Machine Learning

MadeiraMadeira recebe prêmio do Google por pioneirismo e inovação

Por

A MadeiraMadeira, maior plataforma de produtos para casa do país, acaba de receber o Prêmio Smart Bidding do Google por ser pioneira em adotar o Machine Learning em suas campanhas de marketing.

O Google reconheceu a empresa como uma das primeiras a investir em soluções inovadoras que otimizam e automatizam os processos, antes feitos de maneira manual. “A equipe de performance MadeiraMadeira sempre testou e apostou em soluções arrojadas, esse reconhecimento mostra que estamos no caminho certo para otimizar os investimentos e sermos mais precisos nas estratégias de marketing digital.” conta Leonardo Raduy, Gerente de Marketing e Business Intelligence.

O prêmio foi criado em 2018, quando foi lançado o Smart Challenge do Google. Um programa voltado a agências e anunciantes com o objetivo de reconhecer as empresas que aplicam o Machine Learning em Adwords e Double Click. O objetivo do machine learning é automatizar os processos e reduzir a gestão manual de campanhas do Google.

Machine Learning e o boom da inteligência artificial

Por

Por Ricardo Weder, Presidente Global da Cabify

Durante o Fórum Econômico Mundial de Davos, realizado em 2017, Sergey Brin, co-fundador do Google e um dos grandes ícones da tecnologia, disse que a Inteligência Artificial (IA) é uma parte vital de todos os principais projetos em sua empresa. Por sua vez, Stephen Hawking comentou que todos os aspectos da nossa vida serão transformados pela IA.

Filmes de ficção científica e Hollywood fizeram as pessoas pensarem que IA são robôs humanóides que vão conquistar o mundo, mas a realidade é diferente. Então, o que é Inteligência Artificial? Qual é a diferença entre inteligência artificial e machine learning? Por que isso agora tem tanta relevância? Qual é o impacto real que pode ter em nossas vidas?

Definir o que é I A pode ser confuso, já que não é apenas um termo, mas um conjunto de diferentes tecnologias e métodos que buscam treinar máquinas com o objetivo de simular tarefas humanas. Dentro da IA, existem vários subconjuntos de estudos relevantes, como computação cognitiva, visão computacional, processamento de linguagem natural, machine learning entre outros.

Esse último, é o que causa a maior confusão, pois às vezes os termos são usados indiscriminadamente. Machine learning procura por padrões nos dados, isso permite gerar conclusões sem ser explicitamente programado para alcançá-las. Com base nessas conclusões e no feedback obtido, o conhecimento gerado em um novo con junto de dados pode ser usado, criando um círculo de aprendizagem que melhora o algoritmo e sua precisão.

Em termos gerais, IA é a ciência das máquinas que simulam tarefas humanas, enquanto o machine learning é um método de como as máquinas aprendem com os dados. Veja, IA não é algo novo! O conceito vem evoluindo há mais de 70 anos, inspirado pela excitante possibilidade de simular funções cognitivas humanas, especialmente aprendizado e raciocínio.

A partir da teoria computacional de Alan Turing, em 1956, o termo Inteligência Artificial foi cunhado por John McCarthy na conferência de Dartmouth, dando passagem formal à sua área de estudo. Durante as décadas de 50 a 80, as expectativas eram altas, mas os resultados não foram os esperados e a falta de aplicações tangíveis levou à perda de interesse e investimento na área.

O atual boom da Inteligência Artificial é devido aos avanços e aplicações alcançados por meio de técnicas nos padrões de aprendizado profundo. Ele também é acompanhado por um forte crescimento em Big Data, bem como grandes avanços na capacidade de processamento dos computadores, que criou uma nova era para Inteligência Artificial com aplicações tangíveis que marcam o potencial para o futuro.

Na atualidade, as aplicações de IA causam espanto, abrangendo desde veículos autônomos, sistemas capazes de aprimorar a detecção de câncer da pele (melanoma) realizados por especialistas médicos, assistentes como Siri ou Alexa, entre muitos outros. No que diz respeito ao machine learning, atualmente, a maioria dos aplicativos e serviços que você usa onl ine já o utiliza, como: Amazon, Google, Netflix, Spotify, Tinder, Siri, Cabify, Instagram, Facebook, Linkedin, Waze, entre outros. Em termos de negócios, especialmente a capacidade de usar essa tecnologia para prever, a um custo muito menor, muito mais rápido e com maior precisão em praticamente qualquer área, até a previsão de demanda para os quais deve contratar, permitirá às organizações que elas se aproveitem e sejam muito mais eficientes e produtivas e, portanto, tenham claras vantagens competitivas.

Existe um forte debate sobre os benefícios e riscos da IA a longo prazo, mas ela pode ajudar em quase todos os campos. Devemos aproveitar e entender exponencialme nte melhor a informação, assim como automatizar uma série de tarefas resultando em uma melhor utilização dos recursos, melhores decisões e maior geração de valor. É mais interessante entendê-la, não como algo que vai nos substituir, mas como uma ferramenta que irá melhorar e aumentar as nossas competências e com a capacidade de melhorar nossas vidas.

Sem dúvida, essa e outras tecnologias mudarão completamente o futuro. Por isso, é vital modernizar nossos sistemas econômicos e leis para maximizar o valor gerado por eles, permitir uma melhor distribuição da riqueza e oferecer igualdade de oportunidades para garantir o bem-estar social universal.

Como você está resolvendo seus problemas do dia a dia? Adote Machine Learning e Inteligência Artificial

Por

Por Ricardo Recchi

Embora o tema Inteligência Artificial não seja novo, houve uma explosão desta frente nos últimos anos. Isso se deve, sobretudo, às melhorias na utilização da rede neural a partir de novas técnicas computacionais adotadas no Machine Learning, como o Deep Learning, que promove o aprendizado estruturado, incluindo fala, identificação de imagem e previsões.

Somado a esse cenário, tivemos o aumento do poder computacional das CPUs (Central Processing Unit) e GPUs (Graphics Processing Unit) e a redução dos custos associados, que ajudam a viabilizar as aplicações de Inteligência Artificial. Como resultado dessa evolução estruturada, surgiram ferramentas que auxiliam no desenvolvimento de aplicativos voltados ao aprendizado de máquinas, assim como surgiram novas frentes de serviços que tornam possível usar essa tecnologia com muita facilidade.

Entre as vantagens que encontramos nesses sistemas, há uma série de problemas que a Inteligência Artificial e o Machine Learning podem resolver juntas. Reunindo uma série de informações, os dados são inseridos nos programas de aprendizagem, ou Machine Learning. Após aprender sobre os dados ou imagens inseridas, o programa entra no modo de operação utilizando a rede neural, ou seja, a Inteligência Artificial treinada anteriormente, que se soma aos dados transacionais e aos algoritmos.

