Este documento apresenta os conceitos fundamentais de inteligência artificial (IA), aprendizado de máquina (ML) e aprendizado profundo (DL), e como eles podem ser aplicados nos negócios. O documento discute como a IA pode resolver problemas de negócios por meio do ML, fornecendo exemplos de como processos de negócios podem ser treinados com dados. Ele também fornece uma metodologia para aplicar o ML a processos de negócios e discute como escolher modelos ML apropriados.
Conferência SC 24 | Estratégias omnicanal: transformando a logística em exper...
(curso) Inteligência Artificial nos negócios
1. Minicurso CDT / UnB | 28 & 29/06/18
Inteligência
Artificial
nos
negócios
Pierre GUILLOU
2. Pierre Guillou
IA | Brasília - Paris
Consultor em IA & Co-organizador
○ dos meetups “Inteligência Artificial Brasília” & “Deep Learning Brasília”
○ do grupo de estudo do Deep Learning em Brasília
m.me/pierre.guillou.fr
@pierre_guillou
linkedin.com/in/pierreguillou
medium.com/@pierre_guillou
9. ”A Inteligência Artificial (IA) é
um conjunto de técnicas que
permitem que as máquinas
executem tarefas e resolvem
problemas normalmente
reservados para humanos e
certos animais.”
Yann Lecun
Facebook
AI Head
10. Na maioria dos casos, a Inteligência Artificial (IA) se refere hoje a
criar um algoritmo que pode :
● seja executar uma tarefa (ex: conversar com um cliente)
● seja resolver um problema (ex: prever o número de vendas).
(tarefas e problemas reservados até hoje para humanos)
12. IA é inspirada pelo cérebro
dendritos / pesos núcleo / unidade axônio+sinapse / saída
neurônio neurônio artificial
13. IA geral não existe / IA fraca e supervisionada, sim
1950 - 2000 1990 - 2020 Ficção-científica
IA especializada (fraca)
Supervised Learning
IA geral (forte)
Unsupervised Learning
Futuro
15. DL : 30 anos de pesquisa antes do Big Bang de 2012
Geoffrey HINTON
mostrou que o algoritmo
BP é o método de
aprendizagem do DL
1986
Yann LECUN criou a
rede profunda ConvNet
inspirada pelo córtex
visual e usando o BP
1989
Geoffrey HINTON
venceu a competição
ImageNet com AlexNet,
uma rede ConvNet
2012
Yann LECUN e Yoshua
BENGIO criaram LeNet-5,
primeira ConvNet a ser
usada na vida real
1998
Andrew NG lançou o
primeiro MOOC gratuito em
Machine Learning (mais de
100 000 estudantes)
2011
16. The rise of AI (51mn)
Neste episódio inovador de
"Hello World", a história da
ascensão da IA é contada
em detalhes pela primeira
vez, enquanto o jornalista
Ashlee Vance se dirige ao
inesperado berço da
tecnologia, o Canadá.
27. ConvNet : uma rede neural inspirada pelo cérebro
https://code.facebook.com/posts/384869298519962/artificial-intelligence-revealed/
28. Deep Learning : muitas camadas de aprendizado
rosto
rosto
corpo
pé
mão
mão
rosto
erro !
BackPropagation do
gradiente do erro.
É o método de
aprendizagem de uma
rede neural profunda :
ela vai aprender com
seus erros.
1 2 3
4
5
Comparador
=
37. Usuários querem interagir
naturalmente (pela voz por
exemplo) e de uma forma
personalizada
IA funciona hoje
(dados + modelos +
computação) e leva
soluções
Google AI
permite de usar
a IA em todos os
processos... sem ser
especialista de IA
38. Usuários... querem conversar
”Até 2021, mais de 50%
das empresas gastarão
mais por ano em bots e
criações de chatbot do
que desenvolvimentos
de aplicativos móveis
tradicionais*”
-
Gartner, October 2017
Gartner’s
TOP 10
IT predictions
48. Se um computador puder aprender da
mesma forma que nossos cérebros o fazem,
poderia aprender a executar um processo
de um negócio ?
