Revista IA - Nº 13 - DEZ/ 2022

CEZAR TAURION

VP Estratégia e Inovação Cia Técnia

EDITORIAL

Ainteligência artificial (IA) é sem dúvida, uma tecnologia transformadora, que muda e molda a sociedade, como fizeram o motor a combustão interna, a eletricidade e a internet. Está claro que IA, principalmente as técnicas de Machine Learning (ML) e Deep Learning (DL), tem imenso potencial de aplicação em muitos casos de uso em todos os setores da economia. Mas também vemos ainda algumas limitações e obstáculos.

Na verdade, pelo que tenho observado, o valor da IA não é gerado pelos modelos, mas pela capacidade das empresas de aproveitá-los de forma adequada. Um modelo altamente sofisticado que não seja usado da forma correta está sendo subutilizado e não gera o valor que poderia ter.

É importante destacar também que, mesmo que vejamos potencial econômico no uso de técnicas de IA, o seu uso deve sempre levar em consideração questões como segurança de dados, privacidade e possíveis problemas de vieses.

Essa edição aborda um tema

muito importante: como uma organização deve se preparar para usar as ferramentas de IA de forma adequada. A necessidade dos executivos C-level entenderem as implicações da utilização das tecnologias digitais e da IA já começa a permearas publicações de negócios. A fluência digital nos C-level, que antes era opcional ou desejável, passa a ser essencial. As empresas não podem se dar ao luxo de ter um executivo que ainda confunda as discussões sobre nuvem com bate papo sobre o clima! Essa defasagem de conhecimento pode ser problemática na hora de definir estratégias e alocar budgets para investimentos digitais em um mercado cada vez mais acelerado e competitivo.

Está cada vez mais claro que os CEOs e C-levels não podem se omitir diante das implicações da IA e seus impactos nos processos e até mesmo modelos de negócio. Os CEOs precisarão fazer seu trabalho de maneira diferente da que faziam e estão acostumados a fazer no mundo antes da IA. Precisam estar preparados para um futuro no qual humanos e tecnologia trabalharão juntos, em colaboração

estreita. Os humanos usando as ferramentas de IA para tornar seu trabalhos e processos de decisão mais eficientes e até mesmo substituí-los nas tarefas repetitivas e monótonas, que impactam a produtividade.

Portanto é essencial educar-se sobre como a IA pode impactar e melhorar muitos dos aspectos críticos dos seus negócios. Claro que apesar de todas as suas promessas, as tecnologias de IA ainda têm muitas limitações que precisam ser superadas. Estamos ainda engatinhando em nosso conhecimento sobre ela. O seu potencial ainda não foi plenamente aproveitado.

Esperamos que gostem dessa edição. A nossa publicação é feita para e pelos seus leitores. A revista está e estará sempre aberta às ideias e contribuições de todos os leitores, sejam comentários ou artigos. Junte-se a eles. Queremos incentivar a criação de uma comunidade de estudos e práticas de IA aqui no Brasil e para isso a publicação se propõe a servir de catalizador e megafone.

Contamos com vocês!

COMO PREPARAR A ORGANIZAÇÃO PARA AVANÇAR COM IA?

Por Roberta Prescott

COMO PREPARAR A ORGANIZAÇÃO PARA AVANÇAR COM IA?

A adoção de inteligência artificial já está presente, de alguma maneira, nas empresas. Seja em chatbots, seja por meio da automatização de alguma tarefa, a IA foi incorporada. Mas, na média, o uso ainda é incipiente. Para avançar na implementação e sair de uma fase experimental para casos mais sofisticados, as organizações precisam estabelecer programas internos, governança de dados, promover uma cultura organizacional voltada para dados e mensurar resultados.

Poderíamos dizer que passamos de uma primeira onda de adoção de inteligência artificial, com adoção de ferramentas mais simples, para avançar rumo a soluções mais complexas? A KPMG fez uma pesquisa sobre como algumas das maiores empresas do mundo estão implantando IA e, com base em entrevistas com 30 executivos seniores e líderes de estratégia de IA, chegou a um cenário de evolução com oito tendências-chave, que vão de convergência entre

plataformas de baixo código, automação, IA e análise de dados; novas capacidades organizacionais; necessidade de controlar IA; governança interna emergindo como área-chave e ascensão de IA como serviço.

“No Brasil, ainda estamos no nível de experimentação com poucas empresas tendo um centro de excelência e pensando em estratégia focada em IA”, assinalou Ricardo Santana, sócio-líder de data & analytics e in-

teligência artificial da KPMG no Brasil. Ele citou que o estudo apontou que 26% das empresas entrevistadas estão implementando RPA e delas mais da metade consegue aplicar automação em diversas áreas saindo de TI, compras e jurídico e permeando toda a organização. “Percebemos que, em três anos, 83% das empresas esperam ter a automação implementada em grande escala, mas vimos que apenas 17% dos entrevistados utilizam de fato modelos preditivos ou prescritivos”, assinalou.

A maturidade analítica das companhias avança, basicamente, em quatro fases: descritiva, diagnóstica, preditiva e prescritiva, segundo níveis estabelecidos pelo Gartner. Quanto mais evoluídas, melhor as organizações podem treinar os modelos para serem mais competitivas. Segundo Ricardo Santana, da KPMG, atualmente, a maioria das empresas tem inteligência analítica básica e fazem análises descritivas, mas contam com agenda de evolução.

Citando a recém-lançada quinta edição do estudo “State of AI in the Enterprise”, da Deloitte, para o qual foram entrevistados 2.620 líderes globais de negócios, Jefferson Denti, líder da prática de AI & Cognitive da Deloitte, afirmou que houve uma evolução a nível mundial da adoção de inteligência artificial. “Tem um terço das empresas em fase de experimentação, um terço com implantação mais avançada e um terço delas está decepcionada com o que foi a promessa de IA e estão percebendo que não estão tirando valor daquilo”, resumiu o executivo. E, dentro deste panorama, Denti destacou que o Brasil “está bem”.

O professor e pesquisador da FGV EMAp (Escola de Matemática Aplicada) Jorge Luis Poco Medina recordou que o termo inteligência artificial é antigo. “Nos 1970 e

1980, já se estudava, mas não existiam tantos resultados bons; não se tinham dados suficientes ou poder computacional para treinar modelos. Somente em 2013, 2014, que houve mudança drástica que realmente deu um pulo e a IA começou a sair”, afirmou. Naqueles anos, houve o que ele chamou de revolução dos dados, quando uma vasta quantidade de dados passou a ser gerada a partir de diversas atividades. Outro fator foi o advento de computadores que conseguiam processar essa quantidade de dados.

Atualmente, o aprendizado de máquina tem ganhado muito destaque e liderado mudanças. “Mas, se não temos dados, não conseguimos fazer nada. Conseguir armazenar os dados de forma apropriada é essencial; e fazer isso não é trivial como parece”, ponderou, assinalando que fazer a governança dos dados, antes do armazenamento, é o primeiro passo a ser dado para uma IA eficiente. O segundo é criar times capacitados e multidisciplinares, já que “não vai haver um especialista apenas, um profissional capaz de lidar com todas as etapas do processos”, apontou o professor e pesquisador da FGV EMAp.

