O ponto de partida da empresa: ciência de dados e inteligência artificial

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

À beira de fornecer poder computacional milagroso, essas tecnologias imploram aos executivos que as adotem ou encontrarão suas empresas logo superadas por aquelas que o fizerem. Para algumas poucas empresas selecionadas com divisões inteiras dedicadas à IA, adaptar essa tecnologia aos casos de uso é um negócio cotidiano. Mas para a grande maioria, saber por onde começar é menos simples.

Neste artigo, os executivos da Toptal compartilham perspectivas sobre a aplicação prática de soluções relacionadas à tecnologia artificial para necessidades comuns de negócios.

Pedro Nogueira, especialista em aprendizado de máquina e ciência de dados, oferece novidades interessantes para empresas recém-chegadas: a primeira solução costuma ser simples, relativamente barata e financeiramente atrativa. Complementando a perspectiva de Nogueira, a equipe da Toptal Enterprise destaca as tendências recentes em automação de processos robóticos, o que ajuda as empresas a otimizar fluxos de trabalho rotineiros.

Robotic Process Automation e AI: Ferramentas para diferentes tarefas

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

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

Definitivamente, as duas abordagens também são distintas. A IEEE Standards Association, uma organização internacional composta por especialistas do setor, os define da seguinte forma:

RPA: software pré-configurado que utiliza regras de negócio e atividade predefinida para completar a execução autônoma de uma combinação de processos, atividades, transações e tarefas.

AI: a combinação de automação cognitiva, aprendizado de máquina (ML), raciocínio, geração e análise de hipóteses, processamento de linguagem natural e mutação intencional de algoritmos, produzindo insights e análises na capacidade humana ou acima dela.

O RPA geralmente é considerado um subconjunto de IA e 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 diferentes entradas ambientais.

Como resultado, o RPA é mais adequado para dados altamente estruturados, enquanto a IA 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 tenha construído um banco de dados de planilhas.

Os dados que se encaixam perfeitamente em tal planilha - como informações de contato do cliente - são estruturados. Dados que não se encaixam - como 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 alavancar a IA é a automação de processos de negócios. Compostos por tarefas mundanas que requerem pouca inteligência e possivelmente nenhum esforço humano, tais processos justificam o investimento em tecnologia que elimina ou reduz significativamente o envolvimento humano. Empresas e funcionários se beneficiam de três maneiras distintas:

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

A RPA impulsiona vários fluxos de trabalho no setor de seguros

Para empresas que já simplificam procedimentos internos simples, como reembolso de despesas, oportunidades mais complexas têm potencial para alto ROI. No setor de seguros, por exemplo, gerar cotações de seguros e processar sinistros de seguros 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 das apólices 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 dos passivos futuros.

A subscrição tem sido historicamente um processo manual, cujos requisitos analíticos foram supervisionados por atuários. Agora, esse trabalho é cada vez mais realizado automaticamente e com a supervisão de cientistas de dados que utilizam novas fontes de dados para prever melhor os riscos. Por exemplo, na indústria automobilística, as seguradoras avaliaram historicamente os históricos de sinistros, que são registros de sinistros de seguro passados ​​para um determinado motorista. As seguradoras começaram a incorporar as pontuações de crédito ao motorista em sua análise de risco, reconhecendo que pontuações altas se correlacionam positivamente com direção segura e perdas proporcionalmente menores.

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

Para Nogueira, o processo de cotação de seguros é bastante familiar tanto a nível profissional como pessoal. Cientista de dados com experiência em projetos no setor de seguros e entusiasta de motocicletas que recentemente visitou Portugal, ele compartilha uma anedota que qualquer motorista ou proprietário pode se relacionar: “Se eu precisar trocar de moto, o que gosto de fazer com frequência, então ir online para um conjunto de companhias de seguros e compartilhar meus dados por meio de seus questionários online.”

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

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 seguros faz 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 prestador de serviços, por exemplo, um hospital no caso de assistência médica ou uma oficina no caso de automóveis.

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

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

A ciência de dados é o cavalo de batalha, 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”, segundo Nogueira. Com qualquer processo em consideração para automação, ele continua, “primeiro veja os dados e descubra as regras”.

Enquanto ele admite que os campos da ciência de dados e da IA ​​estão se fundindo, para o estabelecimento de negócios Nogueira delineia os dois:

“A ciência de dados é a IA aplicada a cenários do mundo real e necessidades comuns de negócios. Tem mais a ver com entender os dados, gerenciá-los, torná-los prontamente disponíveis, fáceis de processar e, finalmente, um guia para a tomada de decisões pelas partes interessadas da empresa.”

Esse trabalho geralmente consiste em limpar e agrupar conjuntos de dados díspares - não é tarefa fácil - e, em seguida, aplicar análises estatísticas, como regressão logística, para gerar melhores previsões e decisões.

Por outro lado, a IA é muito mais orientada para a pesquisa e adequada para análise de dados não estruturados. “Imagine um projeto realmente complexo, com muita incerteza, por exemplo, tentando 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 seja valioso para os varejistas, também exigiria uma equipe de vários especialistas e poderia facilmente custar vários 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 desenvolver a capacidade de ciência de dados é trazer o tipo e o número certos de talentos a bordo. Felizmente, de acordo com Nogueira, a maioria das empresas “não precisa de uma grande equipe de desenvolvedores super especialistas para fazer muitas das automações comuns, especialmente se você considerar o número de APIs e SDKs disponíveis”.

Embora essas tecnologias de prateleira forneçam ferramentas potentes, é fundamental que elas sejam utilizadas pelas mãos certas. Aqui, Nogueira faz um alerta: “essas ferramentas podem realmente ser um problema, porque muita gente as está usando de uma maneira que não deveria, porque não as entende”.

O perigo, observa ele, está no “overfitting dos modelos de dados”, que resulta da aplicação de um modelo aos dados de uma maneira que não leva em conta todo o espectro de possibilidades. Esse excesso de treinamento, alerta ele, “pode acabar sendo extremamente caro para o negócio, pois em situações que você não viu antes, o modelo não generaliza bem, o que pode levar a decisões erradas sobre os dados”.

Para evitar essas armadilhas, Nogueira incentiva as empresas a contratarem cientistas de dados experientes. Todas as empresas que buscam desbloquear o valor dos dados operacionais ou do cliente “precisam de uma pessoa com boa compreensão das estatísticas e perspicácia comercial suficiente para entender os casos de uso e onde o valor reside nos negócios”. 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 codificar 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 do ponto de vista de risco/recompensa, também vale a pena explorar o cenário mais amplo das tecnologias de IA. Os executivos das empresas devem considerar a ciência de dados como o ponto de encontro em torno do qual iniciar a conversa interna sobre IA.

À medida que percebem histórias de sucesso com automação de processos de negócios, eles devem considerar expandir o escopo para incluir casos de uso mais desafiadores, talvez mais adequados a tecnologias alternativas de IA. Em artigos subsequentes, o Insights explorará o cenário mais amplo da IA, ajudando os executivos a navegar em um campo que, sem dúvida, trará fortes retornos.