu projeto de IA e Machine Learning. E respondendo a pergunta que eu mesmo fiz, eu começaria por aqui:
Enterprise Machine Learning in a Nutshell (Repeat)
Depois aqui:
Data Science in Action - Building a Predictive Churn Model
E ainda aqui:
Enterprise Deep Learning with TensorFlow
Para saber o que a SAP está fazendo com Machine Learning junto as aplicações empresariais, vale ler o artigo publicado na Forbes "How SAP is utilizing machine learning for its enterprise applications"
Antes de terminar, uma curiosidade. A Harvard Business Review publicou um artigo chamado "Why salespeople need to develop a machine intelligence", e uma informação que me chamou a atenção é que as atividades comerciais automatizadas tiveram um incremento de leads de 50% e redução de custo de 60%. Tem idéia do impacto desse número?
Innovation for thought!
FM
Eu sou consultor de logística e passei a vida profissional buscando otimizar e implementar as melhores práticas de processos de negócios para os clientes em que atuei. Mas nunca precisei sequer imaginar em construir processos autônomos; nada nunca funcionou sozinho.
Mas estamos muito, muito perto do dia em que seremos acionados para trabalhar com processos autônomos que evoluem e eventualmente se transformam junto com o negócio. Incrível né?
Mas como?
Vamos começar partindo do seguinte entendimento. Processos evolutivos autônomos que utilizem machine learning e IA seguirão precisando de consultores funcionais, mas seguramente, novas competências precisarão ser desenvolvidas. O empirismo dará espaço para as decisões analíticas; o que em parte já acontece com as atividades de gestão das grandes corporações.
Vamos começar a construir conceitos.
Machine Learning: é o nome dado ao conceito de se ensinar as máquinas a executar tarefas determinadas, em geral utilizando dados como base da informação. Este processo pode ser supervisionado ou não.
Para se começar a falar de machine learning é relevante primeiro entender que todo o aprendizado da máquina dar-se-á com base em um set de dados, e a partir daí haverá estruturas de decisão para executar as ações.
Estas estruturas podem ser -- digo podem porque existem várias formas possíveis:
- Baseadas em regras ou árvores de decisão: aqui estamos falando basicamente de regras e condições simples ou complexas, como construímos frequentemente com lógicas estruturadas (BRF+ por exemplo)
- Baseada em redes neurais
As redes neurais trabalham em modelo muito parecido ao do cérebro, simulando em parte os processos sinápticos. Para cada decisão existe uma entrada, ponderação, análise do limite (ou função de ativação), e posterior saída, dependendo dos valores atingidos.
Fonte da imagem: https://www.researchgate.net/publication/201549563_Neural_networks_applied_for_personal_identificati...
Existem os sinais de entrada, que são os dados de origem, sejam estes capturados de uma base de dados ou lidos em tempo real de um dispositivo de coleta de dados qualquer (IoT). Estes sinais de entrada são ponderados por pesos, e passam por uma estrutura de validação (threshold). Se o valor calculado passar de um determinado limite, a função de saída é ativada.
Uma normal entre tudo isso é que a decisão de utilização do algoritmo vai depender da natureza da aplicação. A melhor opção para executar uma análise de crédito não necessariamente é a melhor opção para definir mensagens em spam que também não é a melhor opção para sistemas de linguagem natural.
Existem outras formas e grupos de algorítimos, que basicamente passam por desafios matemáticos e estatísticos que não mencionarei aqui, mas para quem quiser entender no detalhe cabe estudar. O mais importante neste ponto, é deixar claro que dependendo da especificidade e objetivo o consultor funcional poderá necessitar de suporte para propor o melhor algorítimo ou modelo matemático; e valerá a regra máxima "de saber pedir" e "explicar o que precisa".
Deu para entender até aqui a demanda do funcional para projetos de IA e Machine Learning não é pequena?
O que estes conceitos reforçam é a premissa de que não existirão processos autônomos sem dados; muitos dados, que permita a identificação de padrões de modo a buscar as melhorias esperadas.
E quanto aos projetos?
Algumas lições foram aprendidas em projetos pilotos comerciais e experimentais, bem como existem algumas boas práticas de projetos analíticos que se encaixam com perfeição no contexto de projetos de Machine Learning.
a. Inicie sempre coletando dados...
... e lembre-se que as analogias e a construção do racional sistêmico por hora, necessita de dados para comprovar teses e hipóteses. A taxa de assertividade e aprendizado é proporcional a quantidade de dados disponíveis. Eventualmente antes de falar de IA deve-se falar de dados.
b. Retome conceitos estatísticos e matemáticos.
Fazer a máquina tomar decisão só é possíveis de se implementar quando se resgata conceitos matemáticos e estatísticos. Muitas vezes as redes neurais vão apresentar cenários de "causa e efeito" até então desconhecido, e que em um primeiro momento pode parecer ilógico. E é aí que a mágica acontece.
c. Considere que inicialmente tudo deverá ser supervisionado
Assim como latin não é língua de cachorro (apesar de o nome fazer parecer), uma corporação não vai preceder de supervisão humana porque implantou um projeto de IA. Pelo menos não no futuro próximo.
d. Comece pequeno, com objetivos claros e razoáveis.
Se Einstein levou 36 anos para fazer a teoria da relatividade geral. Por mais genial que você julgue seu sistema e sua estrutura analítica, a melhoria sempre é incremental. Comece com objetivos claros, que se ampliarão com o tempo (ou com a coleta de dados), lembrando da questão mais importante: alguns padrões que os sistemas encontrarão poderão não parecer lógicos e razoáveis, mas se bem aplicados trarão grandes impactos positivos para a operação.
f. Sistemas autônomos precisam ser treinados
Isto não é uma regra absoluta, mas é uma normal que deve ser considerada. Sistemas autônomos precisam ser treinados dado que as ponderações e limites tem de ser definidos ou com base em experimentação ou com base em determinação dos usuários.
Voltando ao início
Bem, no início do texto perguntei por onde você começaria o seu projeto de IA e Machine Learning. E respondendo a pergunta que eu mesmo fiz, eu começaria por aqui:
Enterprise Machine Learning in a Nutshell (Repeat)
Depois aqui:
Data Science in Action - Building a Predictive Churn Model
E ainda aqui:
Enterprise Deep Learning with TensorFlow
Para saber o que a SAP está fazendo com Machine Learning junto as aplicações empresariais, vale ler o artigo publicado na Forbes "How SAP is utilizing machine learning for its enterprise applications"
Antes de terminar, uma curiosidade. A Harvard Business Review publicou um artigo chamado "Why salespeople need to develop a machine intelligence", e uma informação que me chamou a atenção é que as atividades comerciais automatizadas tiveram um incremento de leads de 50% e redução de custo de 60%. Tem idéia do impacto desse número?
Innovation for thought!
FM
- SAP Managed Tags:
4 Comments
