Transferir como PDF, PPTX
Carregado porDionisio Chiuratto Agourakis
Inteligência Artificial Aplicada - Software, Hardware e Resultados
O documento discute a evolução das revoluções industriais e a transformação digital atual, destacando a importância do aprendizado de máquinas em vez da programação tradicional. A utilização de algoritmos de deep learning e big data revoluciona a forma como as empresas resolvem problemas, enfatizando a necessidade de ensinar algoritmos a generalizar e adaptar-se. Exemplos de empresas como Magazine Luiza e Spotify ilustram como a integração de ciência de dados e algoritmos pode impulsionar a escalabilidade e a eficiência operacional.
Inteligência Artificial Aplicada - Software, Hardware e Resultados
- 1.
- 2. A humanidade vivehoje sua 4ª grande transformação. Revoluções 1ª Revolução Industrial Séc. XVIII Domínio sobre a natureza – Máquinas a vapor 3ª Revolução Industrial 1970-2010 Domínio sobre a automação de tarefas – Informática ? Hiperconectividade Domínio sobre a energia elétrica – Linhas de Produção Domínio sobre o aprendizado – Inteligência Artificial 2ª Revolução Industrial Séc. XX 4ª Revolução Industrial 2010-hoje The Law of Accelerating Returns – Ray Kurzweil200 anos 70 anos 40 anos 10 anos?Duração de cada ciclo: Recurso principal: Natural Energético Conhecimento Dados 2
- 3. Esta é averdadeira transformação que mudou as regras do jogo. Conhecimento → Dados 3
- 4. Todos os anosequipes de pesquisadores de “visão computacional” das maiores universidades do mundo competem com seus algoritmos na ImageNET – Large Scale Visual Recognition Challenge. Em 2012, no entanto, os pesquisadores da universidade de Toronto utilizaram pela primeira vez uma abordagem 100% baseada em dados, e não nos conhecimentos e expertise acumulados até então. Deixaram de programar explicitamente as regras que caracterizavam um focinho, por exemplo, e passaram a confiar apenas nas regras (“features”) que seu próprio algoritmo aprendia. Liderados por Geoffrey Hinton, a equipe foi a primeira na história a utilizar Redes Neurais Artificiais Profundas (Deep Learning), em uma tarefa de visão computacional. Localizar objetos e classificá-los entre 1.000 categorias. Competição Anual – ImageNET 2012 Hierarquia de categorias 4
- 5. O time baseadoem Deep Learning foi o primeiro a alcançar um erro inferior a 25%. À partir de 2012 todas as equipes passaram a trabalhar apenas com Deep Learning. Apenas 5 anos depois, 29 dos 38 times atingiram um erro inferior a 5%. Algo completamente impensável apenas alguns anos atrás. Localizar objetos e classificá-los entre 1.000 categorias. Competição Anual – ImageNET 2012 Evolução do erro YoY 5
- 6. A nova transformaçãodigital – baseada em dados – transforma a busca por resolver os problemas na busca por ensinar programas de computador a resolver os problemas. Ensinar a solucionar é o novo grande desafio. A nova fronteira da eficiência A nova fronteira dos ganhos de eficiência, no entanto, derivam do uso de uma fonte cada vez maior de dados (BIG DATA). Analisar estes dados e encontrar os problemas deixou de ser uma tarefa humanamente possível. As companhias devem agora construir estruturas internas que apoiem e incentivem o aprendizado automático de seus problemas. Deixamos de perguntar: “Qual é o principal fator que faz meu cliente comprar?” E passamos a perguntar: “Quais dados são necessários para que nosso modelo possa continuamente aprender os principais fatores de conversão de nossos clientes, e otimizar nossas campanhas automaticamente?” “Como eu ensino um algoritmo a resolver este problema?” 6
- 7. Aprender implica generalizarconhecimento. Por que ensinar é melhor que resolver? 1 Relacionar múltiplas fontes de dados simultaneamente, com frequências diferentes, origens diferentes e contextos diferentes. Quebrar a barreira da departamentalização. 2 Ao invés de resolvermos um problema, passamos a ensinar os algoritmos a resolver classes de problemas. Generalização ao invés de especialização. 3 Os profissionais são mais eficientes quando gerenciam apenas pela exceção. Algoritmos treinados podem ajudar a apontar os casos especiais que merecem atenção, enquanto lidam com os casos normais. 4 Uma companhia é escalável apenas quando consegue escalar o seu conhecimento sobre o que faz de melhor. Ensinar pessoas sempre foi necessário, e agora devemos ensinar os algoritmos. 5 Valor. Ensinando os algoritmos, sua companhia passa a valorizar os seus dados e o conhecimento adquirido na operação. 6 O Ensino contínuo dos algoritmos permite criar uma operação que está sempre se adaptando às mudanças do mercado – já que estas mudanças afetarão os dados que os alimentam. 7
- 8.
