{"id":21459,"date":"2021-01-07T16:05:08","date_gmt":"2021-01-07T16:05:08","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=21459"},"modified":"2024-09-20T17:45:38","modified_gmt":"2024-09-20T16:45:38","slug":"causal-intelligence-the-key-to-boosting-ai-performance-in-business","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/causal-intelligence-the-key-to-boosting-ai-performance-in-business\/","title":{"rendered":"Intelig\u00eancia causal: A chave para impulsionar o desempenho da IA nos neg\u00f3cios"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NOT\u00cdCIAS \/ DIGITAL<\/p>\n<\/div>

7 de janeiro de 2021
\nAs empresas est\u00e3o investindo cada vez mais em solu\u00e7\u00f5es de IA e Machine Learning que prometem automatizar os processos de neg\u00f3cios e aumentar a efici\u00eancia. Mas para obter retornos reais sobre seus investimentos em algoritmos, os l\u00edderes empresariais precisam primeiro entender as rela\u00e7\u00f5es de causa e efeito que afetam o desempenho. Essa Intelig\u00eancia Causal os ajudar\u00e1 a fortalecer seus recursos de IA e a melhorar a tomada de decis\u00f5es, diz o senhor. Siddharth Mohan, cientista s\u00eanior do Data<\/strong> em Artefact Holanda e Fran\u00e7a.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

As solu\u00e7\u00f5es de Intelig\u00eancia Artificial (IA) e Aprendizado de M\u00e1quina (ML) est\u00e3o ganhando grande for\u00e7a nas empresas. Nos \u00faltimos anos, as empresas gastaram quantias cada vez maiores de dinheiro investindo em solu\u00e7\u00f5es \u2018black-box\u2019 na esperan\u00e7a de desenvolver algoritmos de ponta que as ajudar\u00e3o a trabalhar melhor, de forma mais inteligente e eficiente.\u00a0<\/span><\/p>\n

Considere, por exemplo, o recente hype em torno do AutoML - o <\/span>Solu\u00e7\u00f5es automatizadas de aprendizado de m\u00e1quina, f\u00e1ceis de usar, com maior precis\u00e3o do que os modelos tradicionais de ML e implementa\u00e7\u00e3o mais r\u00e1pida em tempo real<\/span><\/a>. Desde que o Facebook exaltou o AutoML como a espinha dorsal de suas solu\u00e7\u00f5es de IA\/ML em abril de 2016, o Google, o Salesforce, a Amazon e a Microsoft lan\u00e7aram suas pr\u00f3prias solu\u00e7\u00f5es personalizadas de AutoML.\u00a0<\/span><\/p>\n

A principal vantagem de solu\u00e7\u00f5es como o AutoML \u00e9 \u00f3bvia: elas permitem que os usu\u00e1rios implementem rapidamente solu\u00e7\u00f5es de IA\/ML de baixo custo e prontas para a produ\u00e7\u00e3o. No entanto, assim como outros sistemas de IA \u2018caixa preta\u2019, tamb\u00e9m existem falhas significativas no uso dessas solu\u00e7\u00f5es para a tomada de decis\u00f5es automatizadas.\u00a0<\/span><\/p>\n

Esses sistemas normalmente modelam os resultados usando aprendizado de m\u00e1quina - a menos que sejam alimentados com grandes data. Eles mapeiam os recursos do usu\u00e1rio em segmentos espec\u00edficos (como estado de sa\u00fade ou situa\u00e7\u00e3o financeira, por exemplo) sem explicar o motivo.<\/span><\/p>\n

Isso \u00e9 altamente problem\u00e1tico, n\u00e3o apenas por causa da falta de transpar\u00eancia, mas porque a execu\u00e7\u00e3o desse mapeamento autom\u00e1tico de usu\u00e1rios corre o risco de alimentar o algoritmo de tomada de decis\u00e3o com poss\u00edveis vieses, herdados de preconceitos humanos e artefatos de coleta ocultos no treinamento data. Isso pode levar a decis\u00f5es injustas ou erradas.<\/span><\/p>\n

Para evitar esse problema, os tomadores de decis\u00f5es de neg\u00f3cios devem alimentar esses sistemas \u2018back-box\u2019 com conjuntos de data mais confi\u00e1veis, que podem ser refinados por meio do desenvolvimento de sua Intelig\u00eancia Causal, a compreens\u00e3o das rela\u00e7\u00f5es de causa e efeito entre o que os clientes fazem e como isso afeta seus neg\u00f3cios.\u00a0<\/span><\/p>\n

Como funciona a Intelig\u00eancia Causal<\/b><\/h4>\n

A causalidade n\u00e3o \u00e9 um conceito novo. Tradicionalmente, a causalidade tem sido inferida por meio de testes A\/B e an\u00e1lise de semelhan\u00e7a entre os grupos de teste e controle. O problema com essa abordagem, no entanto, \u00e9 que quanto maior o n\u00famero ou a complexidade das interven\u00e7\u00f5es, mais dif\u00edcil \u00e9 selecionar grupos de controle semelhantes e m\u00edmicos.\u00a0<\/span><\/p>\n