Falar do estado atual da inteligência artificial implica em abordar o nível de digitalização existente, defendeu Saulo Cadete Machado, gerente de inovação tecnológica do Liquid Studio da Accenture. “O que temos hoje de IA tem a ver com o quanto de informação já foi transportada para o modelo digital. Quanto mais informação disponível, mais se impulsiona o nível de adoção de IA”, disse. Traduzindo para números, Machado citou o estudo “The Art of AI Maturity: Advancing from Practice to Performance”, segundo o qual 63% das empresas de um universo de cerca de 1200 companhias pesquisadas no mundo, está dentro do quadrante de experimentação e ainda estão em estágio de

Inteligência Artificial para otimização de processos produtivos

Conheça a AIBruna e ganhe eficiência produtiva com o melhor da tecnologia 5.0.

AIBruna é a solução para que sua indústria possa otimizar e apoiar a gestão produtiva de forma mais inteligente e ágil, aumentando a eficiência da sua operação.

Através do uso de ferramentas de inteligência artificial, a AIBruna extrai, organiza e aplica dados históricos, de produção, ambientais, mercadológicos e contratuais em algoritmos avançados para gerar modelos preditivos e insights em todos os processos produtivos.

Com essa combinação de diversos modelos aplicados para uma mesma problemática, a AIBruna maximiza o poder preditivo e a assertividade. E com a oferta SaaS garante um menor custo e tempo de implementação.

buscar a forma de adotar IA, ou seja, descobrindo como IA pode construir crescimento. Já 12% das empresas são tidas como as que estão alcançando resultados com IA e o estudo batizou este grupo de achievers, sendo aqueles com estratégia de IA incorporadas na companhia.

O índice da Accenture pontua as empresas em uma escala de 0 a 100. De acordo com o levantamento, a maturidade da IA equivale ao momento em que as organizações superam seus pares, usando uma combinação de capacidades básicas e diferenciadas relacionadas à IA. Essas capacidades incluem tecnologia — dados, IA, nuvem — e estratégia organizacional, IA responsável, patrocínio do C-suite, talentos e cultura. O grupo AI Achievers alcançou 64 pontos na escala de maturidade, quase o dobro das demais empresas analisadas e com crescimento de receita 50% maior em relação aos seus pares. A

média da maturidade da IA das organizações está em 36 pontos, mostrando que a maioria das empresas tem diante de si oportunidades significativas para gerar ainda mais valor por meio da IA.

Joe Antelmi, diretor e analista do Gartner, ponderou que é difícil medir a maturidade em nível global e disse que, no geral, a média de maturidade das iniciativas internas de IA nas empresas é relativamente baixa. Em geral, as empresas multinacionais tendem a ter uma IA mais bem-sucedida e, obviamente, no setor de tecnologia, a IA está sendo incorporada a muitos aplicativos, o que leva as firmas deste setor a apresentarem uma maturidade relativamente alta. “Muitas organizações contrataram cientistas de dados e pediram que analisassem problemas de negócios. Esses cientistas de dados criam um modelo. E esse modelo nunca entra em produção, porque eles não têm os da-

dos necessários para colocá-los em produção. Eles não têm governança de dados, nem um processo para colocar a IA em produção. E assim, em geral, muitas equipes e iniciativas internas de IA estão lutando com a maturidade”, explicou.

Como avançar

Mas como avançar a agenda de implantação de inteligência artificial, de tal modo que a tecnologia seja chave para o aumento da competitividade e melhoria na produtividade? Ter em mente que as corporações buscam resultados — e que ninguém vai adotar a tecnologia apenas pela tecnologia — é um primeiro passo. “Não tem como ficar sem IA ou outras tecnologias emergentes. As empresas vão acabar tendo, com uso mais ou menos moderado, porque IA traz competitividade, automatiza a operação, faz engajamento. Não consigo enxergar ter essa eficiência operacional sem pensar em IA. Quem tiver fora deste conceito, em alguns anos, estará fora [do mercado]”, frisou Jefferson Denti, da Deloitte, acrescentando que a vantagem cognitiva das empresas vem por meio da adoção de ferramentas de inteligência artificial.

Nesse caminho, estabelecer programas e estratégias para implementação de IA, incluindo de governança de dados, investir na capacitação da mão de obra, acompanhar a implantação e medir os resultados são apontados como fundamentais para levar as organizações a um amadurecimento do uso da IA com obtenção de resultados concretos. “Tem alguns conceitos importantes: não dá para fazer IA sem uma boa estrutura de dados, porque treinar a inteligência sem que o insumo seja bom significa treinar para o mau caminho. Precisa também ter liberdade para das áreas pensarem em casos de uso mesmo e isso é algo cultural”, assinalou Denti, da

Deloitte.

A receita, segundo ele, está em criar um programa e uma jornada de IA dentro da organização; criar uma forma efetiva de aculturar e comunicar sobre IA; e fazer o acompanhamento efetivo com casos de usos específicos, o que requer a união das áreas de TI e de negócios com equipes interdisciplinares. Além disso, a IA precisa olhar adiante e dialogar com outras tecnologias que despontam, como o metaverso.

Para a maioria das decisões, as organizações passam por um processo que, geralmente, é centrado no ser humano, no qual eles pensam sobre o que aconteceu e isso é descritivo, assinalou Joe Antelmi, diretor e analista do Gartner. Por que aconteceu? Isso é diagnóstico. O que achamos que vai acontecer? Isso é preditivo. E o que se deve fazer? Que decisão tomar? Essa é a parte prescritiva. “Dado o que a IA apresenta, ela permite que você ingira muito mais dados para gerar uma previsão que reflita um estado futuro específico. E isso realmente ajuda as organizações a chegar ao ponto de análise preditiva para chegar à análise prescritiva, que é tomar melhores decisões. Esses modelos de IA precisam ser incorporados aos negócios e aos processos”, ressaltou Antelmi.

Os modelos de IA gerando previsões e sendo incorporados aos processos de negócios impulsionam a maturidade dos negócios para o próximo nível e podem ajudar a gerar as decisões. “Hoje, a maioria dos processos de negócios não existe com o benefício de um modelo de IA para ajudá-lo a tomar essa decisão. E esse é para mim o grande custo”, acrescentou o diretor do Gartner. Segundo ele, as áreas em que as empresas chegarão ao nível de maturidade da análise prescritiva são, geralmente, as que têm muitos dados e um problema pequeno. Mas, para alcançar

resultados de análise prescritiva, as corporações precisarão incorporar a IA aos processos de negócios e, em geral, é aí que muitas delas estão lutando.

Apoio é fundamental Contar com patrocínio, para além do financeiro, apoiando o uso de inteligência artificial nas companhias, é outro pilar importante. Ao entender como IA pode trazer ganhos às companhias, os executivos passam a pensar em estratégias que façam uso de ferramentas analíticas e preditivas e que venham com IA embutida. Por isso, de um lado, programas de educação que atinjam toda a organização são importantes — ao entender os benefícios, novas ideias podem surgir para o dia a dia. E, de outro lado, ainda que a área de tecnologia, encabeçada pelo CIO, esteja envolvida nas implementações e, em muitas empresas, liderem as iniciativas, as áreas de negócios precisam se envolver também.

A pesquisa da Accenture apontou que é a cultura organização que a move para avançar na maturidade. “Dos achievers, 83% dos que conseguiram resultados tinham patrocínio da liderança do C-level. Fica claro que é preciso ter a questão cultural. Tem de ter conhecimento interno para a cultura ficar enraizada”, destacou Saulo Cadete Machado. Cultura e patrocínio pavimentam o caminho. E isso significa que os times devem conseguir ter conversas estruturantes sobre implementação de IA em diferentes níveis e devem conhecer os dados.