É aí que entram os provedores de tecnologia, que têm soluções como serviço para atender esses processos e trazem a facilidade para resolver problemas do dia a dia. Entenda como a Inteligência Artificial somada ao Machine Learning podem resolver tarefas, como:

– Detecção e tradução de idioma, ou seja, a partir de um texto é possível saber em qual idioma está escrito e obter a tradução para a língua que desejar, assim como analisar o seu sentimento, tais como raiva, alegria etc. Isso permite, por exemplo, analisar a linha do tempo do Twitter em busca de reações a um novo produto;

– Classificar e reconhecer imagens a partir daquilo que é visto nela, reconhecendo pessoas e, ou, objetos, identificando-os em alguns casos;

– Reconhecimento de texto em imagens como, por exemplo, cartazes em uma rota;

– Transcrição de áudio a partir de uma gravação em que uma ou mais pessoas são ouvidas, realizando a conversão da conversa em texto;

– Conversão de texto em voz, produzindo um arquivo de áudio no qual uma voz é ouvida, recitando o texto original.

O número de problemas que podem ser resolvidos usando as duas tecnologias juntas está aumentando, assim como a precisão obtida por essas soluções. Consequentemente, há um aumento no número de serviços que incorporam soluções já empacotadas para os diversos tipos de problemas, tirando das empresas a necessidade de treinar modelos ou de se preocuparem com os algoritmos ou a arquitetura das redes neurais a serem usadas, o que permite sanar facilmente alguns dos seus problemas de negócio. A evolução da Indústria 4.0 está ai. Basta utilizá-la!

Ricardo Recchi, country manager da Genexus no Brasil, desenvolvedora global de produtos para software baseados em Inteligência Artificial.

Machine Learning e Deep Learning transformam máquinas em aliadas na capacitação profissional

Por

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.

O novo mercado de trabalho na 4ª Revolução Industrial – Por Marco Stefanini

Por

O futuro do mercado de trabalho estará novamente no centro das atenções do Fórum Econômico Mundial (FEM), que acontece ao longo da semana em Davos. Segundo a instituição, o mundo perderá milhões de empregos nos próximos três anos, principalmente aqueles que estão relacionados a funções administrativas e industriais. Só no Brasil, 15,7 milhões de trabalhadores serão afetados pela automação até 2030, segunda estimativa da consultoria McKinsey. Independente das projeções, o que se constata é que o mercado passa por uma grande mudança, semelhante à revolu&cced il;ão industrial, porém de uma forma muito mais rápida e dinâmica.

De acordo com artigo do fundador do FEM, Klaus Schwab, publicado recentemente na “Foreign Affairs”, a 1ª revolução industrial utilizou água e vapor; a 2ª eletricidade e a 3ª usou os eletrônicos e a tecnologia da informação para automatizar a produção na segunda metade do século XX. O que chamamos agora de 4ª revolução industrial se caracteriza por um mix de tecnologias que elimina as barreiras entre o físico e o digital.

Numa sociedade cada vez mais conectada, a Inteligência Artificial, o aprendizado de máquina (Machine Learning), a Internet das Coisas (IoT) e os sensores nos meios de produção (Indústria 4.0) garantem mais agilidade e eficiência. Segundo a Organização Internacional do Trabalho (OIT), o número de robôs industriais cresce uma média de 9% ao ano, desde 2010. No Brasil, a Federação Internacional de Robótica prevê que 12 mil robôs industriais serão comercializados até 2020.

É natural que todas essas transformações tecnológicas causem um desconforto inicial, como também aconteceu nas revoluções anteriores. Muitos profissionais veem na automação um risco iminente para a empregabilidade. Com certeza, haverá mudanças significativas, que sinalizam para o fim de atividades repetitivas, que serão cada vez mais incorporadas pelas máquinas.

Por outro lado, as pessoas também terão a oportunidade de investir em outras profissões que envolvem uma capacidade analítica maior. O estudo “Futuro do Trabalho, publicado no ano passado pelo Fórum Econômico Mundial, diz que quase dois terços das crianças que ingressam no ensino primário irão trabalhar em funções que ainda não existem. A tendência é surjam novas vagas na área de internet móvel, IoT, robótica, matemática e análise de dados.

No Brasil, ainda temos um longo caminho a percorrer, embora a transformação digital seja uma necessidade crescente entre empresas que buscam se reinventar. Na era do crescimento exponencial, precisamos mostrar como a tecnologia de ponta pode ser um fator decisivo para se manter na liderança ou simplesmente desaparecer. Em dez anos, a estimativa é de que 40% das corporações atualmente relacionadas no índice Fortune 500 tenham deixado de existir.

E como o Brasil pode se preparar para este novo cenário? Não existe apenas um caminho a trilhar, mas certamente um deles passa pela educação e qualificação profissional. Como iniciativa privada, nosso dever é contribuir para a formação de pessoas que poderão utilizar a inovação como um diferencial competitivo a curto e médio prazo.

Com as novas exigências do mercado, a sobrevivência de uma empresa depende da sua capacidade de inovar e abraçar novas mudanças. Já a geração de empregos no futuro estará diretamente relacionada à criatividade, qualificação, resiliência e capacidade de trabalhar em equipe. O novo mundo do trabalho é mais colaborativo e flexível.

Marco Stefanini é fundador e CEO global da Stefanini, multinacional brasileira considerada a quinta mais internacionalizada segundo Ranking da Fundação Dom Cabral (FDC).

Você sabe a diferença entre Machine Learning e Deep Learning?

Por

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/

Solução da SAP Labs usa IoT e Machine Learning para otimizar gestão da água e reduzir custos na Aegea

Por

Uma das maiores empresas de saneamento do segmento privado do País, a Aegea está presente em 48 cidades e 10 estados do Brasil. Em apenas sete anos de atuação, a companhia já conquistou 23% do mercado privado de saneamento básico, administrando todo o processo de abastecimento, coleta e tratamento de esgoto de mais de 5,4 milhões de pessoas.

“Todos os projetos desenvolvidos pela Aegea contam com tecnologia de ponta e sistemas sempre atualizados para acompanhar o desenvolvimento dos municípios, independentemente de seu porte”, afirma Dan Ramon Ribeiro, Líder Corporativo de Gestão de Energia da AEGEA. Coerente com essa linha de aprimoramento tecnológico, a empresa, em 2016, participou do Innoweeks, uma iniciativa de coinovação da SAP Labs que reúne, todos os anos, empresas, pesquisadores acadêmicos e parceiros de tecnologia em torno de um objetivo: encontrar soluções baseadas em Big Data e IoT para desafios comerciais existentes.

“A Aegea tem como foco fornecer água – cujo bombeamento é baseado em energia elétrica – e disponibilizar serviços para cidades pequenas e médias. Isso só é viável se compatibilizarmos o custo da eletricidade, da água e dos próprios serviços às populações com faixas de renda menos favorecidas”, explica Ribeiro. “Então, o desafio que levamos ao Innoweeks foi o de desenvolver uma solução capaz de reduzir os custos operacionais do ProLagos, empresa da Aegea em Búzios, responsável pelo saneamento da região dos Lagos, no Estado do Rio de Janeiro”, conta o executivo.

