June 26th, 2020

A Inteligência Artificial está transformando e alavancando negócios. Entenda como e por quê

RSS icon RSS Category: Uncategorized

Você sabia que inteligência artificial e machine learning não são conceitos novos? Pois eles surgiram pela primeira vez em 1956 na universidade de Dartmouth, nos Estados Unidos, mas vêm mudando e evoluindo significativamente ao longo do tempo. Hoje, a quantidade de dados que uma empresa dispõe para análise é gigantesca e seu crescimento é exponencial. E o desafio principal para implementar a inteligência artificial com sucesso é saber como transformar essa quantidade enorme de dados em informações relevantes para o seu negócio.

O grande diferencial proporcionado pela inteligência artificial e o machine learning é que eles permitem que uma empresa extraia o máximo de aprendizado com os seus dados, moldando-os para gerar previsões que façam sentido para o negócio. Neste cenário, o que uma plataforma de machine learning automático como a da H2O.ai faz é ajudar as empresas a tomarem decisões mais rápidas com modelos efetivos, que permitirão redução de custos, aumento no lucro e maior competitividade frente aos seus concorrentes.

Para possibilitar uma maior compreensão acerca desse tema, vou responder algumas perguntas bem comuns:

Qual o primeiro passo para uma empresa adotar uma estratégia de inteligência artificial?

O primeiro passo é saber qual problema de negócio você quer resolver. A tecnologia alavanca negócios, mas não funciona por si só e achar que a tecnologia irá resolver o problema sozinha é um erro muito comum. Toda empresa tem uma necessidade de negócio que precisa ser endereçada. Essa necessidade pode ser realizar um marketing mais assertivo, atuar na retenção de clientes, detectar de anomalias no mercado financeiro, resolver uma má gestão na manutenção de produtos ou equipamentos, gerar uma previsão mais precisa de estoque para varejistas, etc. E a grande vantagem da inteligência artificial é que o seu modelo pode ser aplicado para qualquer vertical e em qualquer indústria.

Você tem exemplos práticos de como a inteligência artificial pode ser aplicada em um negócio?

A resposta é sim, vários. Entre os negócios que trabalhamos com a plataforma da H2O.ai, Driverless AI, estão farmácias, bancos, grandes varejistas, hospitais, empresas de telecom, etc.

Esta semana, por exemplo, eu estava conversando com uma empresa de motores, que não consegue entender ou prever qual será o tempo de manutenção da máquina que produz o seu produto. E o problema em não prever isso é que se essa empresa recebe o pedido de um cliente grande, com prazos apertados de entrega, e o equipamento que produz o seu motor quebra, ela não terá outro equipamento de milhões de dólares à sua disposição. A solução que estamos desenvolvendo na H2O.ai é um projeto para detectar anomalias de som na qualidade de como os motores são produzidos. Parece complexo, né? Mas uma plataforma de machine learning conduzida por um bom cientista de dados é capaz de gerar modelos de dados que vão criar uma cadência de manutenção preventiva para que o seu processo de produção nunca seja interrompido.

Outros exemplos de uso da inteligência artificial:

  • Rede de farmácias:

Essa grande rede de farmácias tinha um problema grande de ruptura de estoque, o que acarretava em frequentes compras erradas. A empresa comprava constantemente uma quantidade maior de determinado produto do que a demanda exigia e este ficava preso no estoque. O problema de não entender as demandas da loja fazia com que perdessem aproximadamente 5 milhões de dólares por mês em má gestão de estoque.

A primeira reação do cliente quando apresentamos como os dados estavam funcionando foi achar que havia um engano. Eles sabiam que estavam tendo algum prejuízo, mas não tinham ideia do quão alto. Ao usar o Driverless AI, nossa plataforma de machine learning, eles foram capazes de melhorar sua cadeia de produtos, otimizando modelos de compra que utilizamos com base nos dados que eles já tinham. Isso fez com reduzissem essa perda de 5 milhões de dólares para algo em torno de 40 mil reais. Hoje, nosso cliente pode comprar melhor, fazer a distribuição melhor e saber que produto pode ser colocado em promoção em tempo real para que essa perda de estoque seja a menor possível.

