Com assistente virtual, UOL DIVEO reduz em 40% tempo de resolução de chamados

Empresa iniciou uso da solução há três meses

UOL DIVEO criou uma ferramenta de atendimento para aumentar a eficiência e a agilidade do atendimento a clientes. Com a UOL DIVEO Message Automation (UMA), a empresa reduziu em 40% o tempo médio de resolução de chamados, nos três primeiros meses de uso.

Baseado em inteligência artificial, a ferramenta foi implementada na operação da companhia e é um exemplo prático da filosofia de que, antes de ser um fornecedor, a empresa deve ser consumidora e implementar as soluções internamente.

Edward Monteiro, diretor de operações do UOL DIVEO, comenta que a UMA surgiu do empenho para agregar valor na operação de atendimento e conseguir aumentar a efetividade do trabalho, sempre com a preocupação de evoluir também na agilidade, melhorando a experiência do cliente. “Em três meses de aplicação, já observamos nitidamente os excelentes resultados e o cumprimento de todos esses objetivos. Os relatórios indicam que hoje temos uma efetividade de comunicação 60% maior para acionar equipes resolvedoras para atuação em crise”, destaca.

“A inteligência artificial da ferramenta é uma importante aliada, que reduz os esforços do time no escalonamento de atividades e assim permite que se dediquem a funções técnicas, proporcionando um serviço de mais qualidade.”

Como funciona

No primeiro estágio do atendimento, a UMA atua como uma ferramenta de chatbot. De forma ágil e segura, as informações coletadas nesse contato são transferidas a um grupo de mensagens instantâneas acessado pela equipe de Service Desk, que assim consegue visualizar o status de cada chamado e atendê-los de acordo com as ordens prioritárias.

Monteiro explica também que a solução permite aproveitar o melhor das qualidades dos robôs e dos humanos. “Automatizando processos extremamente trabalhosos, ganhamos muito tempo e assertividade, pois temos pleno controle de todos os chamados, além de conseguirmos reunir indicativos claros sobre prazos e o andamento de cada operação. Em soma a isso, os profissionais capacitados da nossa equipe conseguem concentrar seus esforços em realizar atividades que agregam mais valor, como o atendimento técnico voltado a compreender as necessidades específicas de cada demanda. O trabalho foi otimizado, ganhamos rapidez e desenvolvemos uma célula técnica de atendimento que é um importante diferencial no serviço de gestão para clientes”, completa. 

O desenvolvimento da ferramenta iniciou no setor de operações do UOL DIVEO e hoje é um dos projetos assumidos pela nova área de Inovação, criada no fim de 2017, sob comando do Head Alexis Rockenbach. Com foco em adotar soluções que disseminem a cultura do “ágil” e simplifiquem processos, a nova área tem como base quatro pilares principais: big data & analytics, internet das coisas, machine learning/inteligência artificial e jornada de nuvem/transformação digital.

 

Fonte: Computer Word

Veja como o machine learning pode ajudar a roteirizar as entregas do e-commerce

O aprendizado de máquina vem se apresentando como a solução ideal para uma série de gargalos no desenvolvimento de produtos e serviços, antes considerados pelo mercado impossíveis de serem colocados em prática. Há menos de dez anos, praticamente não existiam casos de sucesso de aplicativos baseados em aprendizado de máquina; hoje, em contrapartida, é difícil encontrar um aplicativo que não utilize esse recurso.

Até 2018, segundo o IDC, mais de 50% das equipes de desenvolvimento vão incorporar serviços cognitivos em seus aplicativos, gerando uma economia de mais de US$ 60 bilhões até 2020. Segundo a consultoria, a adoção de sistemas cognitivos e inteligência artificial em diversas indústrias deverá gerar receita anual de US$ 47 bilhões em 2020.

