Inteligência Artificial aplicada ao Marketing

Conceitos como Artificial General Intelligence (AGI) ou Artificial Super Intelligence (ASI), que designam as capacidades de uma Inteligência Artificial forte (Strong AI), capaz de executar e até superar qualquer atividade intelectual humana, para já, são apenas terrenos da ficção científica.

eBook: A MarTech Stack ideal para sua empresa

Importa, então, entender, para lá das expetativas inflacionadas que a ficção tem criado, que a Inteligência Artificial nada mais é do que a replicação da capacidade cognitiva do ser humano feita pelas máquinas, isto é, pelos sistemas informáticos. Designada de Artificial Narrow Intelligence (ANI), ou Weak AI, atualmente ainda está circunscrita apenas à execução de tarefas muito específicas como jogar xadrez, reconhecer imagens ou fazer previsões sobre resultados de vendas, por exemplo.

A Inteligência Artificial (IA) pode ser usada para:

1. Assistir o ser humano a fazer certas tarefas repetitivas mais rapidamente e melhor, como são exemplo os softwares de tradução e legendagem automática ou os RPA (Robotic Process Automation) – Assisted AI.
2. Aumentar as capacidades do ser humano, como são exemplo os sistemas de previsão de churn de clientes, chat bots ou mesmo de condução autónoma no seu estado atual – Augmented AI.
3. Tomar decisões independentes do ser humano, como são exemplo os sistemas de testes adaptativos (multivariate) para otimização de websites, os motores de recomendação de produtos e conteúdos (Amazon, Spotify), ou os sistemas de trading autónomo em bolsa – Autonomous AI.

Tal como com o ser humano, o processo da inteligência começa pela captação de informação, estímulos, dados do mundo real, através dos vários sentidos, que depois no cérebro são tratados de modo a identificar padrões, criar modelos automáticos, heurísticas, que permitem entender a realidade e prever a probabilidade de acontecimentos futuros, de modo a tomar decisões com base nestes cálculos.

Lembrando uma citação atribuída a Einstein, “inteligência é a capacidade de adaptação à mudança”, a IA é, portanto, o estudo dos dispositivos computacionais que conseguem percecionar o ambiente e tomar decisões que aumentam as hipóteses de atingir com sucesso os objetivos definidos.

Máquina vs. Humano: As Diferenças

Ao falar em inteligência artificial, temos de entender que se trata sobretudo de um conceito muito abrangente que procura encapsular tudo o que são atividades feitas pelas máquinas, mas que imitam, isto é, fazem a mímica do comportamento humano. Para que estes casos de uso da inteligência artificial possam funcionar, há um conjunto de algoritmos de Machine Learning (ML) capazes de processar, decidir e aprender a partir da análise de grandes conjuntos de dados (Big Data).

Ao contrário da programação com base em regras lógicas pré-definidas por seres humanos, os algoritmos de Aprendizado de Máquinas conseguem automaticamente:

1. Descobrir – detetar quais os atributos com maior poder preditivo sobre um determinado resultado.
2. Decidir – inferir regras a partir dos dados, balancear atributos e sugerir o melhor conjunto de ações a tomar.
3. Rever – alterar as regras existentes sobre os atributos e seus pesos relativos.

De um modo geral podemos subdividir as várias abordagens de Machine Learning em função dos objetivos que se pretende atingir e dos métodos usados para que isso aconteça.

Aprendizagem Supervisionada vs. Aprendizagem Não Supervisionada

Estamos perante Aprendizagem Supervisionada, quando temos um objetivo ou tarefa claramente definida e queremos, de um modo geral:

1. fazer previsões de um determinado resultado como o volume de vendas, preços, procura, etc., usando regressões lineares ou logísticas, por exemplo.
2. fazer previsões binárias que indiquem qual a probabilidade de alguém estar ou não doente, de um email ser ou não spam, de um cliente entrar em incumprimento de crédito, de deixar de ser cliente ou não, etc., usando algoritmos de classificação.