- 9. 9 Nunca produzimos tantosdados. Nunca foi tão barato armazená-los. I.A.: Por que agora? http://www.aberdeeninvestment.com/ https://www.infragistics.com
- 10. 10 Processamento paralelo eficientee barato – acessível às massas. I.A.: Por que agora?
- 11. 11 Processamento paralelo eficientee barato – acessível às massas. I.A.: Por que agora?
- 12. 12 Processamento paralelo eficientee barato – acessível às massas. Big Data + I.A. = Deep Learning http://nvidia.com
- 13. 13 Reinforcement Learning –Jogos de Atari Deep Learn – Onde estamos? http://nvidia.com Jogos de Atari onde um “jogador” baseado em Deep Learning já atingiu um nível super-humano:
- 14. 14 Generative Adversarial Network- CelebGAN Deep Learn – Onde estamos? Retratos de celebridades que nunca existiram – foram “alucinadas” por uma rede neural artificial. https://www.technologyreview.com/the-download/609290/meet-the-fake-celebrities-dreamed-up-by-ai/
- 15. 15 Aprendendo a coloririmagens – Conv Nets Deep Learn – Onde estamos?
- 16. Uma operação baseadaem Ciência de Dados se reflete na avaliação da companhia. Valuation 16
- 17. Criação do LuizaLabs marcou a disrupção nos resultados da companhia. O Magazine Luiza começou a construir, em 2014, uma área de tecnologia separada da operação tradicional. Esta área ficou encarregada de desenvolver e integrar as novas tecnologias de e- commerce, big data e computação para dispositivos móveis. Também criou seu aplicativo e integrou as aquisições de empresas para gerenciamento de recomendações e de marketplaces. Case: Magazine Luiza 9562 8366 8563 10052 1877 2062 2723 4157 2014 2015 2016 2017 Lojas Físicas E-commerce Criação do Luizalabs Faturamento em Milhões de Reais 17
- 18. Criação do LuizaLabs marcou a disrupção nos resultados da companhia. Principais iniciativas: Case: Magazine Luiza Marketplace Data Science/BigData Social App Mobile 18
- 19. O uso dealgoritmos de recomendação permitiu sua escalabilidade. O Spotify criou em 2012 seu primeiro time de data Science, voltado para a criação de um motor de recomendação de músicas para seus assinantes. Em 2018 o Spotify fez o seu filing para o IPO. Neste documento está registrado que: • 30% de tudo que é ouvido pelo Spotify hoje em dia (2018) vem de listas (playlists) criadas e curadas por algoritmos. • “a key differentiating factor between Spotify and other music content providers is our ability to predict music that our Users will enjoy.” • Os algoritmos efetivamente se tornaram uma vantagem competitiva da companhia. Case: Spotify 0,5 1 1,5 2,53 4 5 6 10 12,5 15 20 30 3940 50 57 60 65 jul/10 jan/11 jul/11 jan/12 jul/12 jan/13 jul/13 jan/14 jul/14 jan/15 jul/15 jan/16 jul/16 jan/17 jul/17 Milhões de Assinantes (Pagos) 19
- 20. ORION: On-Road IntegratedOptimization and Navigation Problema: encontrar a melhor rota que passe por um número de destinos e retorne à origem. 10 destinos: >3,6 milhões de possibilidades 16 destinos: >20 trilhões Motoristas da UPS têm que visitar pelo menos 100 destinos/dia. Como resolver? Projeto de longo prazo (10 anos) em planejamento e criação de rotas otimizadas para entregas. Impacto em 55.000 motoristas, com uma estimativa de redução de custos da ordem de $400M/ano. Peça fundamental (backbone) da estratégia de dados e analytics da UPS, que agora passa a integrar canais online, e outras inovações para de estoque, tracking, etc. Case: UPS 20 https://www.ups.com/us/en/services/knowledge-center/article.page?name=orion-the-algorithm-proving-that-left-isn-t-right&kid=aa3710c2
- 21. Analytics - Hoje 21 Processamento+ dados + algoritmos = Resultados
- 22. 22 Analytics – HypeCycle
- 23. 23 Analytics – Ecossistema Mudançade paradigma: open-source, leve e produtivo
- 24. 24 Analytics – Resultados Osegredo não é mais o algoritmo. É a cultura.
- 25. 25 Analytics – Resultados Osegredo não é mais o algoritmo. É a cultura. A infraestrutura está acessível a todas as companhias. Os algoritmos e frameworks estão acessíveis a todas as companhias. Quem irá se beneficiar mais com I.A. nos próximos anos? Quem tiver: Sonho, gente e cultura.
- 26. 26 Analytics – Resultados Sonho,gente e cultura. Sonho porque não adianta desenvolver o algoritmo pelo algoritmo. É necessário seguir uma visão maior. Gente porque mais do que nunca é necessário unir times interdisciplinares para resolver problemas complexos com o uso de tecnologia. Cultura porque os algoritmos não vão aprender sozinhos – vão aprender com o time.
- 27.