Category deep learning
Você está preparado para a revolução varejista com o deep learning?
Por Israel Nacaxe
Uma das grandes tendências do varejo para os próximos anos é a aceleração do uso de Inteligência Artificial para que as marcas entendam melhor seus clientes, desenvolvam as melhores experiências de consumo e aumentem a produtividade de suas operações. Conforme estudo global realizado pela Zebra Technologies, o Retail Vision Study (2017), mais de 70% dos varejistas pretendem investir em algum tipo de tecnologia nos próximos dois anos, o que mostra que temos, como big data, passarão a fazer parte do cotidiano do setor.
Algumas empresas mais inovadoras já estão avançando, passado do machine learning para sua derivação, o deep learning. Isso porque enquanto o primeiro tem apenas a capacidade de desenvolver sistemas que realizam ações sem ser programadas, o segundo é construído a partir de redes neurais, que usam dados não-estruturados (como imagens e comentários em redes sociais) na tomada de decisões, ajudando os lojistas a ganharem mais eficiência.
Uma das suas principais aplicações hoje é o reconhecimento de imagens, que permite usar a visão computacional (Realidade Aumentada e Realidade Virtual) e processamento de linguagem natural (assistentes de voz, como o Amazon Alexa) para resolver os problemas.
Por isso, o uso de deep learning nos próximos anos irá se expandir para diversas outras aplicações com um grande impacto sobre as operações nesse mercado. Entre elas, podemos destacar:
Previsão de demanda e otimização de estoques – Prever qual será a demanda de milhares de produtos do estoque é uma tarefa muito complexa. Cada um tem suas próprias características, mas a interação com outros itens também exerce um efeito importante de cross-selling (técnica que estimula o cliente a concluir a sua compra inicial levando produtos que a complementam). Por isso, a solução auxilia a antever necessidades, principalmente em datas sazonais, otimizando assim o seu estoque.
Otimização de lucros – A correta precificação e a definição do melhor momento de realizar promoções (e que desconto oferecer) é outra área que pode ter um grande impacto com a utilização de deep learning. Com isso, é possível encontrar o equilíbrio correto entre preço e demanda para otimizar os lucros, determinando a margem ideal de cada produto em cada momento, proporcionando um aumento da rentabilidade da loja.
Aumento da eficiência logística – O uso de sistemas de IA ajuda a identificar padrões na cadeia de suprimentos e os fatores que mais impactam o processo logístico, proporcionando melhorias na roteirização, nos processos internos dos Centros de Distribuição e na própria armazenagem de produtos. O benefício do uso da ferramenta é a geração de um grande impacto sobre as margens do negócio, preço no PDV e a percepção que o cliente tem sobre sua marca.
Personalização de ofertas – A entrega de ofertas personalizadas e extremamente relevantes para cada cliente, no momento exato em que ele tem mais possibilidade de conversão, melhora a experiência de consumo e o faturamento do varejista. No e-commerce, a tecnologia também facilita a criação de páginas personalizadas para cada consumidor de acordo com suas preferências e as necessidades de negócios.
Detecção de fraudes – Na loja física, o deep learning pode identificar padrões de comportamento suspeitos e reduzir os furtos no PDV e no ambiente digital consegue identificar com mais precisão transações fraudadas. Tanto online quanto offline, o resultado é oferecer segurança no fluxo de caixa e um menor volume de perdas.
Expansão de lojas – A escolha do local para abrir uma nova loja (ou a decisão de quando não faz mais sentido ter um PDV aberto) se torna mais precisa com o uso da solução, que pode processar informações internas do varejista, aliando-as com dados de geomarketing, de forma mais rápida e com mais segurança.
Diante desse cenário, podemos concluir que nos próximos anos, o uso dessa tecnologia fará com que o varejo aumente a performance de suas lojas, pois permitirá que os profissionais tomem melhores decisões de negócios e possam prever situações importantes.