“Vimos que a melhor estrutura organizacional é a que tem um centro de excelência (COE) com estratégia de centralizar os recursos, entender a demanda, conversar com as áreas de negócios e fazer a entrega. Dentro disso, temos muitas tecnologias prontas e se pode usar IA como serviço”, apontou Santana, da KPMG, para quem diferenciar o que será desenvolvido internamente de aquisições de prateleira é extremamente chave.

Mais automação. Menos frustração.

Todos os dias no trabalho, os empresários lidam com as mesmas tarefas manuais repetidamente. O processo é muitas vezes lento, tedioso e pode levar a erros. Isso pode ser um pouco frustrante, para não mencionar improdutivo e não lucrativo. Parece familiar?

É por isso que, se sua empresa está enfrentando esse desafio, considere as vantagens da automação inteligente da Automation Anywhere. Projetamos nossa plataforma nativa da nuvem, a Automation 360™, com soluções avançadas para liberar as pessoas de tarefas cotidianas e mundanas— automatizando, acelerando e simplificando essas tarefas. Nossa plataforma não é apenas para seu time técnico. A Automation 360 capacita todos— desde usuários empresariais sem experiência técnica até especialistas em tecnologia—a liberar seu potencial para serem mais criativos e produtivos. E isso pode significar menos frustração, e funcionários mais felizes.

Saiba mais sobre o que a Automation Anywhere pode fazer pela sua empresa. Solicite uma demonstração

CEZAR TAURION

VP Estratégia e Inovação Cia Técnia

MACHINE LEARNING

Algumas estimativas apontam que em torno de 80% dos projetos de Machine Learning (ML) não são colocados em produção, não saindo da fase de protótipos e experimentações. E dos que entram em produção, muitos acabam sendo desativados, por várias razões como baixo desempenho operacional ou por não alcançarem um nível adequado de assertividade. Outros também, por acabarem não se justificando como vantagem competitiva para a empresa.

Um projeto de ML não é algo que se começa apenas a partir de uma inspiração genial. Ele precisa ter uma clara oportunida de de negócio para a empresa. Afinal serão comprometidos tempo, energia, dinheiro e talentos, daqueles escassos profissionais que conseguem realmente desenvolver soluções adequadas de ML.

Portanto, para ter sucesso em proje tos dessa natureza é necessário comprometi mento e engajamento dos executivos e gestores, e a criação de uma equipe de profissionais preparados. Uma equipe para desenvolver projetos de ML não é constituída apenas por cientistas de dados e engenheiros de ML. Um projeto de ML faz parte de uma solução para um problema de negócio e isso envolve integração com outros sistemas, acesso a dados validados e limpos, interfaces adequados, entendimento do negócio e assim por diante. Uma equipe multidisciplinar. O apoio dos gestores é fundamental.

Mas, para engajar executivos de negócios, é importante que eles conheçam como um projeto de ML é desenvolvido. Vamos seguir um roteiro básico de um projeto e apontar alguns pontos principais que devem ser enfatizados quando conversando com seu CEO e demais C-levels, que devem ser envolvidos nas questões de aprovação, e, claro, da alocação dos budgets.

Vamos seguir o fluxo acima. A primeira ação é identificar claramente um projeto de negócios que deve ser resolvido com ML. Não esqueça da máxima “The First Rule of Machine Learning: Start without Machine Learning”. Assim, o sistema de ML deve prover uma solução que seja mais barata ou mais funcional ou que traga um benefício de negócio palpável.

Uma vez identificado essa demanda e que ML aponta ser a melhor solução, analise se os dados para essa solução existem e se estão disponíveis em volume, variedade e qualidade adequados.

Uma estratégia de dados deve conter pelo menos seis componentes:

1. Aquisição e processamento: obter e processar os dados necessários para desenvolver protótipos e algoritmos. Os dados podem vir de diversas fontes, sejam internas, como sistemas da empresa ou externas. Lembre-se que muitas vezes os ERPS são uma boa fonte de dados, mas em torno deles existem muitos outros sistemas que têm muitos dados a oferecer. Como dados externos temos desde base de dados públicas, como de imagens ou as disponibilizadas por órgãos públicos ou empresas especializadas. Além disso, novos dados podem ser gerados por novos sistemas, como sensores instalados em carrinhos de supermercados ou câmeras que mostrem o trajeto dos clientes nos corredores das lojas.

Algoritmos sofisticados não darão certo se não puderem ser treinados de forma adequada. Para isso serão necessários dados. Dados são o sistema circulatório de qualquer sistema de ML. Um dos princípios fundamentais da “data science” diz “os dados e capacidade de extrair conhecimento útil a partir deles, devem ser considerados importantes ativos estratégicos”.

A carência ou falta de qualidade dos dados é que faz muitos projetos de ML naufragarem. Sem dados, os algoritmos não são treinados adequadamente e faz com que a solução proposta não seja validada. Por isso, antes de entrar em projetos de ML planeje e desenvolva uma estratégia de dados.

2. Qualidade: desenvolver um conjunto de dados com as características apropriadas para resolver o desafio de negócios, minimizar o viés e oferecer dados de treinamento rotulados com alto grau de precisão. Eliminar o viés é importante. Se seus dados mostrarem desbalanceamento, como maior número de determinado tipo de clientes, seus algoritmos vão aprender de forma distorcida e suas respostas tenderão a amplificar o viés. Esteja ciente do viés em seus dados e modelos para tomar as ações apropriadas e minimizar seu impacto. Teste minuciosamente os modelos para garantir que as variáveis que não devem afetar as previsões não o façam. Se possível, exclua essas variáveis dos modelos. Infelizmente, evitar viés não é muito simples.

3. Contexto: entender a procedência dos seus dados e os mapeamentos pelos quais eles passam, para que você os use e os compartilhe efetivamente em suas iniciativas de ML. É fundamental garantir que os resultados obtidos na fase de testes internos sejam mantidos

quando aplicados aos dados do mundo real. Uma precisão de 95% em um teste interno será de pouco valor se a precisão cair para 20% quando o modelo entrar em produção. Teste o modelo o mais cedo possível com os dados do mundo real. A máxima é “se você não analisar os dados do mundo real o mais cedo possível, nunca obterá algo que funcione na produção”. Por isso entender o contexto é de grande importância. Tenha especialistas no negócio e no problema em si, que possam validar se os dados estão realmente sendo úteis para treinar e validar o modelo.

4. Armazenamento: armazene e estruture seus dados de forma adequada para apoiar seus objetivos em relação ao acesso, velocidade, resiliência e conformidade. Um ponto de atenção para modelos que trabalham com imagens. Armazenar e processar “dados sujos” é um dos desafios mais significativos que enfrentamos em projetos de IA. Volumes menores de dados relevantes e bem rotulados normalmente permitem melhor precisão do modelo do que grandes volumes de dados de baixa qualidade. No mundo ideal, gostaríamos de trabalhar com imagens rotuladas com 100% de precisão. Mas, na realidade, os dados geralmente não estão rotulados, ou rotulados de forma esparsa ou incorreta. Os dados rotulados por humanos muitas vezes podem ser mal rotulados. A rotulagem de dados é frequentemente fornecida por processos de crowdsourcing e realizada por pessoas que não são especialistas. Em alguns contextos, a rotulagem também pode ser intrinsecamente subjetiva. Além disso, indivíduos que olham grandes volumes de dados podem experimentar o fenômeno da saturação visual, falta de elementos que certifiquem o tipo de objeto na imagem ou até mesmo estão vendo e rotulando objetos que não estão nela. Muita atenção a isso!

