Dez casos de uso cotidianos de aprendizado de máquina
O aprendizado de máquina (ML) — o subcampo da inteligência artificial (IA) no qual as máquinas aprendem com conjuntos de dados e experiências passadas, reconhecendo padrões e gerando previsões — é um setor global de US$ 21 bilhões com projeção de se tornar um setor de US$ 209 bilhões (link externo a ibm.com) até 2029. Aqui estão algumas aplicações reais de aprendizado de máquina que se tornaram parte de nossas vidas cotidianas.
De acordo com a Forbes (link externo a ibm.com), as equipes de marketing e vendas priorizam a IA e o ML mais do que qualquer outro departamento corporativo. Os profissionais de marketing usam o ML para produção de leads, análise de dados, pesquisas online e otimização de mecanismos de pesquisa (SEO). Por exemplo, muitos o usam para entrar em contato com usuários que deixam produtos no carrinho ou saem do site.
Algoritmos de ML e ciência de dados são a forma como os mecanismos de recomendação em sites como Amazon, Netflix e StitchFix fazem recomendações com base no gosto, na navegação e no histórico do carrinho de compras do usuário. O ML também ajuda a gerar iniciativas de marketing personalizadas ao identificar as ofertas que podem atender aos interesses específicos de um cliente. Em seguida, pode personalizar os materiais de marketing para atender a esses interesses. O ML também oferece a capacidade de monitorar de perto uma campanha verificando as taxas de abertura e de cliques, entre outras métricas.
O ML não só pode entender o que os clientes estão dizendo, mas também entende seu tom e pode direcioná-los aos agentes de atendimento ao cliente apropriados. As consultas baseadas em voz usam processamento de linguagem natural (PNL) e análise de sentimentos para reconhecimento de fala.
As consultas baseadas em texto geralmente são tratadas por chatbots, agentes virtuais que a maioria das empresas fornece em seus sites de comércio eletrônico. Esses chatbots garantem que os clientes não tenham que esperar, e até mesmo um grande número de clientes simultâneos pode receber atenção imediata 24 horas por dia e, com sorte, uma experiência mais positiva para o cliente. Um banco usando um sistema watsonx Assistant para atendimento ao cliente descobriu que o chatbot respondeu a 96% de todas as perguntas do cliente de forma correta, rápida, consistente e em vários idiomas.
As empresas usam ML para monitorar redes sociais e outras atividades em busca de respostas e avaliações de clientes. O ML também ajuda as empresas a prever e diminuir a rotatividade de clientes (a taxa na qual uma empresa perde clientes), um uso amplamente difundido de big data.
É o ML que alimenta as tarefas realizadas por assistentes pessoais virtuais ou assistentes de voz, como Alexa da Amazon e Siri da Apple. Essa comunicação pode envolver reconhecimento de fala, conversão de fala em texto, PNL ou conversão de texto em fala. Quando alguém faz uma pergunta a um assistente virtual, o ML procura a resposta ou lembra de perguntas semelhantes que a pessoa já fez antes.
O ML também está por trás de bots de mensagens, como os usados pelo Facebook Messenger e Slack. No Facebook Messenger, o ML alimenta os chatbots para atendimento ao cliente. As empresas configuram chatbots lá para garantir respostas rápidas, fornecer carrosséis de imagens e botões de chamada para ação, ajudar os clientes a encontrar opções próximas ou rastrear remessas e permitir compras seguras. O Facebook também usa o ML para monitorar os bate-papos do Messenger em busca de golpes ou contatos indesejados, como quando um adulto envia muitas solicitações de amizade ou mensagens para menores de 18 anos.
No Slack, o ML potencializa o processamento de vídeo, a transcrição e a legenda em tempo real, que são facilmente pesquisáveis por palavra-chave e até ajudam a prever uma possível rotatividade de funcionários. Algumas empresas também configuram chatbots no Slack, usando o ML para responder a perguntas e solicitações.