Junto com uma estratégia de big data, machine learning é responsável por otimizar ações, interagir com os clientes e, claro, impulsionar vendas. Os modelos preditivos de hoje são capazes de compreender o lado crítico de cada operação por meio do software e fazer com que as organizações tenham insights significativos para a tomada de decisão.

 

Roteirizando as entregas com o machine learning

As empresas de e-commerce estão cada vez mais investindo em serviços diferenciados de entrega. É comum que o próprio consumidor determine o prazo de recebimento de sua compra, mediante um pagamento menor ou maior, dependendo do tempo que está disposto a esperar para receber o produto. Da mesma forma, uma rota inteligente pode reduzir os prazos e os preços do frete, fazendo com que o consumidor desfrute de uma experiência surpreendente.

Com base na experiência de informações disponibilizadas pelos demais sistemas da empresa, o recurso do machine learning é capaz de planejar e roteirizar suas entregas com mais exatidão, rapidez e custo reduzido, respeitando as restrições de circulação e levando em conta outras variáveis.

As entregas podem, por exemplo, se valer de machine learning para consolidar pedidos de diversas lojas nos centros de distribuição, para reduzir distâncias, concluir as entregas mais rápido ou otimizar quantidade de veículo e comprimir os custos. Além disso, o tempo todo o sistema está aprendendo com as próprias decisões, sugerindo cada vez melhores escolhas.

Além disso, é possível monitorar a performance dos motoristas que realizam diariamente as entregas, em tempo real, permitindo que eles tenham em mãos informações detalhadas sobre seu plano diário de entregas e que eles recebam as entregas emergenciais a tempo de se adaptarem a novas rotas. Outra vantagem é contar com estatísticas e indicadores sobre as entregas e a performance da equipe de motoristas e seus ajudantes.

Esse é o caminho direto para a inovação, porque proporciona aos negócios a vantagem de descobrir padrões e tendências de conjuntos de dados e automatizar análises realizadas tradicionalmente por pessoas, para aprender com as interações relacionadas a negócios e fornecer respostas baseadas em evidências.

 

Roteirização inteligente na prática

Há sete anos, a empresa de logística UPS começou a testar o projeto ORION (On-Road Integration Optimization and Navigation), tecnologia cujo objetivo era otimizar as rotas de entrega. A iniciativa ocorreu porque os motoristas da empresa faziam, em média, 120 entregas por dia.

Ao cruzar os dados dos sensores nos veículos, requisitos das encomendas dos clientes e dados de mapas e geolocalização, a UPS reduziu em 85 milhões o número de milhas percorridas por ano. Além do aumento de qualidade de vida para os funcionários, a medida proporcionou uma economia expressiva de combustível.

Tais resultados só foram possíveis graças à estratégia de Big Data, aliada ao machine learning.

 

Principais benefícios do machine learning na roteirização

Além de sequenciar as visitas de modo mais inteligente, a roteirização otimiza o carregamento dos veículos levando em consideração suas limitações de peso, cubagem e qualquer outra restrição. Reduz horas extras dos funcionários e o tempo investido no atendimento aos clientes.

Entre os principais benefícios, podemos citar a melhor eficiência nas entregas, mapeamento e localização de todos os motoristas em rota, comparativo entre rota definida e rota realizada, padronização dos processos, controle de riscos, acompanhamento dos roteiros diários e suas entregas, entre outros.

As empresas que não conseguirem adotar o machine learning para o desenvolvimento de produtos ou para as operações comerciais correm o risco de ficar para trás na próxima década.

Basta lembrar que, segundo o McKinsey Global Institute, a Inteligência Artificial, que inclui qualquer tecnologia em que uma máquina pode imitar o comportamento da mente humana, como o machine learning, atraiu três vezes mais investimentos em 2016 – entre US$ 26 bilhões e US $ 39 bilhões – do que nos três anos anteriores. Vale a pena ficar atento para não perder essa carona!