5. Aprovisionamento: otimize a acessibilidade dos dados e a implemente medidas de

proteção e salvaguardas. Os dados devem ser armazenados para que os acessos sejam facilitados. Sua estratégia de armazenamento de dados afetará a usabilidade e o desempenho dos seus dados. A sua abordagem de aprovisionamento deve ser direcionada pela natureza dos seus dados, a taxa de crescimento e os requisitos de acessibilidade. De maneira geral as empresas dispõem de especialistas em bancos de dados relacionais (como MySQL ou Oracle) e usar estas tecnologias não é mais segredo. Mais recentemente, bancos de dados NoSQL (como Mongo ou Redis) tornaram-se populares porque não exigem as restrições associadas aos bancos de dados relacionais. Por conseguinte, eles são comumente associados a iniciativas de que chamamos de “big data”. Considere misturar e combinar diversos formatos de dados para atender às necessidades dos seus projetos de ML. Portanto, recrute ou treine seu pessoal que trabalha com SQL em sistemas NoSQL.

6. Gerenciamento e segurança: gerencie a segurança, acesso e permissão de dados para garantir o seu uso adequado. Não esqueça de fazer um planejamento com previsão para aumento significativo no volume de dados. As soluções em nuvem permitirão que você armazene a quantidade de dados que desejar, mas equilibre o custo do armazenamento imediato e no longo prazo. Se estiver operando seu próprio hardware, você também precisará decidir se deseja arquivar parte dos dados fora do seu data center. Por exemplo, pode ser necessário manter armazenamentos de dados separados fisicamente para garantir isolamento de dados pessoais. Monitore os custos e o desempenho do sistema para que você possa agir antes que os custos se tornem proibitivos ou se esgote o espaço de armazenamento. Trate a resiliência dos seus dados como de missão crítica. Os dados são o componente mais valioso da sua estratégia de IA: se seus dados foram perdi-

dos, você não poderá reconstruir seus modelos e perderá uma parte significativa do valor da sua empresa. Crie políticas de segurança para proteger a empresa contra incidentes e violações. Verifique se o acesso aos dados é somente para leitura. Exceto para os administradores dos dados, ninguém deve poder excluir ou alterar dados. Lembre-se que as leis de proteção à privacidade estão cada vez mais severas.

Uma governança de dados é requisito essencial para que as iniciativas de ML tenham sucesso. Geralmente é um item que quase não aparece nas conversas sobre ML que vejo por aí. Fala-se muito nos algoritmos, mas pouca atenção é dada aos modelos de governança de dados. Por exemplo, a governança vai definir como tratar obsolescência dos dados. Dados antigos podem ser um desafio significativo e são uma consideração importante ao planejar sua estratégia de armazenamento. Se você estiver analisando informações que mudam rapidamente, decida quantos e quais dados históricos serão relevantes. Você pode incluir todos os dados, um volume específico de dados ou dados de uma determinada janela de tempo. Selecione uma abordagem apropriada para o problema que você está resolvendo. Lembre-se que IA está em constante evolução e sua estratégia pode evoluir à medida que sua solução amadurece. Se você estiver correlacionando ações com o tempo, considere cuidadosamente a janela para suas séries temporais. Se você estiver prevendo níveis de estoque, alguns meses de dados não conseguirão capturar uma variação sazonal significativa. Por outro lado, para usar um algoritmo de previsão que identifica que os sinais vitais de um indivíduo na UTI estão se deteriorando, e com isso acionar uma intervenção médica, a pressão arterial deste indivíduo no mês passado não será muito relevante. Entenda se os efeitos periódicos podem impactar seu

sistema e valide se seus modelos e previsões se baseiam em vários ciclos do período típico que você está modelando.

Além disso, gerenciamento e segurança de dados são componentes críticos de uma estratégia de dados. Os dados pessoais são protegidos por legislação e você deve armazená-los com segurança. Pode ser necessário criptografar dados quando armazenados, bem como ao transmiti-los entre sistemas. Pode ser vantajoso separar os dados pessoais do seu repositório de dados principal, para que você possa aplicar um nível de segurança mais alto sem afetar o acesso da sua equipe a outros dados. Registre todas as solicitações de acesso com a identidade do solicitante e os detalhes dos dados extraídos. Contrate terceiros para realizar testes de penetração para validar a segurança de seus sistemas. Se um indivíduo pedir demissão ou for demitido, revogue imediatamente o acesso a todos os sistemas confidenciais, incluindo seus dados. E valide que sua equipe está ciente da legislação e das políticas de segurança e privacidade implementadas.

Lembre-se que uma grande parte do tempo de um projeto de ML está relacionado com dados, seja na sua obtenção ou limpeza.

S E R V I Ç O S S E R V I Ç O S

Intelligent Document Processing (IDP)

UiPath Process Mining

RPA como Serviço

Consultoria RPA

Custos reduzem em até 65% devido à capacidade do RPA de registrar dados com muito mais velocidade e precisão.

Até 80% de seus processos padrão baseados em regras podem ser automatizados usando robôs.

A peça digital que faltava para impulsionar os seus negócios

Agora podemos começar a fase de treinamento dos algoritmos. É uma fase importante do projeto. Um sistema de ML é um sistema de software. Para sair da ideia para a realidade deve seguir a prática de desenvolvimento ágil que já conhecemos, embora os prazos possam ser muito mais incertos que nos sistemas programáticos. Se você não tem experiência com projetos de ML terá alguma dificuldade de mensurar prazos e custos. Por exemplo, negocie claramente com os usuários qual a precisão (níveis de acerto) que os modelos devem atender. Os dados de treinamento estão rotulados e limpos, ou os dados devem ser criados? A falta de dados ou dados não rotulados e sujos pode atrasar em muitos meses o projeto! Quais prazos devem ser cumpridos? Isso pode ser muito mais desafiador do que no desenvolvimento de software tradicional, pois a melhoria de um modelo exige experimentação. Pode levar poucas semanas para se chegar a 50% de precisão, uns meses para 80%, mais alguns para 95% e muitos mais para alcançar o patamar de 98%. Até que nível você realmente precisa chegar? E, acorde também como considerar que a solução está pronta para produção. Como vemos, tem diferenças em relação aos sistemas programáticos determinísticos. Em termos de algoritmos, identifique quais seriam as melhores opções. Uma das principais dúvidas que ouço nas aulas de ML é sobre o que é e quando usar técnicas de aprendizado de máquina supervisionadas e não supervisionadas. Estes termos implicam que são modelos diferentes. Fazendo uma metáfora, imagine alunos sendo supervisionados por um professor que passa um objetivo ou alvo específico e mostra diversos exemplos para que eles consigam ter um direcionamento de como aprender a executar sua tarefa, para melhor atingir o alvo. No não supervisionado o professor dá exemplos, mas não indica o alvo a ser atingido. Os alunos estão livres para tirar suas conclusões a partir

dos exemplos. Estas técnicas endereçam resolução de problemas diferentes. Qual usar dependerá do objetivo do negócio. De maneira geral as técnicas supervisionadas buscam responder uma questão específica e quão mais prescritivo o caso, mais adequadas elas serão. Um exemplo simples: analisar um vídeo gerado por um drone, para identificar danos em uma cerca de proteção. Você tem dados (frames do vídeo) e um alvo específico. Já o não supervisionado o objetivo é mais aberto, como por exemplo, entender melhor segmentos de mercado.