A partir do objetivo apresentado, um time de cinco especialistas da Aegea e 20 integrantes da SAP Labs puseram mãos à obra para desenvolver e apresentar um protótipo denominado Sistema de Saneamento Inteligente. Daniel Duarte, líder de Inovação e Experiência do Cliente da SAP Labs, explica que o time modelou o cenário do cliente em aplicações de machine learning “usando conceitos como redes neurais e previsão de séries temporais para prever situações críticas, sugerir como resolvê-las e direcionar simulações para melhorar a tomada de decisões”.

Na avaliação da Aegea, a solução desenhada pela equipe permite o fornecimento de água de maneira eficiente, com aumento da segurança e da assertividade da distribuição, otimizando a operação da empresa, e a redução do consumo de energia. “A utilização de Machine Learning foi essencial para o desenvolvimento de uma solução capaz de gerar mais eficiência em nossa operação”, constata Victor Barreto, Supervisor de Automação Aegea do Prolagos.

A ideia de utilizar Internet das Coisas para conectar equipamentos, fazer medições online em tempo real e disponibilizar os dados obtidos no Centro de Controle resultou em um significativo aumento de eficiência operacional, segundo o supervisor da AEGEA. Ele conta que, hoje, a empresa está disponibilizando, implementando e instalando equipamentos que medem todos os parâmetros necessários para determinar a eficiência em cada bomba de motor instalada no sistema, propiciando menor perda de água e menor gasto de energia para os serviços fornecidos.

“Nosso problema foi entendido, avaliado e a solução necessária disponibilizada, como protótipo, pela SAP. Foi extremamente criativo e muito produtivo participar do processo de desenvolvimento e o resultado foi tão interessante que nos levou a pensar em também aplicar esses próprios conceitos em outras unidades da empresa”, conclui Ribeiro.

O Líder de Inovação e Experiència do Cliente do Cliente da SAP Labs comemora: “Quando unimos forças com o Prolagos para desenvolver esse protótipo, sabíamos que o impacto ao oferecer um serviço de maior qualidade e melhorar a eficiência energética no sistema seria bom não apenas para o negócio, mas também para todo o meio ambiente”.

Google Cloud promove treinamento gratuito para desenvolvedores

Por

Bootcamp terá dois dias dedicados a machine learning e kubernetes, que contarão com especialistas do Google e laboratórios práticos

O Google Cloud oferecerá dois dias de treinamentos gratuitos para desenvolvedores em 8 e 9 de novembro, em São Paulo. Machine learning e kubernetes serão os temas de cada dia do Bootcamp, respectivamente, com aulas ministradas por especialistas do Google e laboratórios práticos para colocar em ação os ensinamentos. Podem se inscrever gratuitamente programadores, cientistas de dados, desenvolvedores e profissionais de operações que desejem aprimorar seu conhecimento sobre as ferramentas da plataforma de Google Cloud. É a primeira vez que o Google oferece este tipo de treinamento de maneira gratuita no Brasil.

No primeiro dia do Bootcamp, os profissionais inscritos aprenderão conceitos de Machine Learning, tendo acesso a aulas sobre desenvolvimento, avaliação e produção de modelos de aprendizado de máquinas. O segundo dia será dedicado a noções básicas de kubernetes, sistema de código aberto desenvolvido pelo Google para gerenciamento de aplicativos, mostrando como colocar cargas de trabalho em containers, implementar clusters no Google Container Engine, fazer integração contínua e escalar aplicações para gerenciar aumento de tráfego.

Em paralelo ao Bootcamp para desenvolvedores, acontecerá o Google Cloud Summit, evento gratuito com mais de 20 palestras sobre Google Cloud, G Suite, Maps, dispositivos de nuvem, entre outros. O evento reunirá executivos, clientes, parceiros, desenvolvedores, profissionais de TI e engenheiros para discutir o futuro da nuvem. Na programação, estarão temas atuais e relevantes, como big data, machine learning, desenvolvimento de aplicativos, infraestrutura, operações, colaboração, produtividade e mobilidade. Além disso, haverá a participação de especialistas internacionais do Google e a apresentação de casos de sucesso de grandes empresas e startups, para que o público conheça os benefícios da adoção da nuvem na prática.

Onde se inscrever para os dois eventos:

Developer Bootcamp:
https://goo.gl/tvFXMR

Google Cloud Summit: https://goo.gl/rXx3pV

A evolução do Machine Learning

Por

Por Rafael Bissi

O Machine Learning (do inglês, Máquinas Aprendendo) foi criado para auxiliar a identificar como é o comportamento de um usuário, auxiliando a formar perfis para serem explorados com ações de marketing. Esta prática já é muito utilizada no mercado online, no qual, quando acessamos um determinado anúncio, as próximas propagandas direcionadas são sobre o assunto que fizemos uma busca anterior. Neste caso, os computadores analisam e “aprendem” o perfil do usuário, indicando melhores preços, produtos de mais qualidade, entre outros.

O uso ininterrupto dos usuários via dispositivos móveis utilizando a localização real (GPS), junto a diferentes informações, como as postadas em redes sociais de fotos e as disponibilizadas em comentários em portais web, começam a traçar diversos perfis de usuários, não somente para pesquisa de mercado e usos de marketing, mas também para modelagem de aplicações, melhor desenvolvimento de websites, melhoria no uso de recursos, BI (Business Inteligence) com os dados retirados, venda de informações etc.

Estas máquinas que trabalham no modo “learning” podem tratar dados de maneira independente e, quando qualquer informação que for interceptada, lida e normalizada para o uso da inteligência artificial, pode haver mutação e trazer retornos absurdos. Existem diversos usos para este tipo de dado, incluindo análise preditiva com informações históricas, descrição de pessoas via hábitos, detecção de doenças por perfil de usuário, entre outros. Sem dúvida, existe um grande mercado a ser trabalhado para este tipo de leitura.

Uma evolução que causou preocupação em uma empresa de grande porte no mercado foi o machine learning evoluir tanto que chegou ao ponto de entendimento do comportamento e reações do ser humano, além de sons de animais, músicas, detecção de rosto, criptografia não automática de arquivos para evitar a leitura de seres humanos, criação de protocolos de comunicação automatizados de máquina, melhorando os protocolos criados por seres humanos, entre outros. Esse aprendizado trouxe, assim, a ideia mais perigosa já tratada até em filmes: as máquinas se rebelam contra o homem. O Facebook desligou alguns servidores que criaram seu próprio método de comunicação para evitar o entendimento de outras máquinas e até do ser humano. Isto preocupa você?

Este acesso ou bloqueio de alguma informação pode ser feito pelo próprio Machine Learning, que monitora a política de segurança de acesso. No caso de um comportamento de ataque, por exemplo, o machine learning identifica a conduta fora do padrão e pode ou não derrubar o atacante, dependendo da política de segurança implementada.