Os modelos gr\u00e1ficos causais, por outro lado (<\/span>modelos gr\u00e1ficos probabil\u00edsticos<\/span><\/a> que codificam as suposi\u00e7\u00f5es sobre o processo de gera\u00e7\u00e3o do data), <\/span>resolver esse problema. Um dos modelos gr\u00e1ficos causais mais populares \u00e9 a Rede Bayesiana. Ela se parece com uma teia de aranha ou rede de conex\u00f5es que revelam o efeito de cada vari\u00e1vel sobre as outras.<\/span><\/p>\n

\"\"<\/p>\n

(Acima: Um exemplo de rede bayesiana mostrando como v\u00e1rios fatores afetam as vendas)<\/span><\/i><\/p>\n

Para explicar como ela funciona, considere uma situa\u00e7\u00e3o em que o senhor esteja consolidando o retorno sobre o investimento em marketing. Para v\u00e1rias marcas de FMCG, considerando que a maior parte das vendas ocorre off-line, em uma loja de varejo, uma rede bayesiana pode identificar conex\u00f5es inter e intra entre esfor\u00e7os internos de marketing digital e off-line, pre\u00e7o, concorr\u00eancia, fatores externos, como mercados de commodities, e vendas off-line. Tr\u00eas tipos de insights podem ent\u00e3o ser extra\u00eddos:\u00a0<\/span><\/p>\n

1. Descritivo<\/b> (por exemplo, as avalia\u00e7\u00f5es da Amazon foram diretamente respons\u00e1veis por 10.000 euros de receita incremental).<\/span><\/p>\n

2. Preditivo<\/b> (por exemplo, investir 10% a mais em publicidade CPM pode gerar 3.000 EUR a mais de receita incremental).<\/span><\/p>\n

3. Prescritivo <\/b>(Por exemplo, com o mesmo or\u00e7amento, o Facebook pode receber um investimento 30% maior e o investimento em e-mail pode ser reduzido em 5%).<\/span><\/p>\n

Identifica\u00e7\u00e3o de rela\u00e7\u00f5es de causa e efeito<\/b><\/h4>\n

Crucialmente, a Casual Intelligence tamb\u00e9m ajuda os tomadores de decis\u00e3o a entender o \u2018porqu\u00ea\u2019 em seu data.\u00a0<\/span><\/p>\n

As rela\u00e7\u00f5es de causa e efeito podem ser mais dif\u00edceis de detectar do que o senhor imagina. Muitos analistas sup\u00f5em que uma rela\u00e7\u00e3o de causa e efeito \u00e9 quando dois fatores s\u00e3o aparentemente influenciados um pelo outro ao longo do tempo; ambos podem parecer aumentar e diminuir de maneira semelhante. Entretanto, esse \u00e9 um termo err\u00f4neo. Essas tend\u00eancias podem ser puramente coincidentes, e uma correla\u00e7\u00e3o n\u00e3o implica uma rela\u00e7\u00e3o causal. Isso \u00e9 o que os estat\u00edsticos chamam de \u2018correla\u00e7\u00e3o esp\u00faria\u2019 - ela n\u00e3o existe necessariamente.\u00a0<\/span><\/p>\n

\u00c9 f\u00e1cil cair na armadilha de identificar \u2018correla\u00e7\u00f5es esp\u00farias\u2019, e muitos tomadores de decis\u00e3o acabam tomando decis\u00f5es com base nessas suposi\u00e7\u00f5es imprecisas. Esses erros s\u00e3o t\u00e3o comuns que <\/span>O Financial Times chama as correla\u00e7\u00f5es esp\u00farias de \u201ca kryptonita\u201d da corrida de IA de Wall Street<\/span><\/a>.<\/span><\/p>\n

Entretanto, os modelos de Causal Intelligence permitem que os usu\u00e1rios determinem as rela\u00e7\u00f5es com mais precis\u00e3o. Ao entender como uma vari\u00e1vel afeta outra, os usu\u00e1rios podem ter uma compreens\u00e3o mais firme de como e por que determinados n\u00fameros ou resultados mudaram e prever (com mais precis\u00e3o) se uma correla\u00e7\u00e3o continuar\u00e1 ou permanecer\u00e1 est\u00e1tica.<\/span><\/p>\n

Aplica\u00e7\u00f5es comerciais da intelig\u00eancia causal<\/b><\/h4>\n

A necessidade de Causal Intelligence varia de acordo com o setor, a maturidade da ado\u00e7\u00e3o de IA\/ML e a quantidade de interven\u00e7\u00e3o humana que gera e valida as previs\u00f5es. No entanto, o processo pode ajudar as empresas de todos os setores a desenvolver sua compreens\u00e3o de tr\u00eas \u00e1reas principais:<\/span><\/p>\n