Chris Galy, diretor de pessoal da Couchbase, explicou em um artigo que pode ser encontrado com uma rápida pesquisa no Google que nossa missão é canalizar nossa paixão para resolver problemas difíceis para que nossos clientes possam inovar e mudar o mundo.
Tudo isso parece muito empolgante, não é mesmo? Mas o que é inovação hoje? Esse é o tipo de pergunta que pode ser feita a 20 pessoas diferentes e que recebe 20 respostas diferentes.
Gartner vem em nosso socorro, com seu relatório anual sobre a principais tendências tecnológicas estratégicasum quadro bastante preciso vindo diretamente dos líderes do setor. Para este artigo, li os relatórios que vão de 2018 a 2021 e, embora não vá me aprofundar nos detalhes, identifiquei quatro forças motrizes:
- Automação e aumento das operações diárias
- Operações de nuvem híbrida e integração global
- Tomada de decisão autônoma
- Impulsionar o comportamento do cliente
É justo dizer que a IA e o aprendizado de máquina podem desempenhar um papel importante no suporte a pelo menos três dessas quatro áreas. Então, vamos falar sobre a Oportunidade de IA.
A oportunidade da IA
Vamos começar com alguns números fornecidos pela McKinsey; em seu estudo "Modelagem do impacto da IA na economia mundial", eles estimam que A IA proporcionará 13 trilhões de dólares em produção econômica adicional até 2030, aumentando o PIB global em 1,2% por ano.
Se esses números não o assustam o suficiente, considere que isso significa que há 13 empresas em potencial do tamanho da Amazon ou do Google que são ainda a ser criado.
Em 2018, a Consumer Technology Association realizou um estudo sobre os benefícios obtidos pela Inteligência Artificial em empresas de varejo em todo o mundo; os três principais benefícios identificados pelos entrevistados foram:
- economia de custos
- aumento da produtividade
- aumento da receita
Talvez você queira conversar com seu amigo com formação em economia e negócios (todos nós temos uma) para confirmar como esses benefícios estão afetando diretamente os fatores críticos de lucro.
Em outros termos, A IA gera lucro.
Isso deve ser suficiente para que qualquer CTO do mundo dê o pontapé inicial nas iniciativas orientadas por IA, mas então por que há um sentimento comum de que o estado da IA não está à altura do hype?
Andrew NGO Dr. K., cofundador da Coursera, Deeplearning.ai, professor em Stanford e ex-diretor do laboratório de IA, compartilhou suas ideias sobre esse assunto em uma carta para a Harvard Business Review. Ele identificou oito motivos principais que estão impedindo as empresas de adotar a análise avançada:
- Habilidades
- Escolhendo os projetos certos
- Adesão do CEO
- Fluxos de trabalho e processos de IA
- Infraestrutura de TI
- Regulamentação
- Cultura orientada por dados
- Medo de se tornar redundante
Para o escopo do artigo de hoje, e para respeitar o tempo dos leitores, abordarei três desses componentes: projetos, medo e arquitetura.
Escolhendo os projetos certos
Como começar? Como muitas coisas na vida, começar é geralmente a etapa mais desafiadora. A Forbes compartilhou um estudo comparando a eficácia do aprendizado de máquina com a análise clássica e mostrou quatro casos de uso principais em que a IA superará o BI clássico:
- Identificação proativa de ataques
- Segmentação proativa de clientes
- Previsão de padrões de gastos
- Impulsionar a experiência e o comportamento do cliente
Como espero que você perceba, esses casos de uso são praticamente aplicáveis em todas as verticais de negócios - portanto, independentemente do seu setor, há uma oportunidade de explorar a IA.
Medo de se tornar redundante
O segundo bloqueador que vou abordar é o medo. O medo da mudança, o medo de se tornar redundante, o medo da interrupção. Vou pegar emprestadas algumas palavras de sabedoria de Ben PringDiretor de liderança de pensamento da Cognizant e autor do livro "O que fazer quando as máquinas fazem tudo".
O Sr. Pring nos mostra o que normalmente acontece quando uma invenção dá origem a uma inovação imprevista, apresentando-nos o chamado Efeito de brotamento: Edwin Budding é o inventor do cortador de grama. Quando patenteou sua invenção em 1830, ele provavelmente nunca teria imaginado como o cortador de grama serviria como um momento decisivo para o setor esportivo.
Antes do cortador de grama, não havia campos de rúgbi, campos de futebol ou quadras de tênis: o setor esportivo moderno nasceu de alguma forma com o Budding.
Em termos mais gerais, os efeitos da Budding Effects afirmam que a inovação cria a disrupçãoou um vácuo, se preferir, que traz oportunidades para aqueles dispostos a preencher essa lacuna ou atender a novas necessidades. Não se trata de uma linha de chegada, mas de um novo começo, sempre e sempre.
Ben Pring identifica a IA como o combustível subjacente da Quarta Revolução IndustrialAo fazer isso, ele prevê que alguns empregos provavelmente desaparecerão, como sempre aconteceu em qualquer Revolução Industrial, mas a quantidade geral de riqueza aumentará para a maioria das pessoas. Os empregos com transformação e os seres humanos poderão se concentrar mais naquilo que os torna especiais: intuição e criatividade.
Em outros termos, pode-se pensar que a IA dará origem a um novo Renascimento digital. Que época emocionante para se viver!
Arquiteturas de TI
Antes de começar, foi importante esboçar um plano e abordar nossas preocupações. Agora vamos nos concentrar nas ferramentas de que precisaremos.