49. IA = aprender pela observação (novo paradigma)
“Machine Learning. Esta é a
próxima transformação ... o
paradigma de programação
está mudando. Em vez de
programar um computador,
você ensina um computador a
aprender algo.”
Eric Schmidt
Executive chairman of the board
Google
54. ML para o seu negócio
1. Que tipos de problemas o ML pode resolver ?
2. Como aplicar o ML ao meu negócio ?
3. Metodologia de análise para aplicar o ML a um caso
4. Como escolher um modelo de ML ?
5. Consequência do uso do ML : novos insights e talvez novos serviços
Pontos chaves da sua estratégia do Machine Learning
Evitar as 6 armadilhas do ML
E seu negócio : AI-first ?
56. Aplique o ML a qualquer processo usando
hoje regras e dados.
Com o treinamento a partir de dados,
o modelo de ML substituirá as regras.
Regras do seu negócio Modelo de Machine Learning
57.
58.
59. Princípio | Aplique o ML às regras do seu negócio
Pense no Machine Learning como a maneira de dimensionar,
automatizar, personalizar.
Pense em todas as regras que você está codificando hoje,
desde que você possa coletar os dados corretos, você pode
fazer isso usando o ML.
61. Dívida um processo de negócio
numa lista de processos exclusivos
Um modelo de ML é treinado para executar uma única tarefa,
como dar uma resposta a uma pergunta específica.
Como a maioria dos processos é composta por vários
processos exclusivos, a primeira ação a ser tomada é listar
esses processos e verificar se você possui bastante dados.
Assim, para cada processo exclusivo, poderemos treinar um
modelo ML específico.
70. 1. De ponto de vista de… a questão é...
Ponto de vista Questões
Machine Learning Previsão ? Dados ?
Dados Coleta ? Analise ?
Software API ? Usuários ?
Usuários Software ? Reação ?
71. 2. Escolha do modelo de ML
● Natureza dos dados de entrada e saída ?
● Arquitetura do modelo ?
● Como treiná-lo ?
● Como usá-lo na produção ?
75. Caso : demand forecasting (manufacturing)
Ponto de vista Questões
Machine
Learning
Previsão ?
número de unidades de um produto X para ser fabricadas
este mês
Dados ?
- dados históricos (# de unidades vendidas, o preço de venda, etc.)
- dados gerais como números econômicos, confiança do cliente, taxa
de juros, o que aconteceu este mês, no ano passado, etc.
Dados Coleta ?
coletar todos os dados, exceto os que podemos esperar
que o usuário final nos dê (econômicos, concorrentes,
setor, própria empresa…) e definir como coletá-los
Analise ?
para analisá-los, temos de criar features para entrar no modelo ML
Software API ?
as entradas do software podem ser o ID do produto e do
mês para o qual queremos fazer essa previsão
Usuários ?
os usuários podem ser gerentes de produto, de logística, etc.
Observam as tendências, na economia geral, nas publicações
comerciais e, de alguma forma, tomam uma decisão.
Usuários Software ?
digitam no software unicamente palavras chaves de
pesquisa (ID do produto e do mês)
Reação ?
depois da recepção da previsão, a reação pode ser automática como
pedir o número previsto de produto
78. Iniciantes | Cursos sobre o ML + o ML no GCP
Para pessoas que querem aprender a usar as APIs de ML
da Google Cloud Platform (GCP) com modelos de ML já
treinados :
1. (fundamentos) Machine Learning Crash Course
(Google)
2. (ML na GCP na prática) Machine Learning with
TensorFlow on Google Cloud Platform Specialization
(Coursera)
79. Intermediários & Avançados | Cursos sobre DL + GCP
Para pessoas que querem tornar-se especialistas em DL
(desenvolvimento de modelos de DL) + uso da GCP :
Deep Learning
● Deep Learning Specialization
(Coursera, Andrew Ng)
● Fastai (Jeremy Howard)
● Deep Learning (Udacity)
GCP
● Data Engineering on Google
Cloud Platform
Specialization (Coursera)
● First Steps with TensorFlow
+ Google Cloud Training
80.
81. Escolher um
modelo de ML:
da API para o
desenvolvimento
Como escolher um modelo de ML ?