  • Área da saúde:

Nós temos um cliente nos Estados Unidos que consegue otimizar ou prever, baseado no tempo de tratamento do paciente, se ele vai precisar ser levado à UTI ou não. E porque isso é importante? Primeiro, porque é preciso fazer um planejamento de leitos da forma correta. Se esse planejamento de leitos não for feito da maneira correta num momento como esse de pandemia, de que forma o hospital saberá dimensionar os seus leitos de UTI para atender o modelo de paciente que está chegando? Baseado no histórico do paciente e outros dados que são cruzados, é possível criar um modelo de machine learning aplicado para este fim e, com isso, salvar vidas.

Outro exemplo em que a Inteligência Artificial pode ajudar em hospitais é na prevenção de septicemia ou infecção generalizada. Em um outro hospital que é nosso cliente fazemos o acompanhamento dos sinais vitais do paciente no momento que ele dá entrada no hospital, cruzamos com dados de referência de testes e exames e montamos uma análise para cada paciente da probabilidade dele contrair sepse num centro cirúrgico e agir antes disso acontecer. São processos bastante claros e o hospital consegue gerenciar de uma maneira bem interessante.

  • Mercado financeiro:

No mercado financeiro, a inteligência artificial pode atuar na parte de segmentação e fidelização de clientes, crédito e risco, além de combate à lavagem de dinheiro e fraude. Falando de segmentação e fidelização de clientes, imagine que a sua empresa trabalhe na emissão de cartões de credito e o cliente liga para cancelar o cartão porque a taxa está muito alta. A gente é capaz de identificar modelos dentro da base de clientes para saber se a empresa deve dar e qual seria o incentivo correto para que esse cliente seja fidelizado. Inclusive, temos um exemplo de uma empresa que queria fidelizar sua base e conseguiu melhorar suas taxas em quase 4% justamente entendendo mais profundamente o perfil dos seus clientes. Com isso, ele conseguiu oferecer melhores taxas para clientes específicos e, em vez de perder dinheiro, ganhou ao fidelizá-los.

Quer conhecer mais casos de uso da Inteligência Artificial e como podemos ajudar nossos clientes a transformarem e alavancarem seus negócios? Assista ao vídeo completo da minha entrevista.

Veja todos os estudos de caso em diversas indústrias no nosso site.

About the Author

Daniel Garbuglio

Daniel has more than 20 years in developing business in Latin America most of them helping customers to find innovative solutions regarding data. Daniel holds and MBA in Northwestern University and several extension courses regarding strategy and businesses development. Father of twins, Daniel is an avid cyclist and always looking for a perfect mountain to climb with his bike.

Leave a Reply

AI-Driven Predictive Maintenance with H2O Hybrid Cloud

According to a study conducted by Wall Street Journal, unplanned downtime costs industrial manufacturers an

August 2, 2021 - by Parul Pandey
What are we buying today?

Note: this is a guest blog post by Shrinidhi Narasimhan. It’s 2021 and recommendation engines are

July 5, 2021 - by Rohan Rao
The Emergence of Automated Machine Learning in Industry

This post was originally published by K-Tech, Centre of Excellence for Data Science and AI,

June 30, 2021 - by Parul Pandey
What does it take to win a Kaggle competition? Let’s hear it from the winner himself.

In this series of interviews, I present the stories of established Data Scientists and Kaggle

June 14, 2021 - by Parul Pandey
Snowflake on H2O.ai
H2O Integrates with Snowflake Snowpark/Java UDFs: How to better leverage the Snowflake Data Marketplace and deploy In-Database

One of the goals of machine learning is to find unknown predictive features, even hidden

June 9, 2021 - by Eric Gudgion
Getting the best out of H2O.ai’s academic program

“H2O.ai provides impressively scalable implementations of many of the important machine learning tools in a

May 19, 2021 - by Ana Visneski and Jo-Fai Chow

Start your 14-day free trial today