3 Princípios orientadores de AI nova geração para dar o pontapé inicial…

AI nova geração

Última atualização: (junho, 2022).

É um momento incrível para ser um engenheiro de aprendizado de máquinas ou cientista de dados.

AI nova geração: Tantos recursos avançados estão a apenas alguns cliques de distância de seu teclado. Poderosos modelos de aprendizagem automática pré-treinados, da tradução ao reconhecimento de imagem, estão disponíveis publicamente e acessíveis em larga escala. Um neófito entusiasta do aprendizado da máquina, após adquirir algumas habilidades básicas de codificação no primeiro dia, pode usar modelos com bilhões de parâmetros na fronteira da pesquisa de IA como um smodin me.

No entanto, apesar de tal abundância de ferramentas, não é fácil lançar um projeto AI nova geração bem sucedido. Muitas escolhas têm de ser feitas. Modelos, algoritmos, bibliotecas, sinais, plataformas – a lista prossegue. Mas embora a IA possa agora ser ubíqua, nem sempre é claro como projetar e completar um projeto de IA de forma otimizada.

Vamos imaginar o seguinte cenário: você lidera a equipe de sucesso do cliente de sua organização. Todos os dias, centenas de tickets de atendimento ao cliente chegam, superando a capacidade limitada da sua equipe. Você gostaria de adicionar uma camada de IA ao fluxo de trabalho de tickets de suporte para priorizar aqueles que são urgentes e importantes, e automatizar as respostas quando apropriado.

Como você consegue fazer um projeto como este sair do chão?

3 princípios orientadores para dar o pontapé inicial a sua iniciativa de IA
Não há problema em ser limitado.
Planeje os seus erros de inteligência artificial.
Construir confiança na IA.
É bom ser estreito

AI nova geração

AI Serviço de Atendimento ao Cliente…Como o atendimento ao cliente em 2022

A primeira regra é começar pequeno e estreito. Um dos principais objetivos da IA é a inteligência geral, um algoritmo que pode realizar muitas tarefas diferentes, assim como um humano. Uma versão menor é a AI  nova geração estreita ou fraca, que é especificamente treinada para realizar uma determinada tarefa, como jogar xadrez ou detectar fraude de cartão de crédito.

Embora a IA estreita pareça menos atraente, na prática, ela pode ser exatamente a estratégia correta. Voltar ao nosso cenário de ingressos de suporte. Cada ticket de suporte contém um texto descrevendo o problema que o cliente está tendo, então precisamos de um algoritmo que entenda o texto.

Mas quando se trata de nossa tarefa específica de otimizar o fluxo de trabalho de suporte, pode não ser ideal começar com um grande modelo generalista.

Para ilustrar o porquê, vamos visualizar como um modelo linguístico ‘pensa’ sobre as palavras. Podemos pedir ao modelo para brincar de associação de palavras. Ge palavras como “conta” e “congelar”, que são as palavras mais parecidas?

Para um modelo grande, uma palavra como “projeto de lei” traz conceitos relacionados à legislação (tais como “reforma”, “emenda” ou “bipartidário”). E o “congelamento” está geralmente associado a baixas temperaturas (pense em “frio”, “geada” ou “degelo”).

Embora estas palavras associações sejam essencialmente corretas, elas não são relevantes para nossas necessidades.

No contexto do atendimento ao cliente, ‘fatura’ e ‘congelamento’ têm significados especiais. Os clientes frequentemente perguntam sobre faturamento, e um dos principais problemas para os usuários é uma interface que não responde. Mesmo com um pequeno conjunto de dados de menos de 100.000, podemos treinar um modelo altamente especializado que “pensa” mais de acordo com o contexto de suporte.

Para este modelo especializado, “fatura” está associado a faturamento (como “fatura” ou “recibo”), e “congelamento” está conceitualmente relacionado a uma experiência de usuário defeituosa (“fechar”, “travar”, “sair”).

Assim, uma IA para tickets de suporte pode ter um ciclo de desenvolvimento mais rápido quando o modelo de linguagem está especificamente ciente do caso de uso de suporte.

Planeje seus erros de AI nova geração

Nenhum algoritmo é perfeito. Mesmo a IA mais avançada cometerá erros, portanto, o planejamento de sua implementação de IA também deve incluir como cometer erros.

Continuemos com o exemplo do ticket de apoio. Neste projeto, propomos ter um modelo de aprendizagem de máquina que classifica cada bilhete como urgente ou não-urgente. Nesta tarefa de classificação, o modelo pode estar certo de duas maneiras: dizer que um bilhete é urgente quando é realmente urgente, e dizer que um bilhete não é urgente quando não é. E o modelo também pode estar errado em dois modis: dizer que um bilhete é urgente quando não é, e dizer que um bilhete não é urgente quando é. Você pode estar familiarizado com este quadro – estes quatro resultados são as quatro grelhas em uma matriz de confusão.