Israel Nacaxe, COO e co-fundador da Propz – empresa de tecnologia que oferece soluções de inteligência artificial e Big Data para o varejo físico e serviços financeiros.
Machine Learning e Deep Learning transformam máquinas em aliadas na capacitação profissional
Segundo estudo encomendo pela Fujitsu, multinacional japonesa, divulgado no final do ano passado, até 2025 a inteligência artificial (IA) deverá impactar significativamente o ambiente de trabalho, principalmente, em relação ao ambiente físico (como escritórios, por exemplo), que podem sumir nos próximos oito anos. Ainda de acordo com o levantamento, a tendência é que a IA faça com que os colaboradores dediquem-se cada vez mais a tarefas com alto valor agregado para as empresas e menos em funções técnicas e repetitivas, como. Outra pesquisa, desenvolvida pela IDC Research, aponta que, hoje, aproximadamente, 40% da força de trabalho mundial já é mobile.
“Não há como escapar, vivemos cercados por máquinas e o tempo anda cada vez mais escasso. A soma desses fatores reforça a necessidade de dar ao colaborador a liberdade de realizar seus treinamentos quando e onde puderem e, por que não, com a ajuda do seu celular”, comenta o country manager da Learning Tribes do Brasil, Pierre-Jean Quetant.
Para o especialista, duas tecnologias são aliadas dos treinamentos corporativos mobile: o machine learning e o deep learning. Usando o machine learning, é possível liberar módulos de reforço automaticamente aos que passam mais tempo nos mesmos exercícios ou não alcançam determinadas pontuações, para citar alguns cenários. “Se o obstáculo de aprendizado do colaborador for relacionado à forma como o conteúdo é apresentado, ocorre uma adaptação automática – conteúdos escritos passam a ser representados por meio de recursos visuais, por exemplo”, afirma.
Já os algoritmos de deep learning podem ser usados para adaptações de idiomas ou, até mesmo, diferenças sutis na mesma linguagem que variam entre uma região e outra no mesmo território. “Cada colaborador possui dúvidas e necessidades específicas e, à primeira vista, parece desafiador usar sistemas de inteligência artificial para orientar a trilha de aprendizado de cada um deles. Na prática, a proposta é extremamente vantajosa e simples”, diz Quetant.
No entanto, Pierre lembra que mesmo com a tendência ao Home Office e da mobilidade, figuras como o gestor de comunidade jamais serão substituídos por um autômato. “O fator humano é insubstituível e a capacidade de analisar sutilezas em certos detalhes não pode ser reproduzida por máquinas. Community managers, instrutores, designers instrucionais, entre outros profissionais envolvidos em um programa de T&D, são essenciais para mensurar resultados, aplicar melhorias e avaliar os sentimentos e as opiniões dos colaboradores em relação aos conteúdos, além de verificar se o aprendizado é bem assimilado por eles”, finaliza.
Você sabe a diferença entre Machine Learning e Deep Learning?
Considerada uma das grandes revoluções do mundo moderno, a Inteligência Artificial tem provocado verdadeiras transformações nos negócios e possibilitado aos empresários vantagens competitivas nunca antes vistas. Porém, ainda que essa seja uma tecnologia que não soe estranha aos ouvidos, você realmente sabe o que ela significa?
Inteligência Artificial é tudo o que permite à máquina apresentar características semelhantes ao que identificamos como inteligência no ser humano. Nos seus primórdios, a Inteligência Artificial operava – e, em muitos casos, ainda opera – com sistemas especialistas, formados por imensos conjuntos de regras. Essas regras, elaboradas por seres humanos, buscam descrever situações em que, se houver um padrão de atendimento a elas, um problema pode ser resolvido.
Por exemplo: se eu estiver programando um sistema especialista de detecção de fraude em uma determinada transação comercial, posso determinar que se a pessoa fizer uma ligação de madrugada ou de um local distante da sua residência, dentre outras condições, aumentam as chances dessa transação ser fraudulenta.
