O que é Inteligência Artificial?

Inteligência Artificial é um dos temas mais instigantes em tecnologia e negócios atualmente. Esta empolgação tem fundamento: estamos vivendo em um mundo cada vez mais conectado e inteligente. Você pode construir um carro autônomo na sua garagem, compor Jazz com um algoritmo ou conectar o seu CRM ao seu Inbox para saber quais emails são prioritários. A tecnologia por trás de todos estes avanços está relacionada com Inteligência Artificial (IA).

Neste post vamos ajudar você em sua jornada de IA falando sobre:

• Definição de Inteligência Artificial

• Histórico de Inteligência Artificial

• Como funciona IA? Visão geral das Principais Técnicas

• Exemplos de uso de Inteligência Artificial nas empresas

Em especial, vamos mostrar algumas aplicações práticas em CRM, Vendas, Atendimento ao Cliente e Marketing.

1. Definição de Inteligência Artificial

Inteligência Artificial é a área de ciência da computação concentrada em criar programas e máquinas que podem exibir comportamentos considerados inteligentes. Ou, de forma mais informal, IA é o conceito segundo o qual "máquinas pensam como humanos."

Um sistema de IA tipicamente consegue analisar dados em grande escala, identificar padrões e tendências e, então, formular predições de forma automática com velocidade e precisão. O importante para nós é que IA está tornando todas as nossas experiências cotidianas mais inteligentes. Como? Embutindo análises preditivas (falaremos mais sobre isso adiante) e outras técnicas de IA em apps que usamos no dia-a-dia:

• O Siri age como um assistente pessoal, usando processamento natural de linguagem;

• Facebook e Google Fotos sugerem tags de fotos e agrupamentos baseados em reconhecimento de imagem;

• A Amazon fornece recomendações de produtos com base em modelos de cesta de compras;

• O Waze fornece otimização de rotas em tempo real.

2. Um breve histórico de Inteligência Artificial

Para a maioria de nós, a conceito de o que é Inteligência Artificial foi moldado por filmes de Hollywood. Exterminadores, robôs com crises existenciais e pílulas azuis e vermelhas. De fato, IA está em nossas imaginações e laboratórios desde o ano de 1956 quando, no Dartmouth College nos EUA, um grupo de cientistas inaugurou um projeto de pesquisa para "Inteligência Artificial". Foi ali o primeiro uso do termo e, desde então, assistimos a uma montanha russa de avanços ("uau, como que a Amazon sabe que quero este livro?") e frustrações ("esta tradução não tem nada a ver").  

Na origem do projeto, o objetivo era que a inteligência humana pudesse ser descrita de forma tão precisa que uma máquina seria capaz de simulá-la. Este conceito ficou também conhecido como "IA Genérico" e foi ele que alimentou as (ótimas) ficções que tanto nos divertiram.

De forma concreta, porém, IA se desenvolveu em campos específicos. Ao longo do tempo, a ciência evoluiu em temas particulares e foi aí que IA passou a gerar resultados importantes para as nossas vidas. Foi juntando reconhecimento de imagem, com processamento de linguagem, redes neurais e mecânica automotiva que um carro autônomo se tornou possível. A este tipo de desenvolvimento o mercado se refere às vezes como "IA específico".  

No quadro abaixo ilustramos alguns eventos importantes do histórico de Inteligência Artificial.

3. As Principais Técnicas de Inteligência Artificial

Uma vez que você tenha digerido a definição de IA e conhecido mais sobre a sua história, a melhor maneira de mergulhar no assunto é conhecer as principais técnicas de IA e, principalmente, casos de uso de Inteligência Artificial nas empresas e como elas impactam na transformação digital.

Machine Learning

O conceito de Machine Learning (ou aprendizado de máquina) praticamente se confunde com o tema de "IA específico". É neste campo que os principais desenvolvimentos de IA estão acontecendo. De forma prática, "Machine Learning é a ciência de fazer com que computadores realizem ações sem programação explícita." A idéia central aqui é que os algoritmos de Machine Learning podem ser abastecidos com dados e então aprender com eles para fazer predições ou orientar decisões. Bem inteligente, não é?

Alguns exemplos de algoritmos de Machine Learning (alerta de modo nerd ligado) incluem: árvores de decisão, clustering, algoritmos genéticos, redes Bayesianas e Deep Learning.  

Deep Learning

Lembra-se quando o Google anunciou um algoritmo que encontrava vídeos de gatos no YouTube (se quiser refrescar a memória veja aqui)? Bem, isso é Deep Learning (ou aprendizado profundo): uma técnica de Machine Learning que usa redes neurais (o conceito de que neurônios podem ser simulados por unidades computacionais) para realizar tarefas de classificação (pense em classificar uma imagem em gato, cachorro ou gente, por exemplo).  

Alguns exemplos de aplicações práticas de Deep Learning: identificação de veículos, pedestres e placas para carros autônomos, reconhecimento de imagem, traduções e processamento natural de linguagem.  

Smart Data Discovery

É o próximo passo em soluções de BI (business intelligence ou inteligência de negócios). A idéia aqui é permitir a automação total do ciclo de BI: ingestão e preparação de dados, análise preditiva e de padrões e identificação de hipóteses. Veja aqui um exemplo interessante de Smart Data Discovery em ação, descobrindo o insight que nenhuma ferramenta de BI descobriu.  

