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.

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

3. Hoje, não
estudaremos...

4. Impactos da IA na vida privada

5. mas falaremos...

6. IA em todos os
processos da empresa

7. IA na relação com o ser humano

8. Inteligência
Artificial

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)

11. IA significa simplesmente
criar um algoritmo e treiná-lo com dados.

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

14. Inteligência Artificial Geral

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.

17. Técnicas para implementar a IA : Machine Learning

18. Machine Learning

19. Inteligência artificial (IA) é uma disciplina.
>> Machine Learning (ML) é uma maneira específica
de resolver problemas de IA.

22. Treinar a aprender padrões em vez de programar regras

23. ML precisa de dados e poder de computação
GPU
CPU
Uma IA precisa de
muita computação.
2010

24. ML supervisionado | 2 etapas
Treinamento com
dados rotulados
1
Uso do modelo para
dar previsões
2

26. Deep Learning

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
=

29. Aplicar o
Machine Learning
em 7 etapas

31. Machine Learning
do ponto de vista
técnico

32. Dados Modelos Computação
IA = matemática

33. (antes de continuar)
Temos de ter sempre
em mente...

34. Há bugs na IA ! (dados, capacidade de adaptação)

35. Keep
human in
the loop

36. Por que usar a IA
nos negócios ?

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

39. IA... funciona
Dados Modelos Computação

40. Google AI… IA em todos os processos
Google services
IA em todos os serviços para você
Google Cloud Platform
IA ready-to-use para seus negócios

41. 12 meses
Crédito de US
$300 válido em
todos os
produtos da GCP
cloud.google.com/free/

42. Exemplo do
Google : uma
empresa AI-first

44. Google | Mobile first to AI first
Conversational,
sensory
Ambient,
multi-device
Thoughtfully
contextual
Learns and
adapts

45. Google é AI-first porque usa IA em cada processo

47. Machine Learning
do ponto de vista
dos negócios

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

50. Fonte : Digital Transformation Review 11 – Artificial Intelligence Decoded (Cap Gemini, 2018)

51. O que aprendimos
até agora

52. ✓ Inteligência Artificial
✓ Machine Learning
✓ Deep Learning
✓ IA : ensinar um computador a aprender

53. O que vamos
aprender

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 ?

55. 1/5. Que tipos de
problemas o ML pode
resolver ?

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

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.

60. 2/5. Como aplicar o ML
ao meu negócio ?

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.

67. 3/5. Metodologia para
aplicar o ML a um
processo exclusivo

68. Treinamento do ML e em seguida, uso em produção
Treinamento com
dados rotulados
1
Uso do modelo para
dar previsões
2

69. modelo ML previsão
API
coleta
dados
Analise
Featuresreação
software
Treinamento
Produção
1
2

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 ?

72. Estudo de casos

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

76. 4/5. Como escolher
um modelo de ML ?

77. Ponto fundamental
seguir cursos sobre
o ML e GPC
Como escolher um modelo de ML ?

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

81. Escolher um
modelo de ML:
da API para o
desenvolvimento
Como escolher um modelo de ML ?

82. Cloud Compute Engine
1
2
3 4

83. Google ML APIs
1
Como escolher um modelo de ML ?

84. Cloud Compute Engine
1
2
3 4

85. Use um modelo pré-treinado para tarefa comum de ML
Chatbots

86. cloud.google.com/vision/ cloud.google.com/translate/
cloud.google.com/speech/ cloud.google.com/natural-language/
cloud.google.com/job-discovery/ cloud.google.com/video-intelligence/

88. Google Vision API

91. Google Speech API

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

94. Google Translation API

95. Detecção de idiomaTradução de texto em mais
de 110 idiomas

96. Google Natural
Language API

99. Google Video
Intelligence API

102. Google DialogFlow

103. Conversational Agent Architecture
User Interface
Conversational
Agent Platform
Fulfillment
Google Cloud AI

104. qssdqDQdq
Um chatbot em 10 minutos

105. O chatbot do banco ING

106. Casos de uso das
APIs de ML nos
negócios

107. Aucnet : ML para obter o tipo e preço de um carro
https://konpeki.io/

108. Ocado transforma e-mails em processamento de
linguagem natural

109. DialogFlow : NATURAL conversational agent tool

110. Google AutoML
2
Como escolher um modelo de ML ?

111. Cloud Compute Engine
1
2
3 4

112. E se você quiser treinar essas
ML APIs com seus próprios
dados personalizados ?

115. TensorFlow &
Cloud ML Engine
3
Como escolher um modelo de ML ?

116. Cloud Compute Engine
1
2
3 4

117. E se você tiver um modelo
ML específico para seu
conjunto de dados ?

118. Google ML Engine : desenvolva o seu modelo

119. Cloud Compute
Engine
4
Como escolher um modelo de ML ?

120. Cloud Compute Engine
1
2
3 4

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/

122. Resumo
impactos do seu jeito de
escolher um modelo de ML

127. 3
For custom tasks, build a TensorFlow model with
your data. Train and serve it on ML Engine.

129. 5/5. Consequência :
novos insights e
talvez novos serviços

130. Exemplo | O Google Maps antecipa sua pesquisa e
suas necessidades pessoais

131. Pontos chaves da sua
estratégia do
Machine Learning

132. Dados | Estratégia de ML = estratégia de dados !
A magia do ML vem
com quantidade de
dados, não
complexidade.

133. Dados | 90% de dados não estruturados
(processe seus dados antes de usar ML)

134. Arquitetura | Pense no modo de produção
produção
treinamento

135. Arquitetura | Obtenha um erro baixo (treinamento)
vs obtenha previsões rápidas (produção)
vs
Experimente e
falhe.
Não procure o
melhor modelo !

136. coleta de
dados infraestrutura
Dados + arquitetura

137. Evitar as 6 armadilhas
do ML

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.

140. E seu negócio :
AI-first ?

142. Interação natural
com os seus
clientes ?
Interação além do
site mobile ?
Ofertas com
contextualização
além do nome ?
Processos de
negócio
atualizados pelos
dados ?

143. Síntese

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).

145. Obrigado,
mas...

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.