Tecnologia 03/09/2019

Machine Learning apresenta oportunidade para empresas

Utilização no Brasil vem crescendo e deve dobrar até 2023; soluções simplificadas auxiliam na adoção da tecnologia

Segundo um levantamento da Associação Brasileira das Empresas de Software (Abes) em parceria com a IDC, até 2023 o número de empresas brasileiras que utilizam Inteligência Artificial em seus negócios deve superar 30%. Foto: SantoDigital

O uso da Inteligência Artificial é um dos principais vetores de transformação para as empresas, resultando em inovações de produtos, serviços e processos empresariais. Segundo um levantamento da Associação Brasileira das Empresas de Software (Abes) em parceria com a IDC, até 2023 o número de empresas brasileiras que utilizam Inteligência Artificial em seus negócios deve superar 30%. Atualmente 15,3% do total já indicam que possuem iniciativas com o uso da tecnologia.

O Brasil já ocupa o primeiro lugar em investimento em TI da América Latina, respondendo por 42,8% do investimento regional, segundo o mesmo estudo. E, cada vez mais, as empresas estão interessadas em entender melhor as potencialidades de uso da tecnologia. A utilização de Machine Learning (aprendizado de máquina, em português), por exemplo, contribui de diferentes formas no trabalho das empresas, sendo aplicada cada vez mais em sistemas que utilizamos no dia a dia.

Um dos exemplos de solução cujo objetivo é ajudar negócios com conhecimentos limitados a construir modelos customizados próprios de IA é o Cloud AutoML, parte do portfólio oferecido por Google Cloud. A plataforma permite que os engenheiros criem sistemas sem a necessidade de escrever códigos, por meio de uma plataforma pronta para utilização e customização de acordo com a demanda de cada negócio.

Abaixo estão algumas ferramentas de AutoML que o Google Cloud oferece para o mercado:

AutoML Vision
O AutoML Vision é uma ferramenta que permite treinar modelos de aprendizado de máquina para classificar e organizar imagens de acordo com marcadores definidos previamente. Assim, é possível gerar sugestões de marcações mais corretas futuramente. É utilizada em áreas de segurança e controle de qualidade, manutenção preventiva, por exemplo, para detecção de objetos nas imagens. A classificação é usada para descoberta de produtos em uma imagem.

AutoML Natural Language
Com o AutoML Natural Language é possível criar modelos personalizados de machine learning para classificar conteúdo em inglês em um conjunto personalizado de categorias, o que é útil quando as categorias disponibilizadas pela API Natural Language são muito genéricas ou não se aplicam ao uso específico do usuário. É utilizado em classificações de textos em um conjunto de categorias.

AutoML Video Intelligence
O AutoML Video Intelligence permite que o usuário treine modelos de machine learning para classificar imagens e segmentos dos vídeos conforme as categorias definidas.

AutoML Translation
O AutoML Translation permite a criação de modelos de tradução personalizados para que as consultas de tradução retornem resultados específicos. É utilizado em modelos de traduções de textos customizados para segmentos específicos, como seguros ou medicina.

AutoML Tables
Com o AutoML Tables, é possível criar e implementar modelos de machine learning de última geração em dados estruturados de forma rápida, automática e escalável. A plataforma aproveita os dados para executar tarefas essenciais, como gerenciamento da cadeia de suprimentos, detecção de fraudes, otimização de conversão de leads e aumento do valor de vida útil do cliente.

Para aproveitar todos os benefícios da inteligência artificial e machine learning, é fundamental que as empresas invistam em criar uma cultura de dados internamente. Fábio Andreotti, head de Google Cloud Brasil, explica que as empresas brasileiras estão usando a nuvem e adotando novas tecnologias por conta de sua estratégia de negócios. “O processo de transformação digital não deve estar restrito a uma área dentro da companhia, mas deve envolvê-la por inteiro”, diz. “Os dados não servem apenas para olhar para o espelho retrovisor, mas para prever os próximos passos.”

Casos de uso
O machine learning pode, por exemplo, ajudar um sistema a identificar padrões e classificar as imagens automaticamente. A Etsy, um dos principais sites de comércio eletrônico nos Estados Unidos, conseguiu entregar para o consumidor um sistema de recomendação eficiente, aumentando a taxa de conversão de compra ao indicar produtos quando o consumidor estava buscando ativamente no site.

