5 histórias de sucesso de uso de Machine Learning

Segundo um levantamento do Gartner, 58% das empresas afirmaram que já implantaram inteligência artificial (IA) em seus negócios e têm, em média, quatro projetos de IA/ML (machine learning) em andamento. Os participantes também revelaram que esperam adicionar mais seis projetos nos próximos 12 meses e outros 15 nos próximos três anos. Até 2022, a expectativa é de que essas organizações tenham uma média de 35 iniciativas de IA ou ML.

De acordo com Whit Andrews, analista do Gartner, a melhor experiência do cliente e a automação de tarefas através de assistentes virtuais para atendimento e tomada de decisão estão entre os projetos mais populares dentro das empresas. Apesar disso, os investimentos por si só não contribuem para um trabalho de inteligência artificial mais amplo, já que uma pesquisa com 2.473 organizações realizada pela IDC descobriu que apenas 25% desenvolveram estratégias de IA para toda a companhia.

Segundo o relatório da IDC, cerca de 25% dos entrevistados apresentaram taxa de falha de 50% na implantação dos sistemas por conta da falta de talentos e expectativas irrealistas. Mas mesmo com as dificuldades, empresas de todo o mundo parecem estar dispostas a arriscar na tecnologia. Neste artigo, CIOs que estão experimentando, construindo e implementando IA e ML compartilham seus casos e dão alguns conselhos práticos.

Conheça JiLL: assistente de IA para escritório

Muitas pessoas não acreditam que uma empresa de imóveis comerciais utilizaria inteligência artificial. Mas a Jones Lang LaSalle (JLL), em junho, se associou ao Google para desenvolver a JiLL, uma assistente de voz que permite que os funcionários do escritório façam reuniões, encontrem colegas, consultem horários ou preencham solicitações de serviço por voz ou texto.

Por exemplo, a JiLL pode lidar com solicitações como “Hey JiLL, marcar uma reunião semanal com minha equipe” ou “Hey JiLL, encontrar uma mesa desocupada no terceiro andar esta tarde”, explica o diretor de produtos digitais da JLL, Vinay Goel.

Goel diz em que a JiLL leva em consideração os conjuntos de dados da JLL sobre edifícios, interações de usuários e transações em espaços físicos, que são processados ​​dentro do GCP, bem como containers do Kubernetes. “Com o tempo, esperamos que a JiLL se torne uma plataforma essencial para centenas de habilidades que ajudam os funcionários a melhorarem sua produtividade diária”, acrescenta Goel.

Conselho-chave: Para as organizações que procuram mudar os serviços, os assistentes virtuais podem ser um investimento que vale a pena. A JiLL da JLL faz parte de uma estratégia para alavancar a tecnologia para fornecer serviços de valor agregado, idealmente para atrair mais clientes. A JLL planeja adicionar outras habilidades e abrir a plataforma para recursos de terceiros, parte de uma estratégia de mercado projetada para impulsionar a adoção da tecnologia. De forma mais ampla, a iniciativa sugere que assistentes virtuais serão popularizados para o consumo geral.

Machine Learning para análise de crédito

Na gigante de análise de crédito Experian, a transformação digital preparou o caminho para um novo produto estratégico que aproveita os recursos da ML: o Ascend Analytics On Demand, uma plataforma de análise de autoatendimento que permite às empresas criar modelos preditivos para determinar fatores críticos, qualificando os consumidores para a avaliação de solicitações de crédito.

Os clientes podem fazer análises robustas de dados em questão de minutos, em comparação com o que atualmente leva várias semanas. Idealmente, a ferramenta permitirá que os consumidores recebam qualificações para crédito a partir de sua demanda.

“Os clientes querem a capacidade de ver enormes conjuntos de informações em tempo real”, diz Barry Libenson, CIO da Experian Global, que supervisionou a construção da plataforma. “Já se foram os dias em que poderíamos prescrever coisas. Eles os querem em tempo real, quando querem, da maneira que querem.”

Recomendação importante: você não pode criar novas plataformas de análise em softwares já existentes e esperar que elas tenham um bom desempenho. Para apoiar a Ascend, a Experian adotou uma abordagem de nuvem híbrida e investiu em ferramentas de código aberto, incluindo containers, mecanismos de API e microsserviços. A Experian também padronizou a maneira como constrói e consome software, com aplicativos e códigos que podem ser reutilizados por seus funcionários e clientes em todo o mundo.