 

Saiba mais sobre video-analytics no combate à prevenção de perdas

Na contramão do restante do mundo, o Brasil continua registrando índices assustadores de perdas no varejo. De acordo com o Barômetro Global do Furto no Varejo, realizado pelo The Smart Cube, as perdas vêm decrescendo em países da Europa e dos EUA, com o passar dos anos – em 2012, elas foram de 1,36% e em 2014, o número baixou para 1,23%.

Entretanto, aqui no Brasil, uma pesquisa do Ibevar (Instituto Brasileiro de Executivos de Varejo & Mercado de Consumo) apontou que os índices de perdas não param de subir, batendo a marca de 2,89% em 2016.

Uma das razões é atribuída à cultura de prevenção, disseminada somente entre as empresas de grande porte. E ainda assim, aquelas que conseguem obter redução da perda, passam a considerar que já não possuem mais o problema e deixam de investir em procedimentos de prevenção.

Além disso, o índice de perdas histórico no Brasil justifica-se porque mesmo com a profissionalização dos últimos anos, a maior parte do varejo ainda não despertou para a importância de contar com uma área estratégica de proteção às perdas.

 

Principais causas de perdas nos supermercados

Fonte: Ibevar (Instituto Brasileiro de Executivos de Varejo & Mercado de Consumo)

 

Evolução do processamento de imagens

Todos os recursos disponíveis para as companhias de varejo no exterior estão também à disposição das organizações brasileiras. Recentemente, o processamento de imagens que já era utilizado para a prevenção de perdas no varejo ganhou mais valor agregado, com a utilização da plataforma de IoT. É o chamados vídeo-analytics.

Estas soluções que chegaram há pouco tempo no país, trazendo consigo ganhos decorrentes da inteligência embarcada, e a partir de regras de negócio bem definidas, reduzem o risco de erros humanos e aumentam a probabilidade de acerto nas decisões.

Tradicionalmente, o setor já optava pelas imagens capturadas pelas câmeras de CFTV, transmitidas e monitoradas, em tempo real, e gravadas para permitir a sua utilização em momento posterior.

Esta prática ganhou inteligência com as soluções de Video-Analytics, plenamente capazes de mapear um ser humano e individualizar essa pessoa. Isso pode ser feito sem que seja necessário usar dispositivos móveis, mas sim a partir da análise das imagens em vídeo do indivíduo.

Para dar um exemplo real do que é possível fazer, as soluções de vídeo-analytics podem ser capazes de detectar o número de carros que passam numa estrada e, ao mesmo tempo, calcular estatísticas organizadas por cor, modelo e placa dos veículos monitorados. Em alguns casos, será a tecnologia RFID que irá identificar as características dos carros em questão. Traga isso para a realidade do varejo e imagine a aplicabilidade desta solução!

É possível identificar as pessoas, individualizá-las, definir sexo, idade estimada, estado de humor e, a partir daí, cruzar esses dados com o perfil da pessoa nas redes sociais e passar a acompanhar o comportamento, onde quer que ela esteja. Este sensor de pessoas era, no passado, definido pelo aparelho móvel do usuário, fosse o celular, o tablet, etc.

As tecnologias disponíveis atualmente em CFTV permitem um grande suporte nos processos de segurança de empresas de todos os setores, possibilitando também a redução de custos, dos índices de perdas, com a substituição parcial, e em alguns casos, total, da presença do elemento humano em muitas áreas.

 

A Internet das Coisas como aliada na prevenção de perdas

De acordo com o IDC, os projetos de IoT vão movimentar US$ 8 bilhões no Brasil em 2018, um crescimento de mais de 14% na comparação com 2017. As iniciativas das empresas vão representar a maior parte dos recursos aplicados, impulsionadas, principalmente pelo Plano Nacional de Internet das Coisas.

À medida que a oportunidade no setor de IoT continua a aumentar, empresas de todo o mundo procuram uma maneira de colocar seus projetos em prática, afinal, a fase de descoberta acabou e a implantação está a caminho.