A tecnologia e a segurança vêm para suportar o negócio, prevenindo ameaças para evitar problemas futuros e, ou, recorrentes. Toda máquina precisa de um fluxo completo de acompanhamento, desde o básico, com analistas juniores, até os especialistas, com o executivo de negócio, que poderão verificar se, de fato, o aprendizado está sendo benéfico ao negócio.

Além disso, um ataque sempre vai ter uma porta de entrada e as ferramentas preditivas identificam ações fora da normalidade antes de um sequestro de dados, por exemplo, propondo uma evolução na maturidade da segurança. Somente comprar uma solução não adianta. É preciso ter capacitação e visão como um todo para chegar ao benefício da ferramenta, inclusive com possíveis customizações.

Rafael Bissi é gerente de produtos de segurança e novas Tecnologias da SONDA, maior companhia latino-americana de soluções e serviços de tecnologia

Brasif Máquinas amplia produtividade das equipes de campo com aplicativos baseados na SAP Cloud Platform

Por

Fundada há mais de 50 anos, a Brasif Máquinas é especializada na distribuição de equipamentos para construção, logística e britagem móvel das principais marcas mundiais; além de locação de soluções para movimentação de materiais e prestação de serviços técnicos de reposição de peças e componentes. A companhia, com 600 colaboradores, está sediada em São Paulo, e mantém unidades operacionais em 8 Estados do País para atender os mercados de Construção, Mineração, Energia, Petróleo & Gás e Movimentação de Materiais.

Em 2016, para atender aos requisitos de inovação tecnológica impostos pelo crescimento da empresa, aumentando o suporte à área de serviços, a Brasif decidiu buscar ferramentas que permitissem o desenvolvimento de soluções próprias, como aplicativos voltados para a melhoria de gestão de sua equipe de campo e controle de pós venda. Depois de uma pesquisa de mercado, a opção foi pela adoção da plataforma aberta SAP Cloud Platform (SCP) .

“Nosso primeiro objetivo era ampliar o suporte à nossa equipe de vendas, automatizando a distribuição e execução das ordens de serviços e contribuindo para o aumento de receita”, explica Gustavo Takamatsu, gerente de Tecnologia e Inovação da Brasif. “Quando conhecemos, em um evento, diversos apps desenvolvidos na plataforma SCP, constatamos que ela atendia a todas as nossas expectativas de Inovação”.

O desenvolvimento do app teve início em outubro do ano passado, com a participação do time de tecnologia da Brasif e experts da SAP. Apenas três meses depois, em janeiro de 2017, a solução já estava no ar, junto com uma ferramenta de gestão de dispositivos móveis, também desenvolvida na plataforma SCP. Isso permitiu às áreas de negócios não apenas gerenciar as equipes de campo responsáveis pela manutenção dos equipamentos mas também o contato com os clientes.

“O uso dos dois aplicativos combinados aumentou a gestão e, como consequência, também a produtividade da área de serviços”, afirma Gustavo Takamatsu. “Adotar a SCP nos permitiu trabalhar com uma solução robusta e organizar ondas de implementação”.

Acompanhamento em tempo real

Com a adoção do app desenvolvido sobre a plataforma SCP, a produtividade da equipe de campo aumentou 23% em apenas três meses. “No modelo anteriormente adotado pela Brasif, os técnicos iam à empresa semanalmente, recolhiam as ordens de serviço (OS) e depois retornavam para fazer o lançamento manual de tudo o que haviam feito”, recorda Takamatsu. Agora, toda a gestão de distribuição e execução das ordens de serviço – e no último ano a empresa atendeu a 42 mil OS – estão no aplicativo hospedado na SCP. Qualquer pendência ou dificuldade é identificada em tempo real pelos programadores de serviços”.

O executivo destaca que os dois apps combinados na SCP permitem identificar exatamente o local em que o técnico está e qual serviço está sendo executado. Hoje, o aplicativo já tem cerca de 120 usuários, e a empresa implementou novas funcionalidades, como a de Intervalo entre Atividades, que permite identificar o tempo de parada dos técnicos para realizar tarefas não programadas, possibilitando identificar e corrigir possíveis ineficiências operacionais. Outra delas é a Identificação de Leads, que permite aos técnicos gerar oportunidades de negócio dentro do aplicativo. “Quando estão em campo, nossos técnicos são nossos olhos dentro do cliente e muitas vezes eles conseguem enxergar oportunidades de novos negócios durante a execução do serviço. Isso certamente nos trará aumento de receita”, prevê Takamatsu. O executivo destaca outro grande benefício: “registramos uma melhoria não só da gestão desses atendimentos pela área de serviço como do nível de satisfação do cliente”.

Novas oportunidades

A partir dos desenvolvimentos feitos na plataforma SCP, a Brasif Máquinas está preparando uma série de novas implementações de soluções SAP. Entre elas, a companhia já realizou o kick-off do projeto SAP Hybris, solução que será utilizada para fazer a gestão da força de vendas. Além disso, a equipe de Takamatsu prepara duas novas ondas: a primeira, de aplicativos que serão oferecidos aos clientes para que acompanhem em tempo real a prestação de serviços oferecidos pela Brasif e consultem o histórico de seus equipamentos; a segunda, de IoT, com a telemetria de equipamentos vendidos ou alugados pela empresa. “Tudo isso é parte da estratégia da Brasif como companhia, e não apenas da TI. E temos contado com o suporte da SAP nesse processo de transformação digital”, salienta Takamatsu.

“Estamos satisfeitos em constatar, mais uma vez, que os recursos abrangentes de desenvolvimento de aplicativos inovadores por meio da SAP Cloud Platform e os serviços oferecidos para mobilidade, Big Data, Machine Learning e Internet das Coisas, entre outros, estão contribuindo para o desenvolvimento de soluções empresariais seguras que proporcionam agilidade aos negócios e aceleram a tão necessária transformação digital de nossos clientes”, destaca Orlando Cintra, vice-presidente de vendas para SAP Cloud Platform na SAP América Latina.

Machine learning é trunfo estratégico para inovar

Por

Por André Scatolini, Vice-Presidente de Infra Technologies & Solutions da Resource

Vivemos, nós profissionais, em constante pressão para nos superarmos a cada dia na área de tecnologia da informação (TI), que foi provocada de maneira irreversível e contundente pela movimentação implacável da transformação digital. O desafio é mais do que criar soluções inovadoras. É preciso desenvolvê-las em velocidade tal que se antecipem às expectativas dos clientes digitais.

Essa meta instigante fica um pouco mais clara diante da definição de transformação digital, da qual me aproprio da realizada pela consultoria global IDC: “É o processo contínuo pelo qual as organizações se adaptam a mudanças disruptivas ou as criam no seu ecossistema externo por meio de competências digitais. Seu objetivo é inovar com modelos de negócios, produtos e serviços que integram o digital e o físico de maneira transparente e ainda com experiências, de negócios e de clientes, que geram melhorias na eficiência operacional e organizacional”.