Como exemplos teríamos para supervisionados de classificação, usos para detecção de fraudes, identificação de imagens, diagnósticos médicos e retenção de clientes. Para supervisionados de regressão podemos citar previsão de crescimento de população, previsão do tempo e expectativa de vida. Já para não supervisionados de dimensionalidade citaríamos descoberta de novas estruturas moleculares e para não supervisionados de “clustering” ou agrupamento, os famosos sistemas de recomendação. Como as técnicas não supervisionadas são exploratórias, não tem respostas certas ou erradas. Já para os supervisionados, você tem como buscar respostas certas, que podem ser medidas como o grau de acerto de diagnósticos de imagens médicas.

Mas, além desta primeira classificação, existem grande número de algoritmos e técnicas de refinamento que vão exigir dos profissionais, conhecimentos específicos. Aí que “pega” o conhecimento matemático. O modelo tem que ser treinado, ajustado e refinado e seus resultados avaliados. Por exemplo, podemos identificar padrões e correlações que não fazem sentido. Precisamos ter confiança que não temos anomalias. Diferentemente da computação programática onde o software responde diretamente ao desenvolvedor que coloca todas as instruções em linhas de código e caso a resposta não seja correta, você depura e conserta o código, a IA interpreta dados com seus algoritmos e daí toma suas decisões. No não supervisionado, não sabemos se está certa ou errada, pois a resposta pode ser algo que nós humanos não havíamos percebido e a máquina identificou como um padrão e gerou sua decisão a partir desta constatação. A máquina pode gerar resultados surpreendentes, que nós jamais imaginaríamos.

Na fase de treinamento, além de selecionar os modelos e analisar os data sets de treinamento, tome cuidado para não criar efeitos indesejados, como underfitting e overfitting, ou inserção de vieses no sistema. No underfitting o modelo não conseguiu aprender suficiente sobre os dados. O underfitting leva à um erro elevado tanto nos dados de treino quando nos dados de teste. Overfitting é quando o modelo aprende demais sobre os dados. Nesse contexto, o modelo mostra-se adequado apenas para os dados de treino, como se o modelo tivesse “decorado” os dados de treino e não é capaz de generalizar para outros dados nunca vistos antes. Quando isso acontece, os dados de treino apresentam resultados excelentes, enquanto que a performance do modelo cai drasticamente com os dados de teste.

Outra situação é a “cauda longa”. Os

algoritmos de ML não entendem realmente o mundo, pois são estruturas de software compostas por fórmulas matemáticas interconectadas. Assim, por não disporem de bom senso e nem aprenderem com a experiência de viver no mundo real, como nós humanos, erram de forma grosseira em situações que nós facilmente reconhecemos e nos saímos bem. Esses cenários numerosos e com alto grau de variabilidade são difíceis de serem criados. É o fenômeno da “cauda longa”, onde isoladamente são raros, mas em seu total são numerosos. Como é praticamente impossível registrar um volume adequado desses cenários via câmeras do mundo real, são necessárias técnicas de geração de situações sintéticas, que simulem o máximo de potenciais ocorrências possíveis. Vamos criar um caso concreto para

exemplificar o desafio do treinamento, com uma aplicação de ML para analisar imagens usadas em radiologia, para detectar uma

doença como câncer de mama. Uma aplicação, que não apenas resolve problemas reais, como ajuda a salvar vidas. Mas os desafios são imensos quando saímos da ideia para a realidade. Primeiro muitos hospitais têm equipamentos antigos, e incompatíveis entre si, gerando imagens de baixa qualidade. Para o treinamento do sistema (usaremos técnicas supervisionadas, para lembrar...) precisamos que as imagens sejam rotuladas para que o algoritmo aprenda a identificar as células cancerosas. Precisamos que radiologistas anotem nas imagens onde estão as células cancerosas. Estas anotações são usadas como output enquanto as imagens são usadas como input, para que o sistema aprenda a reconhecer onde está o câncer. Precisamos de volumes muito grandes de imagens. Um desafio: além do hospital específico, temos outras fontes? Bem, onde os problemas acontecem? Os radiologistas nem sempre acertam na rotulação. Algumas estimativas apontam que os médicos têm acurácia entre 50% e 70%, dependendo do seu nível de experiência e cansaço ao analisar as imagens. Com isso a rotulação sai com erros. Dois radiologistas podem chegar a conclusões diferentes ao analisar a mesma imagem. Os hospitais usam equipamentos diferentes e as imagens refletem também hábitos dos radiologistas como posicionamento e ângulo que usam o scanner. Uma máxima antiga de TI continua valendo: “garbage-in, garbage-out”. Nenhum modelo, por mais sofisticado que seja resistirá a dados errôneos. Assim rotulações erradas irão comprometer o resultado, inutilizando o sistema. Ter dados corretos, no caso, rotulando corretamente, é como converter petróleo em gasolina. A gasolina é que vai movimentar o motor, não o petróleo.

Ultrapassando as barreiras dos dados, chegamos a outras: humanas. Se os radiologistas olham com receio a solução de IA, o

muro será quase intransponível. Eles devem ver a IA como sua auxiliar no seu estafante trabalho de analisar diariamente várias imagens. O processo tem que ser implementado aos poucos, para ganhar sua confiança. Primeiro, quando a IA identificar um possível câncer, apenas mude a prioridade da imagem na fila a ser analisada pelo radiologista, sem avisá-lo. A rotulação que ele fará ajudará a melhorar o algoritmo. É um reforço no seu treinamento. Em uma etapa posterior, alerte-o e ele prestará mais atenção à imagem, rotulando-a com mais cuidado, o que vai melhorar mais ainda o aprendizado do algoritmo. E, um dia, quando a confiança estiver elevada, passe para o radiologista apenas os casos onde sua intervenção será necessária. Lembre-se, o sistema de ML não vai substituir o médico, mas poderá ser um bom auxiliar.

Chegamos na fase de colocar o sistema em produção. Mas, ter um modelo em produção não significa que ele precisa ser visível publicamente. Pense em uma fase piloto, onde ele deve ser exposto a dados ativos, para que sua equipe possa fazer refinamentos até atender aos requisitos que serão disponibilizados para uso aberto. Com os dados ativos, você pode realizar testes mais exaustivos de execução e fornecer à sua equipe de ML feedback sobre o que está funcionando bem e o que não está. Nesse estágio, priorize o estabelecimento de um processo de liberação controlada e gradual. Você também deve monitorar o desempenho e a escalabilidade do seu sistema. Planeje ciclos contínuos de melhoria, investigue e implemente refinamentos do modelo e, alterações das interfaces. Novos modelos devem ser comprovadamente superiores aos que substituem. Teste todas as alterações antes que as atualizações sejam lançadas no ambiente de produção. Esses ciclos continuarão por toda a vida útil do sistema.

Ao planejar o projeto de implementação, valide onde seu sistema será executado: no seu data center ou na nuvem? A opção pelo seu data center geralmente é tomada quando seus dados são altamente sensíveis e você precisa mantê-los sob seu controle direto. Normalmente, isso é possível apenas para empresas que já possuem sua própria infraestrutura de hardware. Essa pode ser uma opção válida se o volume de solicitações de gerenciamento for conhecido e relativamente estável. No entanto, todo o novo hardware adicional deve ser adquirido e provisionado, o que limita a escalabilidade. A opção de usar nuvem pode ser vantajoso para a maioria das empresas. Não esqueça que você pagará para transferir e receber dados, mas vai evitar o custo da aquisição de hardware e de uma equipe para gerenciar o ambiente. Como transferir grandes volumes de dados é custoso, se você já estiver usando ambientes de nuvem como os da Amazon, Google, IBM ou Microsoft, para suas aplicações tradicionais, é mais atrativo continuar com ele para seus projetos de IA.