Por isso, esteja atento às novidades e as utilize em seu favor, afinal, as perdas não podem continuar a crescer.

 

O que o cliente sente quando está dentro da sua loja?

Considerada um dos pilares de tecnologia fundamentais para a transformação digital, a inteligência artificial levou a TI a um patamar que ninguém esperava que ocorresse ainda nesta década: estamos nos beneficiando da capacidade das máquinas que estão sendo programadas para pensarem como seres humanos, de terem o poder de aprender, raciocinar e decidir de forma racional.

A Inteligência Artificial vem sendo aplicada em diversos setores para finalidades diversas. No varejo, uma utilização interessante é para monitorar o humor dos clientes dentro das lojas. Um levantamento realizado pela consultoria Markets and Markets observou que as tecnologias voltadas para o reconhecimento da emoção já foram adotadas amplamente em muitas empresas de diversos setores, em todo mundo. Há ainda uma crescente demanda para o software de extração de recursos faciais.

Segundo o relatório, o mercado global de computação afetiva passará de US$ 12,2 bilhões em 2016 para US$ 53,98 bilhões em 2021.

Descobrir o que uma pessoa estava sentindo parecia ser algo impossível de acontecer, mas isso é real. Pesquisadores do Instituto de Ciência da Computação de Massachusetts e do Laboratório de Inteligência Artificial se uniram e decidiram criar um dispositivo capaz de detectar emoções por frequência de rádio.

Tudo funciona a partir dos roteadores e mede as ondas emitidas e rebatidas pelo corpo, coletando informações dos sinais vitais como batimento e respiração e, reconhecendo o estado emocional da pessoa no mesmo momento, por meio de inteligência artificial.

 

Realidade que pode ser usada hoje mesmo

A Inteligência Artificial utiliza algoritmos para analisar a justaposição dos músculos da face e, dessa forma, inferir sobre o estado emocional da pessoa.

O rosto humano tem cerca de 45 músculos faciais e, quando eles se contraem, convertem-se em movimentos que são reconhecidos por esses algoritmos. Quando uma pessoa comprime as sobrancelhas, o algoritmo procura identificar as suas rugas.

E quando uma pessoa sorri, o algoritmo está procurando identificar se o formato da sua boca mudou e se os dentes estão a mostra.

Os avanços no uso de inteligência artificial nos últimos anos permitem que com poucas linhas de comando ter à disposição essa tecnologia à valores que permitem uma adoção massiva deste tipo de iniciativa.

 

 

Inteligência artificial no varejo: conheça o case Magazine Luiza

Aqui no Brasil, existem grandes varejistas que já fazem uso desta tendência. Um exemplo é o Magazine Luiza, que buscou melhorar o seu desempenho de clientes e conversão com inteligência artificial ao criar uma lista com algumas semelhanças com seus melhores (e já conhecidos) clientes.

Neste caso, a I.A. buscou audiências similares e o resultado foi expressivo, uma vez que trouxeram pessoas parecidas com os consumidores e alguns deles realmente consumiram os produtos.

Outro exemplo foi referente a missão de impulsionar o aplicativo do varejista. O Magazine optou pela tecnologia de machine learning para divulgar o aplicativo no canal com melhor desempenho.

Além do Magazine Luiza ter alcançado sua meta, reduziram os custos em 30%.

 

 

Pão de Açúcar utiliza I.A. aliada aos programas de fidelidade

A análise das informações de mais de 13 milhões de clientes cadastrados permite segmentar a oferta de descontos com ajuda dos algoritmos, que permitem saber a forma como o cliente compra.

Sabendo que ele quer um desconto, a empresa deixou de oferecer esta vantagem de forma massiva para chegar ao consumidor de maneira mais exclusiva.