Assim, para ganharmos e, ao mesmo tempo, provermos aos clientes competências digitais é vital refinar nosso perfil, que necessita ter como valor agregado o conhecimento profundo das tecnologias emergentes para entender como elas podem transformar os negócios de empresas dos variados setores da economia. Mas o segredo, acredite, mora na certeza de que tecnologia hoje é um facilitador da visão que podemos ter e oferecer ao negócio do usuário – uma alavanca para a disrupção.

E na construção da minha visão de negócios, pegando carona, certamente, em casos de sucesso, estudos e troca de informações estratégicas, elegi machine learning (aprendizado de máquina) como trunfo estratégico para inovar. Isso porque os fatores que colocam em ebulição o crescimento de machine learning são a sua aplicação diversificada e a capacidade de aprender e resolver problemas da vida real a partir de dados.

Esse algoritmo machine learning é uma parte da Inteligência Artificial (AI, na sigla em inglês), que concede aos computadores a capacidade de aprender sem a necessidade de programação e de encontrar as ideias ocultas sem ser explicitamente programado para onde procurar.

Entender a linguagem, reconhecer padrões e aprender com a informação podem ajudar as empresas a enfrentarem desafios significativos e complexos. Esse recurso possibilita “ler” um texto, “ver” as imagens e “ouvir” o discurso natural. E sei que a evolução do machine learning com inteligência artificial não vai parar por aí. Não vou me surpreender, portanto, se, no futuro (talvez breve), a computação cognitiva seja capaz de aprender também a sentir, a tocar e a provar o gosto das coisas.

Aditivo para os negócios

A vantagem que machine learning proporciona às empresas é a capacidade de oferecer novos produtos, serviços diferenciados e personalizados, além de aumentar a eficácia e diminuir o custo dos produtos e serviços existentes. Permite ainda que a organização reinvente processos de negócios, de ponta a ponta, com inteligência digital.

O potencial é realmente significativo. Fabricantes de tecnologia estão investindo fortemente na adição da tecnologia em suas aplicações existentes e na criação de outras. Esse é o “caminho expresso” da inovação. Isso porque proporciona às empresas a vantagem de descobrir padrões e tendências de conjuntos de dados e automatizar análises realizadas tradicionalmente por pessoas, para aprender com as interações relacionadas a negócios e fornecer respostas baseadas em evidências.

Não por acaso, a IDC projeta que, até 2018, mais de 50% das equipes de desenvolvimento vão incorporar serviços cognitivos em seus aplicativos, gerando até 2020 uma economia de mais de US$ 60 bilhões. Ainda segundo projeções da consultoria, a adoção de sistemas cognitivos e inteligência artificial em diversas indústrias deverá gerar receita anual de US$ 47 bilhões em 2020.

As tecnologias cognitivas tornaram-se tão penetrantes que a maioria de nós a utilizamos sem perceber. Se você está navegando pela web, consultando relatórios meteorológicos para programar uma viagem, dirigindo um carro conectado e acessando informações, usando reconhecimento de fala em um smartphone, provavelmente está utilizando machine learning.

O aprendizado de máquina, portanto, é excelente solução para uma série entraves no desenvolvimento de produtos e serviços que antes eram inimagináveis. O recurso é capaz de viabilizar e tornar precisos e confiáveis projetos em que abordagens tradicionais apresentem falhas.

Alexander Linden, vice-presidente de Pesquisas do Gartner, disse: “Há dez anos, lutávamos para encontrar dez aplicativos de negócios baseados em machine learning. Agora, nos esforçamos para encontrar dez que não usam esse recurso”. Esse resultado é mais do que uma evolução ou inovação, é uma questão de visão de negócios despertada e possibilitada pela tecnologia.

Conheça 6 títulos que são leitura obrigatória para Cientistas de Dados

Por

Por Semantix *

Conhecimento nunca é demais, principalmente em campos de conhecimento como a ciência de dados, que contempla diversos temas como Big Data,Machine Learning e outros, que estão em constante transformação. Por isso, a Semantix selecionou seis títulos de leitura que não podem faltar para um profissional dessa área aprimorar seu aprendizado. Os livros abrangem assuntos como estatística para programadores, Machine Learning, Deep Learning, algoritmos, entre outros. Confira:

1. Data Analytics Made Accessible – Dr. Anil Maheshwari (autor)

Exiba imagens para confirmar leitura

Esse curto livro de 150 páginas apresenta os conceitos de Big Data e Data Analytics de maneira concisa, o que se traduz em uma boa primeira leitura para este universo.

2. Understanding Machine Learning: From Theory to Algorithms – Shai Shalev-Shwartz e Shai Ben-David (autores)

Machine Learning é uma das áreas de mais rápido crescimento, com aplicações nos mais diferentes segmentos. Esse livro introduz o leitor à aprendizagem mecânica e aos paradigmas algorítmicos que oferece.

3. Deep Learning – Ian Goodfellow, Yoshua Bengio e Aaron Courville (autores)

Essa publicação tem como objetivo ajudar alunos e profissionais a entrar no campo das aprendizagens mecânica em geral e do Deep Learning. A versão on-line do livro está completa e permanecerá disponível gratuitamente.

4. Machine Learning Yearning – Andrew Ng (autor)

Inteligência Artificial, Machine Learning e Deep Learning estão transformando inúmeras indústrias, e decisões práticas e assertivas são essenciais para construir um sistema de aprendizado de máquina. Esse livro vai te ajudar nisso!

5. Foundations of Data Science – Avrim Blum, John Hopcroft e Ravindran Kannan (autores)

A publicação apresenta a teoria que provavelmente será útil nos próximos 40 anos, no que diz respeito ao uso de computadores para entender e extrair informações relevantes de dados provenientes de aplicativos.

6. Doing Data Science: Straight Talk from the Frontline – Cathy O’Neil and Rachel Schutt (autores)

Esse livro tem como proposta apresentar tudo que você precisa saber para usar os dados a seu favor na hora de montar sua estratégia de negócio, inspirado em aulas de ciência de dados da Columbia University’s.

Semantix é uma empresa especializada em Big Data, Inteligência Artificial, Internet das Coisas e Análise de dados. http://semantix.com.br/

Atos lança primeiro centro de operações de segurança prescritivo do mundo

Por

Em um momento em que a comunidade internacional se vê diante do desafio de enfrentar ciberataques cada vez mais frequentes, a Atos, líder global em Big Data e Cybersecurity, acaba de lançar o primeiro Centro de Operações de Segurança (SOC – Security Operations Center, na sigla em inglês) Prescritivo do mundo.

A nova solução possibilita prever ameaças de cibersegurança antes mesmo que elas ocorram, a partir da análise de grandes quantidades de dados obtidos na internet e nas redes internas dos clientes, combinada com o conhecimento das ameaças neutralizadas no passado. “Com isso, o tempo de detecção e neutralização de ataques é significativamente menor em comparação com as soluções existentes atualmente”, explica Luís Casuscelli, diretor de Big Data & Cybersecurity da Atos na América do Sul.

