Em tempos de crises econômicas a palavra de ordem é reduzir custos. Levar propostas de investimentos para o conselho de administração ou para a direção executiva é quase um suicídio profissional. Imagine levar uma proposta de implantação de um sistema de Inteligência Artificial (IA), onde para muitas pessoas os resultados são tão enigmáticos como os primeiros episódios de American Gods. A boa noticia é que podemos reduzir custos substituindo algumas ferramentas de análise de dados caras por ferramentas e linguagens de programação de uso intuitivo de código aberto, ou seja, de graça.
O MS-Excel é uma ótima ferramenta e já está na conta, porém, não dá conta de algumas análises estatísticas já configuradas em softwares mais sofisticados, como aqueles tradicionais para Six-Sigma.
Sabemos que representações gráficas são poderosas para nós homo sapiens, onde mais facilmente conseguimos identificarmos tendências e termos insights a partir da plotagem dos dados. Existem softwares profissionais que de forma amigável e intuitiva geram gráficos fantásticos que ajudam muito nas análises de dados. Obviamente, por ofereceram muitos recursos são caros.
A questão é qual o percentual dos recursos dos softwares que você e sua equipe, efetivamente, utilizam para suas análises? Provavelmente, menos de 10%. Não porque você não conheça as funcionalidades disponíveis no software, mas porque não existem dados disponíveis para as análises mais avançadas ou porque os desafios que você tem para solucionar precise de apenas algumas funções.
O ideal seria se estes softwares pudessem ser cobrados por demanda, ou seja, você apenas paga quando e por quanto tempo ou recursos são utilizados. Isto já ocorre em ambientes de Cloud Computing, nos marketplaces dos provedores de computação em nuvem. Entretanto, para assinar um serviço de Cloud Computing precisa de autorização e budget para contratar, mas se o foco da empresa é reduzir custos, provavelmente, a solicitação será negada.
Felizmente, existem softwares livre, como a Linguagem R e Python, que podem substituir as mais sofisticadas ferramentas pagas, construindo funcionalidades especificas para uso contínuo por várias pessoas, com análise em tempo real, sem pagamento de licenças de software.
Algumas aplicações podem até executar em dispositivos pequenos, como o Raspberry Pi, para análises em campo.
Se você conseguir desenvolver aplicações em R ou Python para as atividades de análises cotidianas, você abriu a porta de entrada para implementar aplicações de Inteligência Artificial na sua empresa.
O Python, por exemplo, tem API – Application programming interface – para o Tensorflow e Keras, que torna mais amigável o uso das bibliotecas de funções de aprendizagem de máquina – Machine Learning – e, aprendizagem profunda de máquina – Deep Learning.
O próximo passo é desenvolver os algoritmos para otimizar processos, treina-los, testa-los e colocar em produção para uso irrestrito na empresa.
Existem vários processos que já, comprovadamente, se beneficiam com a IA. Um exemplo, é a IA reconhecer padrões de imperfeições após cinco imagens de um produto. Atualmente, várias pessoas em uma fábrica trabalham para detectar defeitos, uma tarefa, extremamente, cansativa. Um algoritmo de Deep Learning – leva meio segundo para inspecionar o produto e identificar defeitos, de forma mais precisa que os humanos.
Instalando sensores remotos nas máquinas atuais, mesmos nas mais antigas, é possível monitorar e identificar, de forma preditiva, falhas nos equipamentos e programar manutenções preventivas, evitando paralisações na linha de produção, tornando o processo mais eficiente e reduzindo perdas de produção.
Concluindo, as soluções para uso de Inteligência Artificial para aumentar a produtividade das empresas e reduzir custos operacionais estão disponíveis e mais baratas do que você imagina. O desafio é encontrar a estratégia correta para implementa-las nas organizacionais. Uma estratégia recomendada é começar a substituir os atuais softwares de análise de dados proprietários e caros por plataformas de software livre que implementam funcionalidades matemáticas e funções para aprendizado de máquina: Machine Learning e Deep Learning.