Conforme ilustrado no diagrama abaixo, o surgimento das arquiteturas orientadas por eventos acabou nos permitindo criar um mecanismo de feedback para o aprimoramento contínuo dos serviços digitais, combinando dados e decisões orientadas por eventos.
- As decisões baseadas em dados são fundamentais para impulsionar as operações diárias dos serviços
- As decisões orientadas por eventos, por outro lado, fornecem insights sobre oportunidades desconhecidas e, portanto, impulsionam a estratégia
As organizações dispostas a liderar a Quarta Revolução Industrial precisarão de plataformas de TI capazes de fornecer dados e informações orientadas por eventos, prontas para se adaptar às demandas aceleradas dos clientes de hoje, aproveitando a escalabilidade elástica maciça fornecida por arquiteturas distribuídas e sem servidor.
Adivinhe só? O Couchbase oferece todos esses recursos e muito mais!
Uma estrutura prática para implantação de IA usando o Couchbase
Como tudo isso pode se concretizar na vida real, você pode se perguntar. Bem, nosso site oferece várias histórias de sucesso de clientes, incluindo o incrível trabalho realizado por Seenit que eu recomendo dar uma olhada aqui.
No entanto, vou orientá-lo em um caso de uso comum que surgiu muitas vezes recentemente, sobre o uso do Couchbase e da IA para melhorar a segmentação e a experiência do cliente (lembra-se das quatro forças motrizes de que falamos?).
Vamos supor que haja um aplicativo típico de central de serviços em execução no Couchbase. Em uma abordagem "tradicional", pré-AI, o diagrama de alto nível de sua implementação provavelmente terá a seguinte aparência:
O fluxo de trabalho assíncrono seria o seguinte:
- O cliente faz uma chamada
- O agente do Help Desk gerencia a chamada, coletando alguns metadados (ID do chamador, notas, etc.)
- Quando a chamada termina, as anotações dos agentes do Help Desk são armazenadas no Couchbase
- A gravação da chamada é colocada em uma solução dedicada de armazenamento de linha fria
- O URL da gravação é gravado de volta no Couchbase, no documento relacionado
Essa abordagem funciona bem porque permite tirar proveito da capacidade do Couchbase de armazenar dados de forma assíncrona, em um formato não estruturado, em uma velocidade e volume alucinantes. Em uma abordagem de BI tradicional, graças ao Escala multidimensional (MDS) você poderia estar usando mais tarde N1QL consultas, Pesquisa de texto completoou Análises sobre o cluster do Couchbase sem afetar o estado operacional do seu aplicativo de Help Desk.
E quanto à IA? Fico feliz que tenha perguntado, vamos expandir um pouco nosso fluxo de trabalho - veja o diagrama abaixo; o novo fluxo de trabalho se baseia na implementação tradicional, acrescentando a capacidade de executar modelos de aprendizado de máquina e IA para extrair a conversa real, compará-la e obter insights sobre-humanos.
A versão atualizada fluxo de trabalho assíncrono seria o seguinte:
- O cliente faz uma chamada
- O agente do Help Desk gerencia a chamada, coletando alguns metadados (ID do chamador, notas, etc.)
- Quando a chamada termina, as anotações dos agentes do Help Desk são armazenadas no Couchbase
- A gravação da chamada é colocada em uma solução dedicada de armazenamento de linha fria
- O URL da gravação é gravado de volta no Couchbase, no documento relacionado
- Um algoritmo de aprendizado de máquina é executado sobre a gravação, seja por meio de MLaaS ou de um modelo proprietário, minerando a própria gravação (preferível, pois permite capturar nuances na conversa) ou uma transcrição; além disso, lembre-se de que:
- Diferentes modelos podem ser executados para diferentes finalidades. estratégia de vários modelos
- Diferentes modelos podem ser combinados para melhorar os resultados. estratégia de liquidificador
- Os metadados gerados pelo modelo são armazenados no documento do Couchbase relacionado
- Os analistas podem então executar consultas N1QL, Full-Text Search, Analytics ou até mesmo criar acionadores de eventos com base no conjunto de dados enriquecido
- Os cientistas de dados podem obter insights aprimorados sobre a eficácia dos modelos de previsão e agir de acordo com eles;
Essa abordagem se baseia na vantagem da orquestração sobre o isolamentoIsso significa usar quantas ferramentas especializadas forem necessárias para realizar o trabalho, em vez de forçar uma abordagem do tipo "uma ferramenta para tudo", que normalmente leva a forçar uma solução a realizar um trabalho para o qual não foi projetada.
Além disso, observe como decidi executar modelos de previsão em uma abordagem reativa (na gravação da chamada), embora fosse possível executá-los de forma proativa (ou seja, em tempo real); para o propósito deste artigo, optei por manter as coisas o mais simples possível, com o objetivo de falar com um público disposto a iniciar sua jornada na análise orientada por IA.
Chamado à ação: crie uma ruptura!
Espero que você tenha gostado desta leitura, mas aqui estão mais alguns recursos para você começar:
- Identifique o caso de uso certo: isso pode ser tão simples quanto expandir um caso de uso existente para o qual você já está aproveitando o Couchbase; entre em contato com seu engenheiro de vendas para iniciar uma conversa ou confira nosso Estudos de casos de clientes;
- No entanto, muitos provedores de nuvem oferecem soluções de MLaaS democratizadas que permitirão que você comece com um orçamento limitado:
- O Google Plataforma de IA e Recursos do AutoML
- Comparação entre as ofertas da AWS, GCP e IBM - clique aqui
- Como uma alternativa ao MLaaS, aproveite o Splunk - como explicamos em nosso postagem no blog
Se tiver alguma dúvida, entre em contato conosco em info@couchbase.com