As novas soluções implementadas nos SOCs são apoiadas em tecnologias da McAfee, parceria global de cibersegurança da Atos, que também faz parte da oferta do grupo na América do Sul. Elas fazem o tempo médio de detecção de uma ameaça ser reduzido para menos de um minuto, contra uma média de 190 dias com as soluções existentes atualmente. Por sua vez, o tempo total de resposta e recuperação, após a detecção do problema, pode cair de dois meses para uma questão de alguns minutos.

O SOC Prescritivo chega para fazer frente ao crescente número de ataques cibernéticos cada vez mais sofisticados, como ransomware, DDoS, botnets e Advanced Persistent Threats. Desse modo, os clientes podem manter o foco em sua atividade principal, em vez de se preocuparem com a segurança de seus dados.

Big Data e Machine Learning

Baseado na expertise de análise de Big Data e de Machine Learning da Atos e combinado com a tecnologia da McAfee, o SOC Prescritivo aprende de forma contínua a partir de ameaças neutralizadas anteriormente para orquestrar respostas automáticas, em tempo real.

A Atos utiliza tecnologias próprias no SOC Prescritivo, como o Atos Data Lake Appliance, baseado na plataforma bullion, e a investigação em inteligência artificial da compania.

O Centro de Operações utiliza ainda as tecnologias Open Data Exchange Layer (Open-DXL) e Ciclo de Vida de Defesa contra Ameaças da McAfee para melhorar a automação, a coordenação e a reatividade imediata das respostas de segurança, a fim de substituir as respostas de segurança manuais, que tendem a ser fragmentadas e demoradas.

“Com a rápida evolução do cibercrime não é mais possível evitar o risco, mas é preciso estar preparado para responder às ameaças de forma rápida e eficiente. Neste cenário, os SOCs são grandes aliados da segurança ao combinar tecnologia, inteligência e automação para reduzir o tempo de resposta. Recentemente uma pesquisa divulgada pela McAfee mostrou que, em média, 71% dos SOCs avançados concluíram investigações de incidentes em menos de uma semana e 37% concluíram investigações de ameaças em menos de 24 horas”, comenta Jeferson Propheta, diretor de serviços de segurança da McAfee para América Latina.

Inteligência e visão 360°

O SOC Prescritivo analisa e correlaciona grandes volumes de dados estruturados e não estruturados de diferentes fontes (TI, tecnologia operacional e Internet das Coisas), e monitora não só a rede interna do cliente, mas também as redes sociais, a web oculta e a web obscura, para uma varredura de ambiente completa. Os dados são transformados em inteligência utilizável para análise profunda de pacotes, reconhecimento de padrões e detecção de pontos fracos.

“Ao combinar Big Data, análise de segurança e supercomputação, a Atos oferece aos seus clientes a oportunidade de estar um passo à frente dos ataques cibernéticos. A análise profunda de dados e o monitoramento em tempo real possibilitam uma segurança prescritiva única e contínua. Nossos clientes agora podem prever e neutralizar ameaças antes que elas atinjam seus objetivos”, finaliza o diretor da Atos Luís Casuscelli.

Experiência

Para desenvolver o SOC Prescritivo, a Atos baseia-se em sua expertise comprovada nos mais de 20 anos a serviço da segurança dos Jogos Olímpicos, a partir de 14 SOCs interligados ao redor do mundo, que operam em modalidade 24×7 com um conjunto de serviços inovadores em matéria de detecção e resposta.

Aivo lança o Live, plataforma de chat humano assistido por Inteligência Artificial

Por

Com o intuito de melhorar constantemente a relação entre as empresas e seus clientes ao oferecer ferramentas de atendimento automatizado, a Aivo acaba de lançar a solução de chat humano LIVE, que consiste em um chat omnichannel assistido por meio de Inteligência Artificial.

A nova plataforma permite que as empresas dialoguem com seus clientes em todos os seus canais criando um único perfil digital e possui uma ferramenta de sugestões de respostas inteligentes que ajudam aos operadores a resolver as necessidades dos clientes logo no primeiro contato, oferecendo um atendimento personalizado e automatizado, para que o consumidor tenha a melhor experiência durante o processo. De acordo com estudo da Microsoft, 27% dos brasileiros querem resolução do problema no primeiro contato e 57% da primeira comunicação com marcas ou organizações começam no online. Além disso, 98% esperam que as marcas tenham algum canal de autoatendimento e 88% que utilizaram assistentes virtuais encontraram as informações que procuravam através do canal.

Entre as principais características do LIVE, a omnicanalidade é um dos destaques. As mensagens adaptam-se de acordo com os canais escolhidos pelos clientes, seguem uma coerência contextual e promovem uma continuidade mesmo quando o cliente altera o canal de comunicação. A solução utiliza Inteligência Artificial e Machine Learning para aprender com as interações de seus melhores operadores e entregar sugestões de respostas nas próximas conversações, melhorando a gestão, reduzindo o tempo de atendimento e ajudando a concentrar o suporte humano para assuntos mais complexos.

O LIVE tem uma variedade de ações automáticas que tem como objetivo reduzir o tempo de operação dos atendentes, ajudando-os a se tornarem mais eficientes e resolvendo suas necessidades de forma rápida e eficaz. A solução ainda gera relatórios e resultados em tempo real, possibilitando o monitoramento de desempenho dos operadores e atendimentos, além de possibilitar a criação de Grupos de Atendimento, de acordo com as habilidades e capacidades de cada operador e Filas inteligentes de atendimento. “Dessa maneira LIVE vai se transformar no melhor assistente para os operadores de atendimento. Desenvolvemos esta plataforma visando economizar mais de 30% do tempo dos operadores, a fim de resolver o problema do cliente de forma ágil e assertiva”, completa Martín Frascaroli, CEO da Aivo.

Intel colabora com universidades no desenvolvimento de três centros de machine learning no Brasil

Por

A Intel trabalha em parceria com universidades e empresas para desenvolver três centros de excelência em Aprendizagem de Máquinas no Brasil. Serão dois centros em São Paulo juntamente com a Unesp (Universidade Estadual Paulista) e a Universidade Presbiteriana Mackenzie, além de um no Rio de Janeiro com a empresa AI2Biz. Os projetos têm o objetivo de colaborar com a indústria e comunidade científica na solução de problemas complexos através do uso de Inteligência Artificial.

A Intel também oferece, por meio desta iniciativa, workshops, ministrados pelas universidades, a toda comunidade científica e de desenvolvedores de software com a finalidade de ressaltar todo o potencial da inteligência artificial no aprendizado de máquinas. Os centros também vão colaborar com clientes da Intel em realizações de provas de conceito, projetos piloto e soluções para diferentes verticais da indústria. Atualmente, há projetos em andamento na área financeira e no setor de petróleo e gás.