Os algoritmos de ML no Gmail do Google automatizam a filtragem de e-mails dos clientes nas categorias Principal, Social e Promoções, além de detectar e redirecionar spam para uma pasta de spam. Além das "regras" dos aplicativos de e-mail, as ferramentas de ML também podem automatizar o gerenciamento de e-mails, classificando-os para encaminhá-los às pessoas certas para uma ação mais rápida, movendo os anexos para o lugar certo e muito mais. Por exemplo, ferramentas de automação de gerenciamento de e-mail, como o Levity (link externo a ibm.com), usam ML para identificar e categorizar e-mails à medida que chegam, usando algoritmos de classificação de texto. Isso permite que você crie respostas personalizadas com base na categoria, o que economiza tempo, e essa personalização pode ajudar a melhorar sua taxa de conversão.
Há quatro maneiras pelas quais o ML está sendo usado na cibersegurança:
- ML e reconhecimento facial são usados em métodos de autenticação para proteger a segurança de uma empresa.
- Os programas antivírus podem usar técnicas de IA e ML para detectar e bloquear malware.
- Aprendizado de reforço usa ML para treinar modelos para identificar e responder a ataques cibernéticos e detectar intrusões.
- Os algoritmos de classificação de ML também são usados para rotular eventos como fraude, classificar ataques de phishing e muito mais.
ML e deep learning são amplamente usados no setor bancário, por exemplo, na detecção de fraudes. Bancos e outras instituições financeiras treinam modelos de ML para reconhecer transações online suspeitas e outras transações atípicas que exigem uma investigação mais aprofundada. Bancos e outros credores usam algoritmos de classificação de ML e modelos preditivos para determinar a quem oferecerão empréstimos.
Muitas transações do mercado de ações usam ML. A IA e o ML usam décadas de dados do mercado de ações para prever tendências e sugerir compras ou vendas. O ML também pode realizar negociações algorítmicas sem intervenção humana. Cerca de 60 a 73% das negociações no mercado de ações (link externo a ibm.com) são conduzidas por algoritmos que podem realizar negociações em alto volume e velocidade. Os algoritmos de ML podem prever padrões, melhorar a precisão, diminuir custos e reduzir o risco de erro humano.
A organização de tecnologia sem fins lucrativos Change Machine trabalhou com a IBM para construir um mecanismo de recomendação impulsionado por IA usando o IBM Cloud Pak for Data, que ajuda os consultores financeiros a encontrar os produtos fintech mais adequados aos objetivos de seus clientes. "O compromisso com a IBM nos ensinou como aproveitar nossos dados de novas maneiras e como construir uma estrutura para criar e gerenciar modelos de aprendizado de máquina", disse David Bautista, Diretor de Desenvolvimento de Produtos da Change Machine.
Os desenvolvimentos do ML levaram ao treinamento de máquinas no reconhecimento de padrões, que agora às vezes é usado em imagens radiológicas. A Computer Vision habilitada por IA (link externo a ibm.com) é frequentemente usada para analisar mamografias e para o rastreamento precoce do câncer de pulmão. Os médicos que avaliam mamografias para câncer de mama perdem 40% (link externo a ibm.com) dos cânceres, e o ML pode melhorar esse número. O ML também é treinado e usado para classificar tumores, encontrar fraturas ósseas difíceis de ver com o olho humano e detectar distúrbios neurológicos.
Às vezes, o ML é usado para examinar os registros médicos e os resultados históricos dos pacientes para criar novos planos de tratamento. Na pesquisa genética, na modificação de genes e no sequenciamento do genoma, o ML é usado para identificar como os genes afetam a saúde. O ML pode identificar marcadores genéticos e genes que responderão ou não a um tratamento ou medicamento específico e que podem causar efeitos colaterais significativos em determinadas pessoas. Essa análise de dados avançada pode levar a recomendações de medicamentos ou tratamentos personalizados baseados em dados.
A descoberta e a fabricação de novos medicamentos, que tradicionalmente passam por testes complicados, caros e demorados, podem ser aceleradas com o ML. A Pfizer (link externo a ibm.com) usa os recursos de ML do IBM Watson para escolher os melhores candidatos para ensaios clínicos em sua pesquisa imuno-oncológica. O Geisinger Health System usa IA e ML em seus dados clínicos para ajudar a prevenir a mortalidade por sepse. Eles estão trabalhando com a equipe de ciência de dados e IA Elite da IBM para criar modelos que prevejam quais pacientes estão em maior risco de ter sepse, o que os ajuda a priorizar o atendimento, diminuir internações arriscadas e caras e reduzir a taxa de mortalidade por sepse.