Outro exemplo de uso de ML para categorização de imagens é da N2B, startup brasileira de nutrição voltada para empresas e clientes de academias. Por meio do aplicativo, os usuários conseguem submeter fotos de seus pratos para serem avaliados por nutricionistas, a fim de identificar as vitaminas presentes e o quão próximos estão de seus objetivos.

Com o AutoML, a companhia aumentou seu desempenho, avaliando um número maior de imagens enviadas pelos usuários do aplicativo, tarefa que antes era feita de forma manual. “A identificação manual pelos nutricionistas levava muito tempo. Precisávamos de agilidade para entregar os resultados aos clientes, e a ferramenta de ML nos ajudou com isso. Hoje conseguimos avaliar mais de 500 pratos por dia, chegando aos 2 mil em momentos de pico. Elevando a entrega de valor para o usuário com identificação das vitaminas presentes na refeição o que antes não era possível”, conta Samuel Heinrichs, cientista de dados da N2B.

Na área de logística, por outro lado, essas tecnologias permitem a redução do tempo gasto entre pegar uma mercadoria e entregá-la ao consumidor. Isso pode ser feito por meio de avaliação de quais são as melhores rotas de entrega, considerando o tempo de percurso ou a qualidade das vias. No caso da gigante UPS, por exemplo, apenas com a redução do tempo, a economia chegou a US$ 400 milhões por ano.

Há diversas outras formas de aumentar a produtividade e o rendimento de cada processo dentro do negócio utilizando Machine Learning. A tecnologia continua a ajudar as companhias a aprimorarem seus processos como um todo, permitindo, principalmente, que as pessoas foquem em questões mais estratégicas do negócio e deixem que soluções com IA e ML otimizem processos e tragam maior eficiência.

Consumidor prioriza tempo e gasto de energia quando o assunto é comprar online

Não são apenas preços baixos e descontos que conquistam os brasileiros no comércio eletrônico. Segundo pesquisa inédita da Kantar, a maioria dos consumidores do Brasil (74%) priorizam a economia de energia (experiência no processo de compra online); seguido pelo tempo consumido no ato da compra (47%). O dinheiro gasto vem em terceiro lugar (46%).
Essa constatação vem de uma forma inovadora de analisar o ecommerce por meio de três moedas de compra: dinheiro, tempo e energia. Para isso, a Kantar analisou globalmente mais de 100 mil atos de compra de 27 mil compradores online para avaliar a importância desses determinantes:
• Tempo: Quanto tempo o comprador tem para a compra? (incluindo tempo de compras e entrega)
• Dinheiro: Quanto dinheiro o comprador vai gastar na compra? (incluindo custos reais ou percebidos, custos de entrega, etc.)
• Energia: Quanta energia física e emocional está envolvida na experiência? A energia pode ser negativa (como frustração ou confusão) ou positiva (como prazer ou entretenimento)

Qual dessas moedas é mais importante depende de muitos fatores, incluindo o que os consumidores estão comprando, preferências individuais e a maturidade do mercado em relação ao comércio eletrônico. A importância das moedas muda com o tempo, à medida que as expectativas dos consumidores evoluem com a própria evolução do mercado.
Brasileiros, por exemplo, tendem a valorizar mais energia e tempo quando compram alimentos frescos pela internet; já quando o assunto são remédios sem prescrição médica, o quanto gastam em tempo e dinheiro são determinantes; com aparelhos eletrônicos, economizar é essencial, enquanto para serviços financeiros os consumidores online não querem se estressar.
 
Confira as variações abaixo:
Essa nova perspectiva confirma que não há uma fórmula de sucesso única para crescer no comércio eletrônico e que a complexidade do comportamento do consumidor e essas três moedas devem guiar a ação de uma empresa. “O estudo eCommerce ON ressalta aos profissionais do e-commerce que aqueles que estão do outro lado da tela não são apenas compradores ou consumidores, mas sim pessoas preenchendo alguma necessidade. E que quando escolhem um canal de compra estão colocando na balança a necessidade de economizar, ganhar tempo ou não se estressar”, afirma Luciana Piedemonte, diretora e líder de commerce da Kantar Brasil. “Ou seja, elas são o coração do comércio eletrônico e, por isso, devem ser o centro de qualquer estratégia sólida por parte das marcas.”
Para entender melhor o papel fundamental das moedas para compreensão do comportamento de compra online, baixe o artigo “As três moedas do ecommerce: como otimizar as vendas online”.