93. Transcrição de fala para texto
em mais de 110 idiomas
As transcrições de áudio
incluem o timestamp inicial e
final de cada palavra
Filtragem de profanity Envie um arquivo completo
(batch) ou um fluxo contínuo
(stream) de áudio
121. E se você quiser criar uma máquina
virtual, instalar bibliotecas de ML
(TensorFlow/Keras, PyTorch/Fastai…)
e desenvolver um modelo de ML a
partir de zero ?
cloud.google.com/compute/
138. 1. Desenvolver meu próprio algoritmo ML é mais rápido do que
usar um framework ML já integrado.
2. Nenhum dado coletado ainda.
3. Suponha que os dados estejam prontos para uso.
4. Algoritmos ML se tornam blocos fechados, sem intervenção de
humanos.
5. Lançamento de produto focado no algoritmo ML.
6. Eu não preciso treinar mais de uma vez o meu algoritmo ML.
139. 1. Para fazer um ótimo sistema ML além do algoritmo, você precisará de muitas coisas além do
algoritmo de ML (análise de dados, servidores, data stream, …).
2. Precisa dados !
3. Alguém em outro departamento tem dados, mas você não olhou para ele : geralmente, esses dados
não estão prontos para uso e além disso, a sua empresa precisa de ter alguém que mante os dados.
Não tem mágica para ter dados certos.
4. Quanto mais algoritmos ML substituem processos anteriores, mais importante é ter pessoas que
verificam regularmente todas as etapas do seu funcionamento, caso contrário elas se tornam blocos
fechados que não evoluem mais.
5. Seus usuários provavelmente não se importam se o que você está dando a eles é o ML, eles só se
importam se ele tem aquele novo recurso legal ou se suas recomendações são realmente boas. E,
se você lançar algo cujo valor inicial seja apenas ML, ele terá de ter novos dados para operar. Ele
precisa de muitos usuários para gerar esses dados para que ele aprenda a interagir melhor.
6. Acontece que, se você vai ter um algoritmo ML que fará parte de seus principais processos de
negócios, ele será retreinado muitas e muitas vezes e você vai querer investir o esforço para tornar
esse processo muito fácil e sem costura.
142. Interação natural
com os seus
clientes ?
Interação além do
site mobile ?
Ofertas com
contextualização
além do nome ?
Processos de
negócio
atualizados pelos
dados ?
144. 1. IA funciona hoje (dados + modelos + computação). Permite melhorar em tempo real os
processos das empresas, personalizar as ofertas para seus clientes e atender às suas novas
necessidades como interagir naturalmente pela voz por exemplo.
2. IA pode ser aplicada a todos os processos de negócios (input → process → output).
Por quê ? Um modelo IA de Machine Learning (ML) pode substituir as regras
codificadas por um humano para um processo.
Como ? O algoritmo aprenderá as regras a partir dos dados coletados. O treinamento
contínuo do algoritmo com novos dados permitirá sua atualização.
3. Que estratégia IA para seu negócio ? Substituição progressiva de processos existentes.
A maioria das empresas não pode empregar uma equipe de ML, nem manter sua
própria arquitetura de IA.
Precisam da ajuda de um cientista de dados para coletar, analisar e preparar os
dados,
bem como uma plataforma de treinamento e de uso em produção de modelos de
ML como a do Google (Google Cloud Platform ou GCP).
146. Obrigado por atuar contra as armas autônomas
Stop Autonomous Weapons
Pierre GUILLOU
IA | Brasília - Paris
m.me/pierre.guillou.fr
@pierre_guillou
linkedin.com/in/pierreguillou
medium.com/@pierre_guillou
147. Referências
O curso “How Google does Machine” da
especialização “Learning Machine Learning
with TensorFlow on Google Cloud
Platform” no Coursera é uma fonte
importante das informações destes slides.
O site Google Cloud Platform (GCP, suíte de computação em
nuvem oferecida pelo Google) também.
Fatias e slides do vídeo “Intro to machine learning on Google
Cloud Platform” (Sara Robinson, Google I/O, 05/18) foram
usados também nestes slides.