De acordo com Roberto Lotufo, que é professor titular aposentado da Faculdade de Engenharia Elétrica e de Computação da Unicamp (Universidade Estadual de Campinas) e fundador da NeuralMind, startup especializada nessa área, o grande problema é que esses sistemas de Inteligência Artificial vão se tornando extremamente complexos, chegando até as dezenas de milhares de regras, com novas regras interferindo nas anteriores. “O trabalho de manutenção dessas regras se torna hercúleo”, avalia o docente.
Como toda inovação, essas aplicações iniciais geraram entusiasmo com a tecnologia. E a necessidade de aperfeiçoamentos culminou no avanço para uma nova técnica: o Machine Learning.
O Machine Learning, por sua vez, não é baseado em regras. E sim, no que os especialistas chamam de “características do objeto”. Voltando ao exemplo anterior, na programação do sistema de detecção de fraudes, os dados a serem inseridos no sistema poderiam ser a hora em que o pedido é feito, a localização do solicitante, sua idade, o valor do pedido, dentre outros que possam ter relação com a fraude. Esses dados são inseridos em um classificador estatístico. O problema, muitas vezes, é escolher as características a serem selecionadas.
“Na maioria das técnicas de Machine Learning existe a fase chamada de ‘feature engineering’, que é a escolha das características que irão melhor discriminar os objetos a serem classificados. Novamente, temos um esforço humano nesta escolha. Além disso, é uma tecnologia apropriada para o tratamento de dados estruturados, ou seja, aqueles que você consegue colocar em um banco de dados. Mas não para outros tipos de dados. Exemplos disso são as imagens ou sons”, explica Lotufo.
É nesse ponto que surge uma terceira técnica, ainda pertencente ao Machine Learning: o Deep Learning. Essa nova tecnologia dispensa a etapa de “feature engineering”, com a possibilidade de entrada no sistema dos dados originais, brutos. Além disso, explica o fundador da NeuralMind, o Deep Learning mostra resultados promissores justamente com os dados em relação aos quais outras técnicas de Machine Learning têm limitações: os dados não estruturados.
“Trabalhamos com o conceito de vizinhança. Em uma imagem, por exemplo, você sempre tem um pixel ao lado, acima ou abaixo de outro pixel; em um texto, as palavras se sucedem e, na fala, sempre temos um sinal que é antecedido e sucedido por outros”, explica Lotufo. “Em todas essas aplicações, o Deep Learning vem se mostrando extremamente bem-sucedido. Antes, para fazer um sistema de reconhecimento de fala, por exemplo, você tinha de especificar as características dessa fala. Cada língua tem fonemas diferentes, e era preciso, antes de mais nada, inventariar esses fonemas. No Deep Learning, o dado que entra é o sinal de voz, diretamente, a pessoa falando e a saída é o texto que ela falou. É com isso que você treina o sistema”, exemplifica.
Assim, considerando essas diferenças e o potencial do Deep Learning, a principal dica do pesquisador aos empresários brasileiros é que busquem conhecimento sobre a nova tecnologia. “É fundamental compreender a diferença e, com isso, a relevância do Deep Learning. Há muitas empresas vendendo soluções que usam outras técnicas de Machine Learning no mercado. São soluções úteis, sem dúvida, mas não foram elas que causaram a revolução que temos observado nos últimos seis anos. Por isso, minha dica é que busquem saber responder qual é a diferença entre Machine Learning e Deep Learning, pois é isto que permitirá o passo necessário ao desenvolvimento desses empreendimentos”, conclui.
A NeuralMind é uma startup sediada em Campinas, que busca transformar negócios com o uso de Inteligência Artificial. Entre as soluções oferecidas pela startup estão: sistemas de recomendação, detecção de anomalias, análise automática de imagens, reconhecimento inteligente de documentos e segurança cibernética. A empresa também oferece treinamento na área, com cursos in company e online. Para mais informações, acesse: http://neuralmind.ai/
