Soluções de machine learning ganham destaque durante pandemia

A AWS realizou na última terça-feira (29) o AWS Summit Online, evento no qual a marca apresentou à região das Américas desenvolvimentos de suas próprias tecnologias e – com foco em machine learning – casos de uso regionais. A primeira parte da apresentação contou com a presença de Werner Vogels, Werner Vogels, CTO da Amazon, e Swami Sivasubramanian, VP de Inteligência Artificial e Machine Learning da AWS.  

Dentre as iniciativas criadas pela empresa de nuvem, Vogels ressaltou o AWS Cloud Development Kit (CDK), lançado em julho de 2019 e que, segundo o executivo, auxiliou de forma significativa o trabalho de empresas que precisaram acelerar projetos de entrada na nuvem por conta da pandemia. 

“[O CDK]  Funciona como uma estrutura para todo o desenvolvimento na nuvem, permitindo que os desenvolvedores provisionem uma arquitetura usando a linguagem de programação IDE e um workflow que eles já conhecem”, explicou Vogels, informando que a o kit de desenvolvimento já conta com colaboração de mais de 400 funcionários da companhia e 700 contribuidores externos, recebendo mais de 150 mil downloads por semana durante o mês de setembro. 

Machine learning pelo mundo 

Sivasubramanian focou em casos de estudos de instituições públicas e privadas que utilizaram soluções de machine learning para comportar a onda de atendimentos digitais gerada pela Covid-19. Dentro da esfera pública, o executivo mencionou a parceria com o órgão equivalente à Secretaria do Trabalho do estado de Rhode Island, que utilizou a tecnologia para suprir a demanda de atendimento que cresceu em dez vezes, por conta dos cidadãos que solicitaram o auxílio emergencial americano. 

“Em 19 de abril, quando o processo de implementação [da tecnologia de machine learning] ficou pronto, o departamento era capaz de comportar 1 mil ligações simultâneas por minuto, contra 74 suportadas no sistema antigo”, explica. 

Já na esfera privada, nome indiano citou o trabalho realizado pela fintech Kabbage, que com soluções como o Fraud Detector (lançado no ano passado) e uso de outros recursos de machine learning, conseguia acelerar o processo de aprovação de empréstimos para PMEs, obtendo um parecer quatro horas após a solicitação. 

Catálogo inteligente 

Em um evento reservado para jornalistas, foram apresentados os casos de uso da rede varejista Arezzo&Co e do aplicativo de entrega iFood, que utilizam as soluções de machine learning da companhia dentro de suas estratégias de transformação digital. 

As iniciativas da Arezzo, que também foi vencedora de uma das categorias da premiação ‘As 100+ Inovadoras no uso de TI’, envolveram a realização de três grandes casos de uso, de acordo com Cleber Fonseca  Pinto, Head  de  BI,  SEO  &  Digital Analytics da marca. 

O primeiro foi o uso de machine learning para desenvolver um sistema que usava 13 atributos para classificar os objetos vendidos pela companhia; o segundo foi o desenvolvimento de uma ferramenta que analisava o potencial de venda de um novo produto, com base nas opçõessimilares que a marca já disponibilizava em seu catálogo; e o último trata-se de um sistema que analisa aspectos como periodicidade de compra e tiquete médio para avaliar a probabilidade de perdas de clientes — e investir em ações de fidelização de forma mais personalizada. 

Além da otimização do trabalho, o executivo da varejista ressalta o aumento na qualidade das avaliações geradas atualmente. “Existia
um grau de assertividade do ser humano de 80%, que ainda passava por
uma segunda curadoria para validar as classificações. Através do
algoritmo de IA e machine learning, a gente conseguiu chegar em um algoritmo que começou apontando em 80% e hoje chega em quase 95% de assertividade” 

Viagens aprimoradas 

Já na startup de entregas, que processa mais de 39 milhões de pedidos ao mês, o uso do aprendizado de máquina foi aplicado para auxiliar tanto os entregadores como restaurantes parceiros.  

Sandor Caetano, Chief Data Scientist do iFood, explica que a empresa utiliza diversos modelos para otimizar o trabalho dos entregadores, com destaque para um que, ao analisar o tempo médio de preparação de um prato específico, só avisa o entregador quando a refeição está perto de ser terminada, para que ele não perca tempo esperando o preparo e possa, nesse meio tempo, até realizar outra entrega.

“Tudo isso tem um efeito em cadeia que faz com que eu consiga entregar mais rápido e com menos escassez de entregadores, porque eles não estão parados na porta do restaurante esperando.” 

Outro projeto de machine learning que melhorou de forma significativa a logística de entrega de pedidos foi um simulador de rotas, que executa dentro do sistema algumas hipóteses (como chuva ou falta de entregadores) para treinar o algoritmo a mudar seu padrão de comportamento em situações atípicas. 

Por fim, Caetano cita outro modelo que leva em conta o posicionamento do motorista para decidir se vale mais a pena deslocar um entregador por uma grande distância para pegar um pedido ou aguardar que o parceiro mais próximo termine a corrida atual e assuma o pedido que está em aberto. 

Com esses ajustes, o SLA da companhia (métrica usada para medir satisfação) saiu de 80% para 95%, a companhia reduziu em 12% a distância percorrida pelos entregadores e o tempo ocioso dos profissionais caiu, na média, em 50% .“É só o começo”, afirma o profissional “Estamos só há dois anos dentro desse formato e já com algumas dezenas de modelos de operação”. 

Infoeconomico

Fonte: Computer Word