Como empresas têm aplicado Machine Learning para impulsionar negócios

Empresas de diferentes indústrias e tamanhos têm buscado soluções de Machine Learning e inteligência artificial para automatizar cargas de trabalho e, conseguir assim, impulsionar seus negócios. Segundo 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.

Uma das vantagens da adoção da tecnologia é que, ao aprimorar processos como um todo, profissionais podem focar em questões mais estratégicas do negócio. Entretanto, para aproveitar todos os benefícios da inteligência artificial e machine learning, é fundamental que as companhias 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”, complementa.

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 pelo 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.

Na lista abaixo, separamos outras ferramentas de ML da companhia e como elas podem contribuir com maior eficiência operacional.

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.

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.

Como as empresas têm adotado machine learning

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. Para isso, a varejista recorreu ao machine learning para identificar padrões e classificar as imagens automaticamente.

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.