“A aplicação de inteligência artificial nos negócios tem um enorme potencial no Brasil. Com esses projetos, estamos acelerando o poder e a velocidade de análise de dados por meio de uma contínua evolução da computação de alta performance, big data e inteligência artificial. A aprendizagem de máquinas cria um mundo mais inteligente e conectado para todos nós”, avalia Mauricio Ruiz, diretor geral da Intel Brasil.

A Intel fornecerá aos projetos de machine learning ferramentas completas para trazer performance às aplicações de Big Data, como Intel Python Distribution, Intel Math Kernel Library e Intel Data Analytics Acceleration Library, que são fundamentais para extrair todo paralelismo dos processadores Xeon e Xeon Phi. Os Centros terão contato com engenheiros de software da Intel de diversos países e contarão com suporte técnico personalizado.

Os centros de machine learning fazem parte de uma iniciativa global da companhia, chamada Intel AI Academy, que visa prover capacitação em Inteligência Artificial para estudantes de Cursos de Computação (Ciência, Engenharia e correlatos) e desenvolvimento de aplicações de inteligência artificial. As tecnologias de Big Data que fazem uso de algoritmos de Inteligência artificial geralmente demandam grande poder computacional e máquinas de alto desempenho. Os centros de excelência também contarão com ferramentas como o Intel Deep Learning SDK, que facilita o processo de desenvolvimento de aplicações, aumentam a produtividade e aceleram o time-to-market em aplicações de redes neurais profundas (ou Deep Learning).

“As maiores empresas de software do mundo estão desenvolvendo ferramentas de inteligência artificial e disponibilizando essa tecnologia para toda a comunidade. A proposta da Intel de otimizar essas ferramentas para sua arquitetura e estabelecer parcerias com universidades para a validação e difusão desse conhecimento é estratégica para sua liderança no desenvolvimento e produção de processadores”, explica o Prof. Dr. Leandro de Castro, Coordenador do Laboratório de Computação Natural e Aprendizagem de Máquina (LCoN) da Universidade Mackenzie.

“Esta iniciativa conjunta da Intel e AI2Biz Lab (www.ai2bizlab.com.br) disponibilizará recursos técnicos orientados a projetos de Inteligência Artificial, cada vez mais exigidos nos ambientes corporativos, além de criar vínculos com os meios acadêmicos de pesquisa. Nossa missão é tornar as tecnologias de IA não só acessíveis, como aplicáveis aos objetivos de negócios nas mais variadas industrias, observando suas peculiaridades, e promovendo de forma customizada melhorias na eficiência operacional dos clientes, e ganhos reais pelo uso otimizado de recursos.”, reitera Francisco Dutra, CEO da AI2Biz Lab.

“Além de problemas de ciência básica deveremos atacar algumas áreas com forte impacto socioeconômico, como diagnósticos através da análise de imagens médicas e melhoria dos agronegócios com imagens de satélites” disse Sérgio Novaes, diretor científico do Núcleo de Computação Científica (NCC) da Unesp.

Referência à arquitetura da Intel em Inteligência Artificial.
https://software.intel.com/pt-br/ai

Inteligência artificial aplicada ao diagnóstico e ao tratamento de doenças

Por

A melhoria dos diagnósticos e a personalização dos tratamentos têm sido dois dos desafios mais importantes dos sistemas de saúde nos últimos anos. Graças à inovação e à pesquisa científica, às técnicas por imagem, aos sistemas de gestão da informação ou à conectividade entre pacientes e profissionais, a tecnologia da saúde alcançou um nível de desenvolvimento nunca antes visto, permitindo dessa forma, um grande avanço nas áreas de prevenção, detecção precoce de doenças e controle das mesmas.

No entanto, em uma sociedade em que a população envelhece cada vez mais e em que a prevalência de doenças crônicas cresce a um ritmo acelerado, um novo desafio está se tornando cada vez mais claro entre aqueles que fazem parte dos processos de saúde: a possibilidade de se prever as doenças.

Nesse campo, a inteligência artificial, por meio do Big Data ou do Machine Learning, está sendo convocada a se converter na grande aliada da prevenção primária e do cuidado da saúde nos próximos anos.

Machine Learning aplicado ao diagnóstico médico

O aprendizado automático ou Machine Learning identifica padrões entre milhões de dados de diferentes naturezas (Big Data) e prevê comportamentos por meio de algoritmos com capacidade de aprender e evoluir com base em sua própria experiência.

No âmbito da saúde, as análises preditivas geradas por essa disciplina poderiam nos colocar um passo à frente de determinadas doenças e significaria um avanço em termos de diagnóstico precoce, preciso e, sobretudo, decisivo no desenvolvimento de algumas patologias.

No caso das doenças neurológicas, como a doença de Alzheimer, em que os primeiros sintomas podem começar a ocorrer até mesmo dez anos antes que as primeiras alterações cognitivas sejam notadas, a possibilidade de se adiantar à manifestação visível da doença desempenha um papel fundamental em seu desenvolvimento.

Até o momento, um dos testes mais utilizados na detecção precoce do Alzheimer era o denominado “teste do relógio”, um teste em que o paciente desenha um relógio com uma determinada hora e deveria copia outro já desenhado. Esse exercício permitia aos profissionais observar e identificar sintomas de deterioração do cérebro que pudessem indicar a presença de alterações cognitivas.

Com o objetivo de antecipar a doença de Alzheimer e obter um diagnóstico mais preciso, um grupo de cientistas, liderado pelo Laboratório de Inteligência Artificial e Ciências da Computação do Instituto de Tecnologia de Massachusetts (MIT), desenvolveu um programa de computador capaz de detectar essas alterações de maneira objetiva e rigorosa.

O sistema, baseado em informações coletadas em centenas de testes anteriores, interpreta os dados de novos testes por meio de uma caneta digital. Dessa forma, aumenta a precisão do diagnóstico, mas, sobretudo, ajuda e estimula a tomada de decisões médicas baseadas em dados objetivos e facilmente comparáveis.

No entanto, depois de diagnosticada a doença, os sistemas de saúde dão início a uma das fases mais importantes do Continuum da Saúde: o tratamento personalizado e a terapia adaptada às necessidades da pessoa.

Inteligência artificial para o cuidado e o tratamento das doenças

Doenças crônicas como diabetes, Doença Pulmonar Obstrutiva Crônica (DPOC), insuficiência cardíaca ou hipertensão arterial necessitam de um controle contínuo e de uma frequente tomada de decisões.

Os recentes sistemas de monitoramento permitem que o paciente melhore o controle de seu estado de saúde graças ao conhecimento constante dos indicadores mais relevantes. A frequência cardíaca, os padrões de sono e exercícios físicos são algumas das variáveis analisadas e, com base nas informações obtidas, essas ferramentas estabelecem padrões de comportamento em função da atividade das pessoas. Assim, os pacientes são capazes de definir seus próprios desafios baseados em suas características pessoais e começam a tomar decisões em que a tecnologia os ajuda a se motivar ao observar seu próprio progresso.