Machine Learning para combater fraudes em cartão de crédito

Como as empresas de monitoramento de crédito, as empresas de cartão de crédito estão sempre lutando contra as fraudes. Em uma época em que muitos especialistas criticam o digital, como se a tecnologia fosse a ruína para a privacidade e segurança online, as ferramentas de ML e IA podem tornar os serviços mais seguros do que os tradicionais cartões de crédito de plástico.

A Mastercard utiliza diversas camadas de ML e IA para eliminar consumidores com intenção maliciosa. Na base do sistema está um banco de dados que já salvou a companhia de um prejuízo estimado em US$ 1 bilhão em perdas por fraude desde 2016, afirma Ed McLaughlin, presidente de tecnologia e operações da Mastercard.

Para evitar os crimes, o software usa mais de 200 atributos capazes de antecipar e evitar as ações fraudulentas. Esse sistema central, combinado com a tokenização, biometria, deep learning e outras abordagens inovadoras, ajudou a Mastercard a manter sua reputação como empresa segura.

Conselho-chave: Os seres humanos são o elo mais fraco quando se trata de segurança cibernética. “O mais importante é tirar o humano do circuito” o máximo possível, diz McLaughlin, acrescentando que o software de ML, IA e processamento de linguagem natural são componentes essenciais no kit de ferramentas da Mastercard.

Machine Learning para empresa de corridas

A Mercedes-AMG Petronas Motorsport está usando as capacidades de machine learning para ajudar a visualizar o desempenho dos carros de corrida. Para isso, a companhia coleta diversos canais de dados em seus veículos da Fórmula 1, às vezes até 10.000 pontos por segundo, para tomar decisões importantes, explica Matt Harris, líder de TI da empresa.

A empresa usa o software da Tibco para visualizar as variáveis, como clima, temperatura dos pneus e a quantidade de combustível em seus carros. O software também permite que os engenheiros analisem detalhes como o desempenho e o desgaste das engrenagens das máquinas. No geral, os motoristas trocam de marcha 100 vezes a cada volta, e cada vez que o piloto faz uma troca, a Tibco coleta cerca de 1.000 pontos de dados.

“Quando você visualiza esses dados, é realmente possível fazer a caixa de engrenagens durar mais tempo ou, o que é mais importante, fazer mudanças de engrenagens mais duras”, diz Harris. “Você pode descobrir que, se você colocar a caixa de engrenagens em um modo específico, será aproximadamente 50 milissegundos mais rápido por volta. Carros podem ser separados por milésimos de segundo na qualificação, então 50 milissegundos são importantes.”

Harris afirma ainda que a companhia está construindo algoritmos de ML para ajudar a “fazer coisas que os humanos não podem”. O executivo acredita que essas capacidades acabarão por se tornar um facilitador chave para a equipe, dando vantagem competitiva frente aos concorrentes.

Recomendação importante: por que criar algo que não é sua competência principal? Antes de aterrissar na Tibco, a Mercedes-AMG Petronas usou um software de visualização caseiro que se mostrou ineficiente demais para ser mantido ao longo do tempo. Ao se apoiar na Tibco, a Mercedes-AMG Petronas pode se concentrar em sua força: construir carros de alto desempenho. “O importante é permitir que as pessoas sejam criativas e pensem em resolver problemas”, defende Harris.

Machine Learning para prever rotatividade nas empresas

Como a maioria das empresas de reparo automotivo, a Caliber Collision há muito tempo tem um problema de rotatividade, já que mecânicos, pintores e membros das equipes de suporte ao cliente tendem a entrar e deixar as companhias rapidamente.

Parte do problema, segundo a Caliber, é que suas lojas muitas vezes não tinham carros suficientes para a equipe consertar, resultando em pagamentos inconsistentes. Isso fez com que o CIO Ashley Denison se perguntasse: e se a Caliber pudesse prever quando um funcionário poderia querer sair e fazer intervenção?

A partir dessa ideia, a companhia começou a trabalhar com a consultora de tecnologia Sparkhound, que criou programas que extraem dados do setor de recursos humanos da Caliber e os complementa com o Microsoft PowerBI para criar um modelo capaz de prever a saída de um funcionário. Em seguida, a Caliber entra em contato com a equipe para aplicar sistemas de intervenção.

Se o pagamento de um funcionário demora a cair, por exemplo, os gerentes regionais da Caliber podem conseguir mais carros para o colaborador trabalhar. Por outro lado, se um funcionário está sobrecarregado, a empresa pode realocar alguns carros para outras equipes. O resultado? A Caliber está economizando até US$ 1 milhão por ano.

Os principais conselhos: eliminar problemas para economizar dinheiro é uma maneira prática de usar algoritmos. “Torna muito mais fácil reter os funcionários depois de sua entrada”, completa Denison.