Aprendizagem não supervisionada acontece quando não temos um objetivo claro, ou uma variável clara a trabalhar e queremos explorar os dados, de modo:

1. A identificar conjuntos de dados que tenham características próximas (clustering) para segmentação de clientes e potenciais clientes, por exemplo;
2. Ou de modo a processar um conjunto enorme de dados muito rapidamente e em tempo real, para conseguir obter recomendações de filmes na Netflix, ou para fazer análise de sentimento nas redes sociais, por exemplo, usando para isso técnicas de redução da dimensionalidade.

Aprendizagem por reforço acontece quando damos à máquina um objetivo a atingir e esta faz as mudanças que melhoram a capacidade de atingir esse objetivo, aprendendo com as respostas que vai obtendo em tempo real do ambiente externo. Exemplos destes tipos de objetivos podem ser o melhorar a escrita dos títulos de um email ou otimizar a audiência de um anúncio de Facebook para aumentar as conversões.

Deep Learning: O que é?

A categoria de ML que tem vindo a ter uma preponderância crescente na evolução da IA, pelo impacto acelerado e precisão dos resultados que se conseguem obter, é o Deep Learning. Esta tipologia de ML usa sobretudo redes neuronais, as quais recorrem a mecanismos de funcionamento semelhantes aos do cérebro humano, construindo sucessivamente representações abstratas de um conjunto de dados, separando esses mesmos dados em diferentes camadas de abstração ou de transformação, para depois procurar padrões e desenvolver uma compreensão sobre determinada questão ou produzir os resultados esperados.

Os mecanismos autónomos de scoring de leads ou de definição de preços de um produto ou serviço, como é o caso dos bilhetes de viagens aéreas, são bons exemplos de casos de uso de Deep Learning. O adjetivo “deep” refere-se às múltiplas camadas em que funcionam estas redes, que fazem com que na prática seja muito difícil explicar os resultados obtidos através destas técnicas, por isso serem designadas de caixas negras (black boxes).

Todos os dias já usados imensas aplicações de AI sem que nos apercebamos, o Google termina as nossas frase, o Facebook determina qual é o nossa newsfeed, a Amazon prevê a nossa próxima compra, o Spotify aprende qual a música que gostamos, o Google Maps guia-nos até ao nosso destino, a Alexa e a Siri respondem às nossas questões, desbloqueamos os nossos PC e iPhones com um scan da nossa cara. Enquanto consumidores não queremos saber qual a tecnologia que está por trás disto, mas valorizamos a conveniência e personalização.

Enquanto pessoas de negócios, temos que ter a consciência que estas as tecnologias de Inteligência Artificial estão a acelerar o marketing em direção a um futuro de automação inteligente. A Inteligência Artificial tem o poder de transformar as nossas carreiras e empresas, mas muitos gestores ainda não sabem como traduzir a estratégia de negócio em oportunidades de implementação de AI e muitos marketers não sabem por onde começar ou têm medo do desconhecido. Nas próximas semanas iremos publicar vários artigos para ajudar a eliminar estes desafios e a dar às empresas portuguesas o conhecimento necessário para que comecem a tirar partido do poder da Inteligência Artificial.

Trace o caminho para o sucesso com especialistas em MarTech

Para que a tecnologia contribua para o sucesso do negócio, é importante que haja uma estratégia que guie a implementação, adoção e evolução dos sistemas.

Enquanto especialistas em MarTech, a Liminal oferece uma visão integrada, que une Tecnologia, Marketing e Estratégia, garantindo a adoção e a implementação bem sucedida das tecnologias de marketing, quer seja através da escolha imparcial dos sistemas certos para responder aos desafios da sua empresa, da adequação dos processos e fluxos em sistemas já existentes ou do desenho de uma estratégia de CRM & Automação que contribua para o crescimento do negócio.