Este site usa cookies para oferecer uma melhor experiência de navegação. Ao continuar e navegar pelo site, você aceita o uso de cookies.

Para informações completas, consulte nossa Política de Privacidade.

7 mitos sobre inteligência artificial que estão atrasando o seu negócio

Por: Mars Cyrillo

7 mitos sobre inteligência artificial
Posted on Jul 14, 2017

Devemos concordar que o uso de Inteligência Artificial (IA) nos negócios ainda está no estágio inicial e deve levar um longo tempo para começar a se expandir e se popularizar. Empresas de todos os tamanhos talvez considerem mais fácil do que imaginavam executar experimentos iniciais de IA para clarear as suas visões sobre como acelerar a sua competitividade. No entanto, encontrarão muitos mitos pelo caminho que precisam ser esclarecidos. Vamos mergulhar nos mais comuns.

 

Ebook Lean Way to Digital Success

     

1. Meu negócio não é sofisticado o suficiente para demandar IA

Inteligência Artificial é uma tentativa da humanidade de simular a intuição do nosso cérebro e usá-la como uma via rápida para experimentar e interpretar o mundo. No início dos anos 90, o desenvolvimento de várias limitadas aplicações utilizando os conceitos de IA deu origem ao que nós chamamos agora de machine learning (ML). Pense em um computador jogando damas ou um filtro de spam de e-mail. Já o Deep learning (DL) torna possível que um computador lhe informe o que está em uma imagem ou em um vídeo ou traduza idiomas.

Em resumo, dizemos que o Deep Learning é um subconjunto de Machine Learning que, por sua vez, é um subconjunto de um campo mais amplo que chamamos de Inteligência Artificial. Sua empresa pode e, eventualmente, usará a inteligência artificial. A reflexão sobre qual será a abordagem de uso depende do problema a ser resolvido e dos dados disponíveis.

 

2. Inteligência Artificial é caixa mágica que soluciona todos os problemas

Embora haja algo mágico em prever a conclusão que será gerada a partir de um input que o computador nunca viu, a mágica termina aí. Se você tenta usar o machine learning sem um entendimento mínimo do problema que deseja resolver, você falhará miseravelmente. É muito importante pensar na sua estratégia de Inteligência Artificial como um portfólio de abordagens para resolver problemas muito difíceis que não poderiam ser resolvidos com a programação tradicional. Cada problema pode exigir um conjunto de dados e abordagens completamente diferentes para alcançar resultados significativos.

 

3. Apenas as grandes empresas possuem dados suficientes

Embora seja verdade que quem detém dados tem vantagem para solucionar certos tipos de problema, nenhuma companhia deve permanecer paralisada por questões como “tenho dados suficientes?”. Talvez realmente não tenha, mas isso não significa que não deva tentar atacar um problema usando inteligência artificial. Nesse caso, há alguns cenários para se ter em mente:

  • Algumas vezes você pode enriquecer os conjuntos de dados necessários usando dados públicos ou comprados.
  • Ao criar a primeira versão da sua aplicação, você pode estimular que seus usuários gerem os dados necessários para aprimorar o seu modelo de machine learning.
  • Dependendo do problema que está sendo mapeado, você pode contratar pessoas para gerar os dados que você precisa (com soluções como crowdsourcing)
  • Não é incomum utilizar computadores para gerar dados que possam ser usados para aumentar o seu banco de dados.

 

4. Os modelos melhoram com novos dados “automagicamente”

A maioria dos modelos de machine learning são treinados offline. Isso é uma surpresa para você? As coisas podem ficar amplamente fora do controle se você apenas alimenta o seu modelo com mais dados. Ao colocar pessoas no circuito, é possível assegurar que seus modelos continuem performando bem. Então, cada vez que a Siri, Alexa ou a Assistente do Google dizem que não podem te ajudar, mas que estão aprendendo, isso não significa que estão aprendendo com você exatamente naquele momento. Entretanto, a coleção de inputs que não mapeiam para nenhum resultado são dados altamente valiosos que irão ajudar a identificar importantes lacunas a serem preenchidas com os usuários. Você precisará usá-los para treinar o seu modelo.

 

5. Um modelo de baixa precisão não pode ser usado

Durante o treinamento, um modelo típico de machine learning terá uma precisão que aumenta assintomaticamente de acordo com o número de dados usados para treiná-lo. Depois do treinamento, você testará o modelo com a sua série de avaliação (que é um subconjunto dos dados que você tinha no começo) e verá como o modelo performa. Neste caso, você deve buscar por um modelo que se comporte bem tanto com os dados de treinamento, quanto com novos dados. Às vezes, uma precisão acima de 70% será mais do que o suficiente para aplicações práticas, desde que você tenha um bom plano para descobrir as situações em que o modelo não funciona bem para melhorá-lo ao longo do tempo.

 

6. UX é irrelevante para o Machine Learning

AI-reconhecimento-imagem.png

 

A imagem acima é de um aplicativo móvel que implementa o modelo imagenet para fazer o reconhecimento de imagem. Como você pode ver, a foto à esquerda, posicionada acima do mouse, levou a um resultado inesperado. Ao reposicionar a câmera, a imagem foi reconhecida dentro da categoria certa, embora com um baixo nível de certeza. Agora, imagine se o aplicativo móvel usasse as informações de sensores do dispositivo - como os dados do giroscópio - para indicar que eu deveria inclinar a câmera para obter um resultado mais preciso. Isso me guiaria para uma experiência melhor e forneceria ao modelo de machine learning um input melhor. De acordo com a forma como você projeta a sua aplicação, é possível obter informações valiosas a partir dos usuários para aprimorar o seu modelo.

 

7. Não tenho orçamento para um projeto de AI

O custo do seu primeiro projeto de inteligência artificial deve ser equivalente ao custo que você teve ao construir a sua primeira aplicação para dispositivos móveis, apenas para lhe dar uma referência tangível. Em contraste, o custo de não construir o seu primeiro projeto de IA em breve, tenha certeza, será muito maior à medida que o tempo passa.

As companhias que adotarem a inteligência artificial como parte do seu portfólio de ferramentas de resolução de problemas provavelmente alcançarão significativos ganhos ao longo do tempo. No entanto, terão que administrar expectativas internas em torno de resultados rápidos e considerar experiências como apostas que valem a pena.

 

Publicado originalmente em Venture Beat. Leia na íntegra aqui (em inglês).