Os dados dos programas de fidelidade foram abertos aos fabricantes, que começaram a fazer ofertas diretas ao cliente por meio do aplicativo do Pão de Açúcar. São três categorias de descontos. Uma válida para todos os clientes cadastrados no plano de fidelidade; outra tem produtos que o cliente já comprou; e uma terceira é relacionada aos seus hábitos.

Por exemplo, se ele já comprou carvão e cerveja, a análise dos dados entende que ele costuma fazer churrascos, e aí vai fazer uma oferta de carne. O aplicativo já soma mais de dois milhões de downloads, o que mostra que a adesão, tanto por parte dos clientes como dos fornecedores, foi grande — a expectativa era atingir esse número só no fim deste ano.

 

Inteligência Artificial e o monitoramento do humor

A aplicações de IA e Customer Experience Analytics das lojas físicas ganham força e apresentam resultados consistentes com o uso de sistemas de câmeras específicos ou até mesmo por meio das próprias câmeras de segurança (CFTV) já instaladas nas lojas. Assim, é possível monitorar e estudar o comportamento dos consumidores e melhorar a performance de vendas da seguinte forma:

Avaliando o humor dos clientes ao ver uma vitrine e a respectiva taxa de conversão

Desta forma, ao identificar clientes incomodados numa fila, é possível avisar ao gerente, para que ele autorize a abertura de um novo caixa, acelerando o atendimento.

Analisando as curvas de calor ou os locais mais frequentados da loja

Com este dado, é possível reposicionar produtos com maior margem, aumentando a lucratividade.

Medindo a quantidade de clientes em uma determinada região da loja e o respectivo engajamento dos vendedores para com eles 

Assim é possível informar ao gerente, em tempo real, a necessidade de alocar mais funcionários naquela região ou, simplesmente, que ele cobre mais empenho da sua equipe.

 

Nesse momento, existem muitas empresas pensando em projetos de IA dentro de suas lojas. Hoje há muitos casos de sucesso de organizações que melhoraram amplamente a experiência das pessoas com o emprego desta tecnologia para esta finalidade. Colocamos a sua disposição os maiores especialistas no assunto para discutir seus desafios e compartilhar experiências que já vivenciamos.

 

Omnichannel 2018: 4 tendências para priorizar

Omnichannel 2018: 4 tendências para priorizar

Com a retomada do crescimento da economia, muitos varejistas estão colocando de volta à mesa projetos que estavam parados desde 2015, no auge da crise.

O crescimento esperado traz consigo a necessidade de investimentos em novas tecnologias no setor. De acordo com o levantamento Worldwide Retail 2018 Predictions (Previsões para o Varejo em 2018) realizado pela IDC (Internacional Data Corporation), a construção de novas plataformas adaptáveis e o uso do omnichannel estão entre as prioridades dos gestores de TI deste segmento.

Além disso, experiências envolvendo Inteligência Artificial (AI), realidade aumentada, conectividade e aplicativos baseados em microsserviços também são tecnologias que estarão presentes no varejo e que até 2021 terão sido adotadas no comércio e serviços.

Segundo a IDC, até 2019, 50% dos varejistas terão adotado uma plataforma omnichannel, que permitirá um aumento de até 30% na rentabilidade do multicanal.

 

Confira as principais estratégias omnichannel consideradas tendências para o próximo ano:

1) Assistentes digitais

Esqueça a cadeia de valor tradicional; Linear. As empresas devem se organizar cada vez mais como redes em torno dos clientes, oferecendo vários canais e interfaces voltados à geração de valor. No fim, o cliente estará cada vez mais no controle.

Segundo o Total Retail 2017, tradicional estudo desenvolvido pela PWC, cerca de 88% dos brasileiros avaliaram que a questão mais importante do atendimento recebido na loja física é poder contar com vendedores que conhecem profundamente os produtos oferecidos. Porém, somente 56% dos brasileiros estão satisfeitos com o atendimento recebido.

A insatisfação do consumidor abre caminho para as assistentes digitais. De acordo com a IDC, em 2021, 10% das vendas serão criadas e gerenciadas por meio de assistentes digitais habilitados para voz.