O ML informa muito sobre o nosso transporte hoje em dia. Por exemplo, o Google Maps usa algoritmos de ML para verificar as condições atuais do tráfego, determinar a rota mais rápida, sugerir lugares para “explorar nas proximidades” e estimar os tempos de chegada.
Aplicações de compartilhamento de caronas, como Uber e Lyft, usam o ML para corresponder passageiros e motoristas, definir preços, examinar o tráfego e, como o Google Maps, analisar as condições de tráfego em tempo real para otimizar a rota de condução e prever um tempo estimado de chegada.
Computer Vision impulsiona carros autônomos. Um algoritmo de ML não supervisionado permite que carros autônomos coletem dados de câmeras e sensores para entender o que está acontecendo ao redor deles e possibilita a tomada de decisões em tempo real sobre ações a serem adotadas.
O ML potencializa muito do que acontece com nossos smartphones. Os algoritmos de ML regem o reconhecimento facial em que confiamos para ligar nossos telefones. Eles alimentam os assistentes de voz que definem alarmes e redigem mensagens. Isso inclui o Siri da Apple, o Alexa da Amazon, o Google Assistant e o Cortana da Microsoft, que usam o NLP para reconhecer o que dizemos e responder adequadamente.
As empresas também aproveitam o ML nas câmeras dos smartphones. O ML analisa e aprimora fotos usando classificadores de imagens, detecta objetos (ou rostos) nas imagens e pode até usar redes neurais artificiais para aprimorar ou expandir uma foto, prevendo o que está além de suas bordas.
Atualmente, vemos muito uso de ML em plataformas de redes sociais:
- As redes sociais, como o Facebook, automatizam as sugestões de marcação de amigos usando detecção facial de ML e reconhecimento de imagem para identificar um rosto em seu banco de dados. Em seguida, sugere que o usuário da rede social marque essa pessoa.
- O LinkedIn usa o ML para filtrar itens em um newsfeed, fazer recomendações de emprego e sugerir que alguém se conecte com outras pessoas.
- O Spotify usa modelos de ML para gerar suas recomendações de músicas.
- O Google Tradutor usa PNL para traduzir palavras em mais de 130 idiomas. Em alguns idiomas, ele pode fornecer traduções por meio de fotos, voz no “modo de conversação” e por meio de imagens de vídeo ao vivo usando o modo de realidade aumentada.
A IA também pode ajudar a criar estratégias, modernizar, criar e gerenciar aplicativos existentes, levando a mais eficiência e criando oportunidades de inovação. O condado de Sonoma, Califórnia, consultou a IBM para combinar cidadãos desabrigados com recursos disponíveis em um sistema integrado chamado ACCESS Sonoma. "Como a IBM projetou essa arquitetura aberta que literalmente poderia ser levantada e deslocada, carregamos 91.000 clientes e os conectamos em quatro sistemas principais em quatro meses", disse Carolyn Staats, Diretora de Inovação da Sonoma County Central IT. "Foi um prazo incrível." Eles colocaram 35% dos sem-teto em moradias, quatro vezes mais do que a taxa nacional, e, em dois anos, o condado reduziu seu número de sem-teto em nove por cento.
Na IBM, estamos combinando o poder do ML e da IA no IBM Watsonx, nosso novo estúdio para modelos de base, IA generativa e ML.
O watsonx é uma plataforma de IA e dados de última geração criada para ajudar as organizações a multiplicar o poder da IA para empresas. A plataforma tem três componentes poderosos: o estúdio watsonx.ai ,para novos modelos de base, IA generativa e ML; o armazenamento adequado para o propósito watsonx.data, para a flexibilidade de um data lake e o desempenho de um data warehouse; e o toolkit watsonx.governance, para permitir fluxos de trabalho de IA criados com responsabilidade, transparência e explicabilidade.
Juntos, o watsonx oferece às organizações a capacidade de:
- Treinar, ajustar e implementar a IA em sua empresa com o watsonx.ai
- Escalar cargas de trabalho de IA em qualquer lugar, para todos os seus dados, com o watsonx.data
- Possibilitar dados responsáveis, transparentes e explicáveis e fluxos de trabalho de IA com o watsonx.governance