Inteligência Artificial como um diferencial para empresas

Detalhe Magno

Até pouco tempo atrás ouvia-se falar que a Inteligência Artificial (IA) possibilitaria criar um robô que interagisse com humanos e tivesse um senso crítico próprio, porém, hoje em dia, mesmo com toda a capacidade computacional que o ser humano construiu, sabemos que não estamos nem perto disso.

Isso porque a inteligência artificial é baseada na ideia de perceber um ambiente ou interpretar uma situação para tomar atitudes que aumentem as chances de chegar ao seu objetivo.
Do mesmo modo, ela pode receber algum dado, realizar cálculos e verificar qual atitude tomar. Caso o resultado não condizer com o resultado buscado, sua estrutura possibilita reavaliar o cálculo para que as chances de acerto na próxima tentativa sejam maiores. Assim, a IA consegue aprender com os próprios erros e se auto ajustar para garantir o resultado esperado, simulando a capacidade humana de analisar um cenário, pensar e tomar uma decisão a partir dele.

Hoje em dia, o que podemos fazer em IA?

Na maioria das vezes que interagimos com uma IA quase nem percebemos. Conversamos com atendentes virtuais, recebemos recomendações de produtos nas próprias plataformas e acessamos outros serviços automatizados. Em cada um deles há algum método de IA aplicado.
Segundo a definição de Inteligência Artificial na conferência de 1956, "Cada aspecto da aprendizagem ou qualquer outra característica da inteligência que pode, em princípio, ser tão precisamente descrito que uma máquina pode ser feita para simulá-la".

Chatbot

Em projetos onde o objetivo é entender a necessidade do usuário por meio da linguagem, temos que nos direcionar para uma subárea da inteligência artificial: o Processamento de Linguagem Natural.
Para isso, o algoritmo abstrai informações a partir da estrutura de uma frase, obtendo informações que descrevem a frase.

Imagine o seguinte cenário

Um meio de comunicação qualquer onde o usuário faz o acesso à um serviço.

Levando em conta que nossa IA já está treinada com o modo que seus clientes pedem o serviço, pois ela somente detecta padrões que foram treinados anteriormente, podemos ter o seguinte cenário.

Mensagens enviadas pelos clientes:

  • Quero saber meu saldo da conta corrente.
  • Olá, quanto dinheiro tem na minha conta poupança?
  • Quero meu extrato da conta salário.
  • Quero abrir uma conta.

Como abstrair informações dessas frases?

Podemos separá-la em uma estrutura mais simples, cada frase pode ser generalizada por uma Intenção e por Entidades.

Intenções representam sentidos gerais da frase, ela tende a ser única na frase. Em contrapartida, entidades seriam os parâmetros relacionados à essa intenção. Tudo isso baseado em um grupo de palavras que representam cada um deles e que a IA treinou para detectar.

Uma forma de separar as intenções do nosso usuário nesse casso, é: saber o saldo da conta (encontrada em frases contendo: ‘quero saber meu saldo’, ‘quanto dinheiro tem’), obter o extrato da conta (em frases contendo expressões como: ‘preciso do extrato’, ‘quero meu extrato’, ‘resumo da conta’ ) e criar uma conta (em frases onde aparece: ’abrir uma conta’, ‘quero me cadastrar’).

As entidades nesse cenário seriam: ‘conta corrente’, ‘conta poupança’ e ‘conta salário’.

Assim, na primeira frase pode ser classificada pela intenção de ‘saber o saldo’ com relação à entidade ‘conta corrente’.

Como o algoritmo classificaria intenções e entidades?

O algoritmo 'entende' a frase calculando as probabilidades da frase ter ralação com cada intenção e cada entidade, com um nível de confiança para cada uma, definindo qual intenção e qual entidade representa melhor a frase.

Da mesma forma o segundo usuário seria classificado por: ‘Saber o saldo’ relacionado com ‘conta poupança’.

Assim, a capacidade do computador de entender uma frase traz consigo as centenas de possíveis respostas que podemos estar retornando para nosso usuário, é pra isso que grandes empresas estão ensinando seus robôs a cada dia para atender todas as dúvidas e pedidos de seus clientes.

 

Sistemas de recomendações e predições:

Algumas empresas, com o intuito de melhorar a experiência do usuário na sua plataforma, utiliza de alguma forma de recomendação de seus produtos e serviços de acordo com o perfil do usuário.

Um bom exemplo para isso é a Netflix. Ao se inscrever na plataforma, um dos passos iniciais é selecionar alguns filmes que você assistiu e gostou, com isso, um algoritmo tenta prever qual nota você daria para os outros filmes disponíveis na plataforma, assim, os filmes com a nota maior são recomendados para o usuário.

Tudo isso ocorre graças ao grande volume de usuários na plataforma, onde se consegue, além de outros métodos utilizados, abstrair características do perfil dos usuários e criar padrões com esses dados. Por exemplo: se muitos usuários assistiram uma combinação de filmes do ‘Tarantino’ e deram notas altas em todos, porém deram notas baixas em filmes como ‘Avatar’. se houverem perfis como o dessas pessoas que deram notas boas para Tarantino, dificilmente será recomendado um filme parecido com ‘Avatar’.

O objetivo é bem claro, segundo Carlos Gomez-Uribe, vice-presidente de inovação de produtos da Netflix, “Quando um membro inicia uma sessão e nós ajudamos que esse membro encontre algo atraente dentro de alguns segundos, isso previne que ele abandone o nosso serviço por outra alternativa de entretenimento”.

Predição de valores de imóveis

Com um conjunto de dados contendo especificações sobre o imóvel (localização, metragem total do terreno, metragem total construída, quantidade de quartos, quantidade de banheiros, etc.) rotuladas com um preço (representando o valor final), cria-se um modelo de determinação do valor de um imóvel com base nesses dados.  

Numa situação dessas, temos que ter dados padronizados de inúmeros imóveis contendo essas características relacionadas ao valor final (um rótulo). No processo de aprendizagem o modelo iria se auto ajustar para que ao inserir nele as entradas que representam as características do imóvel, ele nos dê o valor esperado com base nos valores dos outros imóveis.

Detecção de objetos ou características numa imagem

Tornar possível a detecção de objetos e situações em uma imagem é possível utilizando Deep Learning (aprendizado profundo). Nesse caso, o modo de aprendizado é supervisionado, ou seja, se você quiser que seu algoritmo detecte a raça de um gato, você terá que inserir inúmeras fotos de gatos, todas rotuladas pela sua respectiva raça. O processo envolve particionar a imagem e aplicar filtros para obter as características principais da imagem.


Conclusão

Uma nova funcionalidade em um projeto pode parecer uma tarefa simples, mas quando se fala em automatizar alguma tarefa ou tirar conclusões e agir a partir de uma situação temos que pensar na melhor estrutura possível. Nós humanos somos especialistas em analisar dados, situações e ambientes, geralmente tiramos alguma conclusão sobre isso sem dificuldades, mas automatizar uma tarefa utilizando IA exige entender a regra de negócio e ter uma equipe determinada para a execução do projeto.


Por: Adriano Zortea


Outras matérias

Detalhe Magno
Logo Magno
Whatsapp