Neste caso, a assistente ‘recepciona’ seus clientes quando chegam ao e-commerce para entender o que eles buscam através de perguntas e respostas.

Com isto, apresentam ofertas para o tipo de necessidade e preferências do consumidor e conduzir o contato com o cliente até efetiva compra compra do produto ou serviço.

Muito semelhante ao papel do vendedor em uma loja física e com um diferencial de ter acesso a bases de dados da empresa durante o atendimento para levantamento de informações e um atendimento, às vezes, até mais personalizado.

 

2) Beacons e comportamento do consumidor

É a hora e a vez dos beacons! Essa tecnologia de rastreamento inteligente que permite monitorar os consumidores de forma não invasiva, para que se entenda melhor seu comportamento de compra dentro da loja física é tendência em todo o mundo e deverá estar cada vez mais presente no Brasil.

Pelo lado do cliente, entrar em um estabelecimento e receber promoções personalizadas, Informações de acordo com os seus interesses e microlocalização potencializam ainda mais o uso e a quantidade de informações captadas.

Mas há um detalhe ainda menosprezado: muitas vezes o consumidor inicia suas pesquisas na Internet e relacionar o comportamento na loja virtual com a loja física pode transformar o entendimento do cliente e levar a fidelidade e share of wallet a outro nível.

 

3) Compre em qualquer lugar e retire onde quiser

Integrar o atendimento de todos os canais da marca não é fácil. Mas é isso que o consumidor busca cada vez mais.

Já há alguns anos, grandes redes norte-americanas como Best Buy, Sears, Walmart, Macy’s e Container Store estão fazendo de suas lojas físicas locais para retirada de produtos comprados online. Aqui no Brasil, esta iniciativa é uma tendência já adotada por grandes varejistas, como Decathlon, Centauro, Carrefour, entre outros. Esta opção é ideal para os artigos maiores, que não podem ser incluídos nas promoções de frete gratuito. Ou ainda para os clientes que estão com pressa e não desejam esperar vários dias pelo frete.

Além de reduzir os índices de abandono do carrinho por causa do valor alto do frete, oferecer a opção de retirar os produtos na loja física aumenta a satisfação dos clientes do site, que encontram mais alternativas às suas necessidades de tempo para recebimento do produto. De acordo com uma pesquisa do Euro IT Group, consumidores que acessam mais de um canal de compra gastam três vezes mais do que um cliente comum. Isso significa que oferecer mais opções é fundamental para incrementar as vendas.

 

4) Hiper-personalização da compra

O estilo de vida móvel típico do consumidor 4.0 está aumentando as compras e os pagamentos móveis. As empresas já perceberam que os clientes estão em busca de opções novas de fazer compras com praticidade e agilidade, em todos os segmentos – de vestuário a alimentação.

Muitas iniciativas já podem ser observadas para hiper-personalizar as experiências de compra no mercado brasileiro, por meio de aplicativos com promoções especiais baseadas em histórico de pesquisas e de compras na loja.

É o caso dos beacons, pequenos dispositivos que utilizam tecnologia bluetooth e dados detalhados do cliente para enviar mensagens de marketing relevantes aos telefones dos consumidores, enquanto fazem compras. Já as tags eletrônicas são instaladas em prateleiras ou produtos, fazendo uso dos mesmos dados e ficam iluminadas para chamar a atenção para os itens que provavelmente despertariam o interesse dos consumidores.

São ações interessantes que estão sendo pensadas para atrair e surpreender de forma positiva o novo consumidor, que espera uma experiência cada vez mais personalizada e exclusiva.

 

Está pronto para refinar sua estratégia de omnichannel?

 

 

Machine learning e Inteligência Artificial 5 dicas na visão de um desenvolvedor.