Para comprovação de que as novas versões de IA são eficazes e melhores que as versões anteriores, teste seu sistema de IA em vários estágios. Durante o treinamento: enquanto seu modelo está sendo treinado, teste-o constantemente com um subconjunto de dados de treinamento para validar sua precisão. Os resultados não representam totalmente o desempenho do modelo, porque os dados do teste randomizados irão influenciar o modelo. Como resultado, esse teste provavelmente exagerará a precisão do modelo. Não considere este número quando for vender a ideia para seu board!

Na validação, reserve uma parte dos seus dados de treinamento para isso. Este conjunto de testes, conhecido como conjunto de validação, não deve ser usado para

treinamento. Por conseguinte, as previsões que o seu sistema de IA faz a partir do conjunto de validação representam melhor as previsões que ele fará no mundo real. A precisão no estágio da validação geralmente é menor que a precisão obtida durante o treinamento. Cuidado para que o seu conjunto de dados represente bem os dados do mundo real, pois, caso contrário, pode gerar uma precisão superestimada. Muita atenção com os dados que podem embutir viés nos algoritmos.

Após a criação do seu modelo, teste-o com dados ativos para obter uma medida de precisão mais apropriada. De maneira geral essa precisão é menor que a obtida no teste e deve ser refinada continuamente. Existem três medidas de “precisão” comumente usadas em sistemas de ML: recall, precisão e exatidão. Como exemplo, vamos pensar um sistema de ML que determine se uma determinada fruta é ‘boa’ ou ‘ruim’ com base em análises de imagens desta fruta. Existem quatro resultados possíveis:

1. Verdadeiro positivo: a fruta é boa - e a IA prediz ‘boa’.

2. Verdadeiro negativo: a fruta é ruim - e a IA prediz ‘ruim’.

3. Falso positivo: a fruta é ruim - mas a IA prediz ‘bom’.

4. Falso negativo: a fruta é boa - mas a IA prediz ‘ruim’.

Para medir quão preciso é o sistema, use simultaneamente as três medidas, recall, precisão e exatidão.

Recall: Que proporção de frutas encontrei corretamente? É o número de frutas boas identificadas corretamente, dividido pelo número total de frutas boas identificadas, corretamente ou não.

Precisão: que proporção de frutas que eu disse são boas, eu acertei? É o número de frutas boas identificadas corretamente dividido pelo número total de frutas rotuladas como boas (identificadas corretamente ou não).

Acurácia: que proporção de frutas rotulei corretamente? É o número de frutas corretamente identificadas como boas ou ruins, dividido pelo número total de frutas.

Equilibrar precisão e recall pode ser difícil. À medida que você ajusta seu sistema para um recall mais alto, ou seja, menos falsos negativos-, você aumenta os falsos positivos e vice-versa. A opção por minimizar falsos negativos ou falsos positivos, dependerá do problema que você está resolvendo e do seu domínio. Se estiver desenvolvendo uma solução de marketing, convém minimizar os falsos positivos. Para evitar o constrangimento de mostrar um logotipo incorreto, é menos danoso perder algumas oportunidades de marketing. Mas, se estiver executando diagnósticos médicos, convém minimizar os falsos negativos para evitar o erro de um diagnóstico.

E finalmente, lembre-se que um sistema de ML não cessa de evoluir nunca. Infe-

lizmente na hora que você coloca um sistema de ML em produção ele começa a degradar! Em algoritmos complexos, muitas vezes ocorre uma “falha catastrófica”, quando o sistema é continuamente exposto a data sets diferentes do qual foi treinado. Ele pode se ajustar a esse novo contexto e “esquece” o que aprendeu antes. E quando recebe um dado de entrada similar ao do antigo data set, sua assertividade é muito baixa, pois, como um algoritmo de ML não tem memória, ele “esquece” o aprendizado anterior.

Fica claro que para manter a coerência ou “inteligência” do sistema de ML, teste regularmente os resultados com dados ativos, para garantir que os resultados continuem atendendo seus critérios de aceitação. Separe budget para futuras atualizações e reciclagem, e monitore sistematicamente a degradação do desempenho. À medida que sua empresa cresce ou muda o foco, os dados (incluindo dados de séries temporais e características do produto) evoluirão e se expandirão. A reciclagem sistemática de seus sistemas deve ser um componente de sua estratégia de ML. Lembre-se de que um sistema de ML pode e deve estar sempre melhorando. Surgem novos algoritmos e as técnicas de ML que usamos hoje podem se tornar obsoletas em poucos anos.

Creio que esse resumo dá uma ideia simples de como funciona um projeto de ML. Claro que têm outros detalhes, mas de maneira geral acredito que essa visão superficial já é suficiente para esclarecer esse “monstro mágico” que muita gente acha que um sistema de ML é. Mas, no fundo é um sistema de software que usa intensamente algoritmos matemáticos.

Maturidade digital tem avançado em todo o setor bancário, de acordo com dados globais da Deloitte

A Deloitte, maior organização de serviços profissionais do mundo, divulgou os dados globais da nova edição da pesquisa Digital Banking Maturity 2022, que identifica os avanços e as melhores práticas da digitalização de serviços financeiros no mundo. O estudo foi realizado com 304 bancos, de 41 países, e investigou as funcionalidades digitais ao longo da jornada do cliente; analisou as necessidades dos clientes; e realizou ainda uma avaliação de UX (user experience).

Olevantamento mostra que a maturidade digital está avançando em todo o setor bancário e que a decisão de digitalizar trouxe benefícios mensuráveis aos líderes globais. Bancos com canais digitais desenvolvidos foram mais resistentes às turbulências relacionadas à pandemia, al-

cançando 1,5 p.p. maior retorno sobre o patrimônio líquido (ROE) em comparação com players menos digitalizados do setor. Os melhores players ampliaram a diferença para os demais, principalmente em áreas como seguros, investimentos e serviços de gerenciamento e autorização de cartões.

Mundo afora, os bancos estão se transformando em plataformas multisserviços, com ofertas de compras de passagens no transporte público, soluções de estacionamento e abastecimento, agendamento de consultas, compra de ingressos para eventos, entre outros. Apoiados por novas regulamentações e soluções tecnológicas, estão construindo ecossistemas que podem fornecer aos clientes uma visão unificada de toda a jornada financeira.

“O beyond banking é um posicionamento cada vez mais observado nas plataformas digitais dos bancos, onde ecossistemas expandidos complementam a jornada do cliente, trazendo experiências e serviços não bancários para dentro da plataforma digital bancária. Esse movimento é uma estratégia eficaz para aumentar o engajamento e a lealdade dos clientes, permite entender melhor os hábitos do consumidor e auxilia os bancos na personalização do relacionamento com seus clientes” avalia Sérgio Biagini, sócio-líder para a indústria de Serviços Financeiros da Deloitte.

Os bancos também estão ampliando sua função consultiva, apoiando o gerenciamento financeiro diário dos clientes com uma ampla gama de soluções digitais, como ferramentas de personal finance manegement (PFM), com conteúdos informativos e educativos, várias opções de investimento para diferentes perfis de risco, consultoria automatizada de investimentos e gerenciamento de portfólio.