Análise Preditiva

Sabe quando você vai contratar o seguro do carro e o corretor faz uma série de perguntas? Estas perguntas estão associadas a variáveis que influenciam o seu risco. Por trás delas existe um modelo preditivo que informa a probabilidade de um sinistro a partir da sua idade, CEP, sexo, marca do carro etc. É o mesmo princípio de modelos preditivos de crédito que são usados para identificar bons e maus pagadores. Portanto, o conceito central de análise (ou modelagem) preditiva é que um monte de variáveis (renda, cep, idade etc) associadas a resultados (ex.: bom ou mau pagador) podem ser usadas para construir um modelo que fornece um score (número entre 0 e 1) que representa a probabilidade de um evento (ex.: pagar, churn, sinistro etc).

Os casos de uso em empresas são vastos: modelagem de crédito, modelos de segmentação de clientes (clustering), modelos de propensão a compra, modelos de churn dentre outros.  

4. Exemplos de Inteligência Artificial em Empresas

"Parece interessante, mas o que IA vai nos dar que ainda não temos?"

Existem diversas aplicações de IA para empresas. Aqui neste post vamos nos concentrar em um aspecto fundamental: o cliente. IA está transformando as expectativas dos clientes. Pense no consumidor que gerencia a sua vida a partir de aplicativos como Uber, Google e Amazon. Estes consumidores sabem que as empresas têm dados sobre eles e, mais importante, sabem o que as empresas podem fazer com estes dados para fornecer uma experiência excepcional de atendimento. Os millennials, por exemplo, são obcecados pela experiência de atendimento (dica: tudo tem que ser fácil, rápido e inteligente).  

Listamos aqui alguns exemplos práticos de como IA já está transformando processos de negócios.

Inteligência Artificial para Vendas

IA dará maior produtividade aos times de vendas permitindo mais foco naquelas oportunidades que realmente têm chance de fechar, além de economizar tempo do vendedor em registrar informações. Veja alguns exemplos:

• Capturar automaticamente atividades de vendas e assim evitar que o vendedor tenha que gastar seu tempo preenchendo o CRM.

• Registrar automaticamente dados de clientes, por exemplo, registros de navegação em website, ligações e outros.

• Sugerir a melhor próxima ação e recomendar respostas de email por meio do cruzamento de informações do CRM com o Inbox.

• Scoring preditivo de leads: usando análise preditiva o sistema poderá indicar qual a probabilidade de que um lead converterá em venda. Mais interessante ainda, o sistema indicará por que chegou a este score (ex.: canal de entrada do lead, indústria etc). O Salesforce Einstein, por exemplo, terá a funcionalidade de scoring preditivo de leads.

Inteligência Artificial para Atendimento ao Cliente

• Classificação automática de casos de atendimento evitando assim a dependência do julgamento do agente de atendimento e economizando tempo do agente.

• Roteamento automático de casos. Uma vez que o chamado é classificado automaticamente, o sistema pode já encaminhar ao agente mais qualificado para determinado tipo de problema.

• Recomendação de soluções e artigos de conhecimento. Isso aumenta a produtividade e a qualidade de um atendimento ao sugerir qual a solução com maior probabilidade de resolver o problema do cliente.

• Comunidades de auto-atendimento. As pesquisas mostram que a geração atual de consumidores prefere auto-atendimento (ex.: portal do cliente ou app) do que ter que ligar para uma central de atendimento. Com IA, as comunidades de atendimento ficarão mais inteligentes, por exemplo, personalizando o ambiente conforme o cliente e sugerindo automaticamente soluções -- por exemplo, usando reconhecimento de imagem para identificar o produto que está em uma foto tirada pelo cliente.

• Chatbots que permitem por exemplo que o cliente troque mensagens de texto para fazer uma abertura de chamado. Se quiser saber mais sobre bots, veja o item 1 deste post.   

Inteligência Artificial para Marketing

Marketing é uma disciplina que vem se tornando cada vez mais analítica e quantitativa ao longo dos anos. Várias técnicas de IA e Análise Preditiva encontram suas principais aplicações em Marketing, por exemplo: modelagem preditiva de churn de clientes, modelos de propensão a compra e clustering para segmentação de clientes.

Aqui vamos tratar de algumas novidades de IA para Marketing, em específico algumas funcionalidades do Marketing Cloud Einstein.

• Predictive Scoring para Emails: permitindo que profissionais de marketing digital saibam antes de lançar uma campanha de email marketing qual a probabilidade de que os clientes respondam àquela campanha ou façam opt-out.  O objetivo aqui é antecipar a resposta do cliente para entregar jornadas realmente personalizadas.

• Predictive Audiences: com base no score preditivo, será possível segmentar melhor a sua base de clientes e prospects com base no comportamento preditivo, agrupando pessoas que tenham pontos em comum. Quanto melhor a segmentação, melhor a conversão.

• Otimização do horário de envio: é melhor disparar a campanha na 2a f à tarde ou na 4a f de manhã? Com a otimização de horário de envio o algoritmo de IA irá informar em qual momento cada contato da sua base é mais propenso a abrir um email e engajar com a sua campanha.

A Inteligência Artificial está transformando as nossas vidas e rapidamente revolucionará a forma de trabalharmos.

Quer saber mais? Veja o eBook Inteligência Artificial para CRM: um guia prático de tudo o que você precisa saber.

Os direitos de ALBERT EINSTEIN são usados com permissão da Hebrew University de Jerusalém. Representada exclusivamente pela Greenlight.