  1. Qual é o primeiro passo para um desenvolvedor iniciar em Inteligência Artificial e Machine Learning?

Estudar. É importante compreender fundamentalmente os algoritmos que você estará usando, caso contrário, cada método de Machine Learning é uma caixa preta. Então tente fazer projetos ML, como competições Kaggle, onde você tem uma definição clara do que você está tentando aprender – como um algoritmo específico ou kit de ferramentas. Você vai falhar, muitas vezes, mas é assim que melhor aprender ML técnicas.

 

  1. Quais são os principais processos de criação para o Machine Learning?

O primeiro e mais importante passo é entender o problema que você está tentando resolver. Quais são as entradas e saídas desejadas? Quais são os dados? Completamente compreender os dados, antes de experimentar com algoritmos. Caso contrário, você pode ter nenhuma confiança realista na qualidade do resultado ou confiabilidade. Você provavelmente também precisará pré-processar e transformar os dados, e talvez obter mais dados. O próximo passo no processo ML é considerar os algoritmos e métodos que você tem à sua disposição. Para os algoritmos que são adequados para o seu problema e dados, existem muitos critérios a considerar, tais como fiabilidade, eficiência, escalabilidade, e assim por diante.

 

Os principais pontos são:

  • Defina o problema;
  • Analisar e preparar os dados;
  • Selecionar algoritmos;
  • Execute e avalie os algoritmos;
  • Melhore os resultados com experimentos focalizados;
  • Finalizar resultados com ajuste fino.

 

  1. Quais são as melhores ferramentas ou plataformas de machine learning para desenvolvedores?

Isso realmente depende de quais problemas você está tentando resolver, especificamente os dados que você está lidando. Dito isto, open-source reina supremo. Existem muitos kits de ferramentas de alta qualidade e de código aberto para aprendizado de máquinas para que os desenvolvedores aproveitem e as comunidades são ativas e úteis. No mundo Python, eu realmente gosto Scikit-learn para a sua ampla gama de aprendizagem de máquinas e ferramentas de análise de dados. Pela mesma razão que eu gosto mlpack para C + + desenvolvedores. O NLTK é um go to para métodos e dados de processamento de linguagem natural (PNL), embora os pacotes de aprendizagem profunda implementem algoritmos de PNL de alta qualidade. Se você está tentando fazer análises de streaming, NuPIC é melhor. É o estado da arte da AI, com um incrível repositório e comunidade, e implementado em Python, C ++, Java e Flink. Especificamente para aprendizagem profunda, estamos vendo um monte de estruturas boas e rápidas: confira Theano, Neon ou TensorFlow do Google. Em Java, eu recomendo altamente deeplearning4j.  É aprendizagem profunda de ferramentas de machine learning, escrito por alguns engenheiros muito espertos. 🙂

 

  1. Qual seria atualmente a linguagem de programação recomendada para ML para desenvolvedores?

Python, sem dúvida. A maioria dos kits de ferramentas de aprendizado e análise de dados estão em Python e tem uma comunidade enorme e útil. Os métodos avançados, como HTM e aprendizagem profunda são muitas vezes implementados em Python.

 

  1. Como o machine learning é diferente da machine intelligence?

ML está construindo sistemas de software que visam melhorar com experiência. Algoritmos de ML executam tarefas específicas e estreitas, como jogar um determinado jogo. Um exemplo é a aprendizagem profunda ou algoritmos de clustering. MI é a manifestação de software da inteligência: não a capacidade de realizar uma tarefa específica, mas sim a capacidade de descobrir a estrutura no mundo através da interação sensório-motor e, em seguida, usar esse conhecimento para atingir objetivos. Talvez uma definição mais clara de MI seja através de seus requisitos: a máquina deve aprender a partir de fluxos de dados sem rótulos, continuamente, ao fazer previsões, detectar anomalias e fazer classificação, ou seja, o que o cérebro humano faz.

 

Grande abraços e até a próxima.

Luiz Eduardo