“As funcionalidades de PFM ajudam os clientes a controlar o dinheiro que gas-

tam, prever como vão gastá-lo, economizar, investir ou analisá-lo. Eles oferecem aos clientes opções fáceis de entender para gerenciar seu dinheiro na ponta dos dedos, trazendo os conceitos de finanças comportamentais para melhor organizar suas finanças. Os bancos podem permitir que seus clientes conectem várias contas e tenham uma visão clara de todas as finanças em um só lugar, tornando-se também uma função de retenção do usuário nos aplicativos”, complementa Luiz Caselli, sócio de Strategy, Analytics and M&A da Deloitte.

O estudo ainda destaca que UX (user experience) é um diferencial importante. A experiência do usuário dos canais digitais pode ser tão importante para a satisfação do cliente quanto o escopo das funcionalidades implementadas. Novos recursos trazem mais valor aos clientes quando são agregados de acordo com uma estratégia bem definida com foco em UX.

“As instituições financeiras precisam avaliar de forma estra tégica a conexão entre pessoas, dados e ex periência do cliente e repensar, de forma ho lística, o engajamento com o seu consumidor do início ao fim Sem esse olhar não será possível avançar num mercado cada mais disruptivo e desafiador”, acrescenta Guilherme Evans, sócio da Deloitte e líder da Deloitte Digital.

JOÃO PAULO TAVARES

Head of Solution Architecture and Presales na Semantix

A era dos dados: como usar ‘big data’ e IA para conhecer e engajar seu cliente?

Um dos principais desafios de vendas atualmente consiste no gerenciamento de forma correta da jornada satisfatória dos clientes em suas experiências de compra. Esse é o primeiro e mais importante passo para a construção do relacionamento e da fidelização deles.

Mas afinal, o que é uma jornada satisfatória de compras?

Uma jornada de compras nada mais é

do que o caminho que um potencial cliente percorre antes de realizar uma aquisição. Hoje vivemos um choque de gerações que compram no varejo. Por isso, é de extrema importância entender quem é esse cliente para realizar a oferta da forma mais direta e personalizada possível.

Independentemente de geração ou personalidade, o fato é que todo cliente quer se sentir único e de alguma forma ser visto pelas empresas com as quais se relacio-

GT DIGITAL

© 2022 Grant Thornton Brazil. All rights reserved. Grant Thornton Brazil is a member firm of Grant Thornton International Limited (GTIL). GTIL and the member firms are not a worldwide partnership. Services are delivered by the member firms. GTIL and its member firms are not agents of, and do not obligate, one another and are not liable for one another’s acts or omissions. Please see www.grantthornton.com.br for further details.

na.

Para isso acontecer, precisamos entender o que realmente cada um de nossos clientes procura:

• Preço ou exclusividade?

• Delivery ou aquele passeio na loja?

• Conversar com um atendente ou self service?

• Comprar no computador, aplicativo, loja física, WhatsApp ou outras formas?

• Ser abordado por qual canal? (rede social, e-mail, SMS, WhatsApp etc.).

Esses são alguns dos comportamentos a ser monitorados se você realmente quer construir uma visão do que efetivamente o cliente gosta e quais diferenciais vão fidelizar essa pessoa ao seu negócio.

Então, chega o desafio de encontrar, integrar, armazenar e consumir os dados da melhor forma.

O acesso e consumo de dados pessoais está cada vez mais controlado e regulado, o que é ótimo, pois as pessoas passam a ter controle da liberação de uso de suas informações. Porém, com isso vem à tona o desafio de conseguir a permissão para trabalhar esses dados em contextos específicos, com o único objetivo de estruturar uma estratégia voltada à experiência desses clientes.

Construir uma estratégia de jornada de dados é o primeiro grande passo para ter uma visão 360º de um cliente, e não estamos falando apenas de tecnologia. Para estruturar essa estratégia, você precisa conseguir responder a algumas perguntas. Começando com as principais:

• Onde estão os dados para construir essas visões de seus clientes?

• Estes são dados confiáveis?

• Como gostaria de visualizar esses dados?

• De quanto em quanto tempo preciso atualizar essa informação?

• Qual é a melhor forma de centralizar esses dados?

• Qual é a melhor estratégia de tecnologia para armazenar esses dados?

• Quais são os especialistas necessários para o sucesso dessa jornada?

• Qual é de fato o valor que espero gerar com a conclusão desse projeto?

Hoje em dia existem diversas soluções de dados que podem acelerar sua estratégia, por isso é importante ter essas respostas de forma clara e estruturada - será estratégico para a empresa escolher a melhor forma de adquirir, manipular e até mesmo descartar dados para que a adequação a essa nova realidade seja absorvida sem gerar grandes impactos processuais e financeiros.

É importante ter em mente que esse movimento, que não é simples, ampliará sua visão com relação aos clientes e, quando aplicado ao aspecto de um negócio, pode fornecer à sua empresa uma visão clara dos obstáculos, uma maneira de resolvê-los e a capacidade de prever e se planejar a longo prazo.

A partir daí, criando uma relação sólida e de confiança com seus clientes, o sucesso de estratégias de rentabilização e fidelização torna-se consequência natural do seu negócio.

MARCIO AGUIAR

Diretor da divisão Enterprise da NVIDIA na América Latina

Inteligência Artificial no agronegócio: como a tecnologia tem beneficiado o setor

AInteligência Artificial (IA) já está presente em inúmeras aplicações e soluções em todo o mundo, que vão desde pesquisas científicas até tecnologias médicas. No entanto, muitas vezes não imaginamos o quanto a IA também pode ajudar em setores como o agronegócio e meio ambiente.

De acordo com projeções da Markets & Markets, o investimento no setor deve saltar para US$ 4 bilhões em 2026, e considerando que a população mundial vai crescer em 2 bilhões de pessoas até 2050, de acordo com a

Organização das Nações Unidas (ONU), tal aspecto irá gerar uma necessidade de aumento em 60% na produção de alimentos. Por isso, a IA é uma tecnologia importante para se investir e conhecer no mundo do agronegócio.

Muitas startups já utilizam o poder das GPUs da NVIDIA para trabalhar com IA em prol da humanidade, com foco desde salvar a população de abelhas em torno do mundo até a agricultura, no cultivo de citros. Uma folga para as abelhas, e adeus para ervas daninhas

Do Redesenho à Automação:

Uma abordagem de transformação digital orientada a processos

Não existe transformação sem tecnologia, mas a aplicação pura e simples da tecnologia não traz transformação. A verdadeira digitalização só ocorre quando repensamos nossos processos e então aplicamos a tecnologia para transformá-los

A iProcess existe já 22 anos para unir o redesenho de processos através das práticas de BPM (Business Process Management) com a capacidade de automatizá-los usando tecnologias de transformação digital orientada a processos

Com um time de especialistas que respiram processos em tempo integral, a iProcess é uma empresa que oferece uma jornada completa de transformação, do redesenho á capacitação, do licenciamento à automação.

Fale com a gente!

CO NTE CO M A IPROCESS EM SUA J O RNADA DE T RANSFORMAÇÃO DIGITAL contato@iprocess.com.br www.iprocess.com.br

São Paulo: (11) 4063.6263

Porto Alegre: (51) 98914.2052

Uma startup de Israel, chamada Arugga, criou robôs para realizar o trabalho das abelhas: polinizar plantações. Com o uso do módulo NVIDIA Jetson Xavier NX, é possível aumentar em até 20% os rendimentos e colheitas de plantações usando a tecnologia. Além disso, com ajuda da análise de vídeo inteligente NVIDIA Metropolis, é possível também coletar dados e detectar, por exemplo, qual o momento certo para iniciar o processo de polinização.