Os cientistas de dados gastam muito tempo melhorando as métricas de desempenho dos modelos.

Mas a forma mais relevante de avaliar um modelo deve ser o impacto nos negócios. E quando se trata de impacto comercial, o equilíbrio entre precisão e recall torna-se muito mais matizado do que a simples contagem de erros.

Por exemplo, há duas maneiras de errar, mas o custo de cada uma pode ser muito diferente. Prevendo que um ticket de apoio é urgente quando não cria uma carga extra para a equipe. Por outro lado, prever que um bilhete não é urgente quando na verdade pode diminuir a satisfação do cliente e aumentar a rotatividade.

O equilíbrio destes tipos de custos e benefícios comerciais é muito mais relevante do que simplesmente a troca de precisão e recall. Em cenários onde a ação por engano é muito cara, podemos querer que nosso algoritmo seja rigoroso – o que significa que nenhuma ação é tomada a menos que estejamos realmente certos, mesmo que isso signifique perder oportunidades.

Leia mais de nossos colaboradores especialistasLights, Camera, AI nova geração: como fizemos um filme com um roteiro escrito por AI

Construindo confiança na AI nova geração

Imagine que você fez um enorme progresso com o projeto de AI nova geração para os bilhetes de apoio. Você coletou muitos dados sobre bilhetes passados, construiu um algoritmo que prevê se um bilhete é urgente, e o algoritmo também escolhe a melhor resposta a partir de vários modelos. O modelo funciona.

Mas será usado? Como esse algoritmo se encaixa no fluxo de trabalho da equipe?

Ao projetar um projeto de IA, a interação homem-algoritmo deve ser considerada. Um dos aspectos mais importantes de um projeto de IA é a eficácia e a usabilidade do algoritmo – um algoritmo não será eficaz se não for adotado pelos usuários, independentemente da precisão do modelo. Os usuários e especialistas humanos podem melhorar muito a eficácia do algoritmo. Isto poderia ser devido ao conhecimento de domínio não capturado pelos dados, como vendedores que têm uma conexão pessoal com seus clientes.

Além disso, há algo que os humanos fazem sem esforço e que os algoritmos (ainda) não podem automatizar. Os seres humanos são muito melhores na análise de causa-efeito e na invenção de explicações causais. Mesmo que nem sempre tenhamos razão, nossa interpretação mecanicista – ou, simplesmente, senso comum – nos proporciona alguma defesa contra correlações espúrias, onde num conjunto de dados com muitas variáveis, algumas mostrariam apenas uma correlação por acaso.

Tomemos como exemplo este problema do feijão gelatinoso. Acharíamos absurda a idéia de que as geléias estão relacionadas com a acne, pois não podemos chegar a uma explicação mecanicista plausível de tal relação de causa e efeito.

Então como você pode colocar um humano no meio e construir confiança entre a AI nova geração e os usuários?

Escolha algoritmos de modelo que sejam mais fáceis de interpretar, especialmente aqueles que permitam derivar regras intuitivas que possam ser revisadas por um especialista (como este modelo amigável a especialistas que combina um algoritmo de árvore de decisão com especialistas clínicos para prever o risco de pacientes em unidades de terapia intensiva).
Envolver os humanos para traduzir as pontuações e recomendações de IA em explicações de snippet. Eis um exemplo: “Este caso de suporte é urgente porque o usuário é cliente pagante há dois anos, e sua atividade de produto diminuiu 50% no último mês”. Aprenda a usar a inteligência artificial
Ter uma interface interativa que aceita a entrada do usuário e ajusta o comportamento do modelo na hora. Se um caso de suporte for classificado como urgente, por exemplo, permita que um revisor humano o aprove ou o desclassifique.
Não espere que o algoritmo seja estático. Incorporar constantemente a entrada do usuário em algoritmos de aprendizado contínuo (como o aprendizado de reforço) para atualizar o modelo. Por exemplo, o algoritmo pode detectar e aprender quando os revisores humanos estão constantemente rebaixando certos casos de suporte classificados como urgentes.

Portanto, lembre-se de começar pequeno e estreito.

Projetar um algoritmo especializado para sua tarefa específica e planejar sua IA inteligência artificial nova geração em torno de seus erros esperados para maximizar o impacto comercial. Em vez de rodadas de ajuste de parâmetros para obter maior precisão, invista no projeto de como o algoritmo e o usuário interagem em um sistema de produção ao vivo. Esperamos que estes princípios ajudem a pôr em marcha nossa nova iniciativa de IA.

Gabriel Zanadi

Desenvolvedor freelance de TI e escritor web SEO, Gabriel Zanadi produz regularmente conteúdo para o blog e o fórum www.ruby-br.org. A qualidade de seu trabalho e a singularidade de sua formação nos fizeram querer apresentá-lo a vocês.