Imagine uma terça-feira como outra qualquer, quando um gestor se depara com a falta repentina de um material que influencia diretamente a operação do negócio, algo simples, como um tipo específico de tinta para suas impressoras, por exemplo. Neste caso, visitar o fornecedor resolveria facilmente a questão, demandando apenas detalhes técnicos como o modelo do equipamento ou a definição da tinta. O cliente encontraria neste caso uma trilha muito simples: comprar, pagar, usar.
Acontece que, hoje, nem mesmo transações de produtos físicos são obrigadas seguir este modelo, afinal, o consumidor moderno anseia por verdadeiras experiências de consumo. No mesmo cenário hipotético, é bem provável que algo como assinaturas com entrega programada, e oferta preditiva baseadas no histórico de consumo permitam ao fornecedor agir de maneira proativa, antecipando o problema do cliente.
Até aqui percebemos que alguns produtos físicos, ou “em caixinhas”, podem ser adquiridos facilmente através de um contato com o fornecedor ou fabricante, que realiza uma transação de troca de valores, sem a necessidade de qualquer tipo de customização estrutural no que podemos chamar de mercadoria. É possível agregar valor através de uma experiência positiva e outros aspectos, mas o produto ainda é o mesmo.
Quando a possível solução para o problema de negócios se encontra no campo da Inteligência Artificial, o processo é muito diferente do modelo anterior, afinal, seu arsenal de recursos permite resolver questões extremamente particulares em uma organização, aqueles que podemos encarar como problemas exclusivos. Ao contrário do exemplo das “caixinhas”, aqui o entendimento preciso do cenário e suas peculiaridades é essencial para a modelagem do produto de IA.
Fazer as perguntas certas é fundamental
Recursos da IA permitem que dados sejam interpretados de forma cada dia mais eficiente, contudo, ainda levam a resultados diretamente influenciados pela qualidade da origem. Em outras palavras, mesmo diante de grande poder computacional, dados ruins tendem a implicar em resultados ruins, o que justifica a dependência de especialistas acompanhando todo o processo, para compreender o problema de negócios, conceber, implementar e otimizar as soluções para cada caso.
Basicamente, grandes massas de dados não podem ser consideradas essencialmente valiosas no âmbito da Ciência de Dados, sem que haja boas perguntas capazes de orientar o processo até a solução desejada, é claro que os dados podem ser extremamente valiosos para a organização, contudo, podem não ser relevantes ou até mesmo conter problemas de redundância e integridade, por exemplo.
Essa subjetividade por trás do poder computacional e dos recursos da IA está dentro do domínio dos cientistas de dados, que partem de características fundamentais como a curiosidade e o questionamento constante sobre o desconhecido, utilizando formações em diferentes campos como Estatística, Engenharia, Marketing e Economia, por exemplo, para agregar conhecimentos específicos a uma visão mais ampla e complexa de cada cenário.
É possível aplicar poder computacional e tecnologia para responder praticamente a qualquer pergunta, sendo assim, gestores que eventualmente se orientam por questões equivocadas, podem infelizmente enfrentar cenários críticos, ainda que resultantes de boas intenções.
MLaaS: Machine Learning as a Service
Apesar de consistirem em soluções construídas fundamentalmente sob medida para cada problema de negócios, algumas partes podem preexistir, resultando em um processo mais curto até a entrega do serviço. Partindo de bases existentes, como engines, o modelo tende a tornar o Machine Learning acessível por concentrar a atuação dos especialistas em áreas que precisam ser ajustadas às especificidades do negócio.
Soluções do tipo MLaaS podem favorecer a experiência positiva desejada pelo consumidor moderno, mesmo em negócios tradicionais, levando ao fornecimento inteligente de suprimentos ou à geração de insights com base em dados históricos sobre transações por período, por exemplo.
Mapeamento da demanda, tratamento dos temidos carrinhos abandonados no e-commerce, atendimento ao cliente, risk analytics e detecção de fraudes são algumas das aplicações do Machine Learning, todas ao alcance de negócios que já podem usufruir dos benefícios sem que os custos de infraestrutura e mão de obra qualificada sejam agregados diretamente à operação.
Ainda que a tecnologia se torne mais acessível a todos, e os custos relacionados à implementação de soluções em IA sejam reduzidos, considerar a inteligência humana seguirá como algo fundamental, afinal, como já dizia o slogan de uma gigante do mercado, “Potência não é nada sem controle”.
Para atingir resultados excelentes na implementação da Inteligência Artificial e seus recursos, a escolha de profissionais competentes e altamente qualificados é extremamente importante.