Outro uso inteligente para o setor está no exemplo da startup Greeneye, de Tel Aviv, que desenvolveu pulverizadores inteligentes acionados por IA, que eliminam com precisão (e na dose certa) as ervas daninhas de plantações. Isso pode gerar uma redução de até 90% no uso de produtos químicos e herbicidas, assim como evitar a contaminação da água e do solo.

Todas estas aplicações surgiram por meio do programa global NVIDIA Inception, que é destinado a impulsionar startups, com a ideia de revolucionar e aprimorar indústrias com avanços em IA e ciência de dados. O programa oferece capacitação e todas as ferramentas que desenvolvedores e engenheiros precisam para criar as mais diversas soluções de IA as quais oferecem inúmeros benefícios, neste caso, para produtores, plantios e colheitas.

O uso da IA em plantações de citros

Com o uso da IA, é possível capturar imagens, com visão frontal e lateral, gerar diversos tipos de dados como avaliação dos frutos das árvores, um a um, realizar estimativas de safra, detecção de doenças e até mesmo realizar o cálculo da volumetria de copa. Tudo isso de forma automática. A novidade já está em testes e em uso por 14 pro-

priedades de produtores de citros ao redor do mundo.

Os dados fornecidos pela ferramenta, que normalmente são coletados e usados a cada ano pelos produtores, podem ser utilizados em tempo real, e ajudam a evitar falhas e realizar de forma mais eficiente o replantio, por exemplo.

Além de fornecer informações precisas sobre produção, a tecnologia também permite contabilizar as perdas. É uma solução que não só facilita a vida do agricultor, mas também economiza tempo nas operações.

Um dos usos está em usar os sensores de IA para ter benefícios na programação e direcionamento, para aproveitar as quadras que tem um calibre maior de fruto. Ou seja, isso resulta em mais rendimento pós-colheita.

Há muitos benefícios, por exemplo, se comparados a soluções tradicionais, como a análise realizada por imagens aéreas. É possível aproximar a imagem de cada árvore e analisar uma por uma. Com essas informações em mãos, o produtor pode tomar decisões mais assertivas e evitar futuros problemas, que anteriormente ou sem o uso da IA, não seria possível. Isso gera economia e uma produção maior e mais eficaz.

Assim como em outros mercados os quais a NVIDIA tem uma participação ativa e disruptiva, há muito o que agregar no campo do agronegócio com as soluções. Especialmente quando trabalhamos em parceria com cientistas, pesquisadores, empresas e startups que oferecem seu poder criativo para desenvolver inovações que irão melhorar a qualidade de vida das pessoas.

LUCAS RIBEIRO Fundador e CEO da ROIT

Inteligência Artificial também é assunto para CFOs, os executivos de finanças das corporações

Quando falamos em transformação digital e hiperautomação das corporações, imediatamente o tema é atrelado aos executivos responsáveis pela área de tecnologia, os CTOs (Chief Technology Officer). Mas, como costumo pontuar, esse processo só ocorre de forma plena e efetiva se houver uma cultura digital dentro da organização, se for um compromisso de todas as suas estruturas. Portanto, é assunto para todo mundo.

Inclusive e sobretudo para os CFOs (Chief Financial Officer), ou seja, os diretores e executivos financeiros. E por quê? Porque está na gestão contábil e fiscal das organizações um dos grandes gargalos para a digi talização. Ao mesmo tempo, está na gestão

contábil e fiscal eficiente, isto é, ágil e precisa, livre de erros que geram desperdícios, oalicerce para a sustentabilidade financeira da empresa. É dizer: para a sobrevivência da empresa.

Recentemente, reli um artigo nesse sentido, publicado dois anos atrás, quando o mundo vivia o ápice do isolamento e distanciamento social por causa da pandemia de covid-19, e escrito por Veena Gundavelli. Ela é fundadora e CEO da Emagia, empresa global que proporciona a organizações a transformação digital de suas áreas financeiras. Reli com o intuito de refletir sobre o que e quanto avançamos em colocar o assunto em

A TIVIT

os seus processos

Gestão da informação com automação, segurança e praticidade. Se você quer esse nível de eficiência para os seus negócios, a solução de ECM da TIVIT é a resposta.

Àquela altura, em seu texto Veena sinalizava a importância da Inteligência Artificial para o processamento de documentos como notas fiscais, extratos, recibos, certificados, entre tantos outros que compõem os fluxos de um setor financeiro. A executiva observava o fato de que a automação robótica de processos (RPA), só ela, não era mais suficiente, diante da circulação em meio digital desses documentos, intensificada pelo inevitável trabalho remoto na pandemia. RPA é indispensável para trabalhos operacionais, repetitivos, mas, você sabe, gestão pede mais que isso.

Veena Gundavelli alertava: CFOs, é preciso prestar atenção para a “Inteligência Artificial de captura de dados cognitivos”. Passados dois anos, os fatos mostram que a advertência fazia todo sentido. Não dá mais para as organizações postergarem, muito menos abrirem mão da hiperautomação de processos contábeis, fiscais e financeiros. Principalmente, não dá mais para restringir digitalização de processos ao fato de estarem on-line ou, no máximo, processados por robôs.

Entenda-se por hiperautomação a aplicação combinada entre RPA e Inteligência Artificial. A robotização é imprescindível para fluxos que só tomam tempo e ocupam profissionais em tarefas mecânicas, realizáveis com incomparável rapidez e acuidade por robôs. Por sua vez, a Inteligência Artificial identifica, extrai, analisa os mais diferentes tipos de documentos, nos mais variados formatos e, muitas vezes, em idiomas distintos também. Ambas devem ser convergentes.

Em setembro de 2020, Veena Gundavelli dizia que os CFOs deveriam começar “agora” oingresso nessa transformação digital. Em 2022, e agora não são palavras da minha fonte, mas minhas: quem não começou, deve começar. O quanto antes. Não se trata mais

de um “diferencial”. Trata-se de manter uma organização adequada ao que a contemporaneidade exige. É questão de eficiência, de sustentabilidade, de entender um novo mundo que já começou.

Até porque esse “novo mundo” não é “nada de outro mundo”. Nada de ficção científica. A hiperautomação de fluxos complexos, com otal “fim da contabilidade e da gestão financeira” que anunciamos em um grande outdoor em Curitiba, em 2019, enfim, chegou (fomos até notícia https://acontecendoaqui.com.br/tech/fintech-curitibana-causa-polemica-em-todo-o-brasil-com-outdoors-que-dizem-adeus-contabilidade/). A gestão contábil, fiscal e financeira sem praticamente nenhum humano operando em uma empresa já é absoluta realidade, pé no chão. Tampouco é bicho de sete cabeças, algo só compreensivo por expertos em computação e tecnologia. Cada vez mais as soluções nesse sentido são operacionalizáveis de forma simples, intuitiva.

Aqui na ROIT, a Esteira de Hiperautomação é a maior evidência de como uma solução de ponta, tecnologicamente falando, pode ser acessível a quem mais precisa dela, seus usuários. Com fluxos em nuvem, articulando RPA com Inteligência Artificial, proporcionamos ao setor financeiro das empresas agilidade e rigor só possíveis de serem alcançados pelas tecnologias mais robustas e altamente especializadas. O time de profissionais fica com aquilo que lhe cabe, e que só ele saber fazer: cuidar da gestão, a partir de informações verdadeiras e, talvez o mais importante, em tempo real. Isto é, das análises e decisões estratégicas, do planejamento e da rápida execução; aplicar seu talento e competência em prol da organização e sua cadeia produtiva.