É o início do desenvolvimento de ferramentas aplicadas à saúde, o que permitirá gerar predições dos estados de saúde e antecipar possíveis recaídas da doença, com a consequente diminuição das readmissões hospitalares. O objetivo é manter a doença e os pacientes estáveis durante o maior tempo possível, com base em dados personalizados e em tempo real.

Converter os dados em conhecimento não apenas pode nos ajudar a melhorar a experiência do paciente como também nos ajuda a agir desde as primeiras fases do Continuum da Saúde. Nesse sentido, a inteligência artificial nos permite analisar, interpretar e prever cenários futuros que ajudam a prevenir e a reduzir a carga de doenças crônicas e seu impacto na sociedade, uma vez que melhoram a saúde geral da população.

Fonte: Philips do Brasil

Darktrace e Amiggo juntas no CIAB FEBRABAN 2017

Por

A Darktrace, multinacional americana líder mundial em Machine Learning e inteligência artificial para defesa cibernética, e a Amiggo, empresa brasileira especializada em segurança digital, estarão juntas no CIAB FEBRABAN, que ocorre de 06 a 08 de junho no Expo Transamérica, em São Paulo. Na ocasião, a multinacional americana mostrará sua tecnologia direcionada ao setor financeiro.

“O sistema imunológico humano é incrivelmente complexo e continuamente se adapta às novas formas de ameaças, tais como DNAs virais que constantemente sofrem mutações. A Darktrace aplica a mesma lógica aos ambientes organizacionais e industriais. Por meio do poder de aprendizagem em Machine Learning e algoritmos de Inteligência Artificial, a tecnologia Enterprise Immune System interativamente aprende um padrão único de “vida” para cada dispositivo em uma rede e correlaciona estes padrões para encontrar ameaças, que poderiam passar despercebidas”, explica Cassiano Cavalcanti, diretor de produtos da Amiggo.

De acordo com o executivo, a solução funciona automaticamente, sem conhecimento prévio ou assinaturas, detectando e lutando contra ataques furtivos dentro da rede, em tempo real. “Devido à natureza de seus negócios, vastas quantias de informações altamente sensíveis e crescentes e dependência dos Sistemas de TI e Comunicações, o volume de ataques cibernéticos contra instituições financeiras passam a se massificar exponencialmente”, afirma, enfatizando que as ameaças cibernéticas são cada vez mais bem elaboradas, complexas e ágeis, tornando o trabalho de mitigação e tomada de decisões oneroso às equipes envolvidas.

No stand, com o apoio da equipe Amiggo, sua representante no País, o time da Darktrace mostrará aos participantes como neutralizar ransomware e outras ameaças emergentes em tempo real. Além disso, no dia 7 de junho, Justin Fier, Diretor para Cyber Intelligence e Análises da Darktrace participará do painel “O futuro da segurança no mercado financeiro”, no Auditório G3.

Como a Inteligência Artificial é utilizada no atendimento ao cliente? – Por Bruno Dalla Fina

Por

unnamed (15)

Os avanços tecnológicos têm interligado todas as esferas de nossas vidas em níveis antes inimagináveis. Hoje o mundo está completamente interligado e nossa decisões são afetadas por esta percepção desta nova realidade.

Isto levou as pessoas a desenvolverem uma necessidade de resolver tudo com rapidez. Neste cenário, o atendimento ao cliente foi forçado a reinventar-se, os antigos processos baseados em etapas e dados já ficaram obsoletos e hoje o foco voltou-se para a intenção do cliente e suas reais necessidades.

Os assistentes virtuais, também conhecidos mais recentemente como bots ou chatbots, estão tendo um papel fundamental no atendimento ao cliente, já que representam a inovação dentro empresas que tem grandes demandas de atendimento ao cliente, não apenas pela incorporação da novidade por si só, mas principalmente pela redução de custos, retenção de atendimentos, e aumento satisfação do usuário que entregam como resultado após sua implementação.

A tecnologia que os assistentes virtuais usam é baseada em Inteligência Artificial.

Geralmente este termo é usado para explicar como uma máquina imita as funções “cognitivas”, que nós humanos normalmente associamos somente a outras mentes humanas, tais como: “aprender” e “resolver problemas”. A Inteligência Artificial utilizada nos assistentes virtuais permite criar modelos de relações semelhantes aos que um ser humano usaria para encontrar uma determinada informação (uma representação do conhecimento e compreensão). Emulando a forma de pensar de um ser humano, compreendendo a forma coloquial de se dialogar, os assistentes virtuais conseguem catalogar essas informações e procurar nela a resposta certa.

Os assistentes virtuais podem entender o que o usuário deseja ou seja, sua intenção, através das Redes Neurais. Uma rede neural simula o funcionamento de um cérebro biológico, o seu objetivo é resolver os problemas da mesma forma que cérebro humano o faria. Cada neurónio está interligado um ao outro, e o efeito dessa ligação influencia o estado de outras unidades neuronais conectadas. Estes sistemas são conhecidos como formação e auto-aprendizagem, onde ao invés de uma programação tradicional destacam-se funções de solução ou detecção, o que é difícil conseguir em uma ordenação tradicional.

A mais notável capacidade dos assistentes virtuais é de conseguirem aprender automaticamente com o usuário, isso é alcançado através de Machine Learning (Aprendizagem Automática). Este termo refere-se a uma divisão da inteligência artificial cujo objetivo é, basicamente, desenvolver técnicas que permitem os computadores aprenderem. Especificamente, trata-se da criação de programas capazes de padronizar comportamentos a partir das informações recebidas. Dentro dos diferentes modelos existentes, é desejável que um assistente virtual use o modelo probabilístico, que tenta determinar a distribuição das probabilidades descritivas da função e estabelece valores as essas características e as liga a valores pré determinados.

Desta forma, o Machine Learning permite que o assistente virtual aprenda novas palavras e significados a cada dia, aumentando sua precisão e compreensão diariamente.

Inteligência Artificial e os conceitos derivados a partir dela, são palavras que estão na moda e agora estão no discurso de todo provedor de soluções tecnológicas; e cada vez há mais tecnologias ao nosso alcance.

Os assistentes virtuais revolucionaram o modelo tradicional de comunicação entre as empresas e seus clientes, porque usam e capitalizam as informações e conhecimentos obtidas do usuário permitindo entregar um atendimento melhor, personalizado e preciso, e ao final agregando resultados positivos nos negócios a curto e médio prazo .

Não é tarefa fácil escolher um fornecedor de assistentes virtuais para uma empresa. Para fazer isso, é importante ter em conta as reais necessidades da sua empresa e de seus clientes, a informação e conteúdo que estão disponíveis, o nível de maturidade tecnológica da organização, além da experiência prévia deste fornecedor no segmento em que sua empresa atua.

Bruno Dalla Fina, country manager da Aivo, empresa que propõe uma nova experiência de relacionamento com os clientes nos canais digitais.