“A Inteligência Artificial (IA) é

um jogo baseado em

dados. As previsões serão

precisas se os dados

usados para treinar o

modelo de previsão

realmente representem os

casos-alvo que estão sendo

classificados ou previstos...

Se eu tivesse que usar uma

frase diria que a IA tem tudo

a ver com a tomada de

decisão – tomada de

decisão mais inteligente.”

—Sud Menon, Esri

Créditos do mapa: Lisa Berry

Usando Inteligência Artificial e GIS para transformar negócios

Os tomadores de decisão com acesso às melhores

informações definem o padrão para o sucesso.

Os líderes corporativos de hoje anseiam por informações

que fortaleçam suas operações e orientem as decisões

estratégicas. Nos últimos anos, essa busca mudou

bastante. A informação nunca foi tão abundante e o seu

potencial para ajudar os executivos a enxergar os

negócios nunca foi tão pronunciada.

Os fenômenos tecnológicos como a Internet das

Coisas (IoT) e a inteligência artificial (IA) são parte

dessa mudança: ambos estão produzindo informações

de amplitude e profundidade quase incalculáveis. De

fato, alguns pesquisadores dizem que o mundo criou

tantos dados nos últimos dois anos quanto em todos

os anos anteriores de sua existência.

No entanto, dados e informações são commodities -

abundantes, mas não necessariamente valiosos por si

mesmos. Entre os executivos, há um reconhecimento

crescente e profundo de que os insights, e não a mera

informação, é o novo ouro.

Por décadas, o termo inteligência artificial tem sido

utilizado para incorporar promessas de mudança de

vida em torno da tecnologia. Evidenciada pela

primeira vez pelo professor de Stanford John

McCarthy em 1955, a IA tem sido um ponto de contato

para nossas imaginações coletivas, evocando visões

que vão desde robôs que cozinham a carros

autônomos. Para alguns, a exposição constante e

frequente falta de entrega de resultados, levou ao

cansaço em torno do tema de IA.

No entanto, os saltos recentes no poder da computação,

os algoritmos cada vez mais complexos e a enorme

quantidade de dados gerados à medida que a

transformação digital global acontece, empurraram a IA

da teoria para a realidade cotidiana em muitos domínios.

Em uma pesquisa recente da New Vantage Partners, os

executivos de nível C destacaram a IA como a tecnologia

mais disruptiva - superando a computação em nuvem e

os blockchains. E quase 80% desses executivos têm

receio que os concorrentes aproveitem a inteligência

artificial para superá-los nos negócios.

Algumas áreas especificas dentro da IA ganharam

força. O aprendizado de máquina (Machine Learning

- ML), o aprendizado profundo, o processamento de

linguagem natural e a automação são palavras de

ordem dos setores de negócios e tecnologia, e por

boas razões. Um relatório da McKinsey & Company

de 2017 estima que as grandes empresas de

tecnologia fizeram investimentos internos em IA entre

US$ 18-27 bilhões em 2016. Os investimentos

externos, provenientes de capital de risco e private

equity, são estimados em US$ 8-12 bilhões no

mesmo ano. Do financiamento externo, o machine

learning conquistou quase 60% do investimento.1

Enquanto a compreensão da IA melhora em

diferentes áreas da tecnologia, os líderes

empresariais têm a oportunidade de se concentrar

nos avanços que trazem mais impactos às suas

organizações. O Machine Learning é um campo

particularmente empolgante que está expandindo

o horizonte dos executivos de negócios.

Este relatório examina o lado prático da inteligência

artificial, do machine learning e do GIS, e discute como

as organizações podem usar essas tecnologias para

descobrir insights de negócios e realizar a

transformação digital em um mundo em rápida

evolução. Essas tecnologias são cada vez mais

aplicadas em áreas que vão do varejo à assistência

médica, passando pelo gerenciamento de

emergências e de utilities até o governo. São usadas

para descoberta de medicamentos, detecção de

fraudes, avaliação de riscos e fabricação, para diminuir

os custos de mão de obra, reduzir o déficit de produtos

e acelerar a produção.

De forma mais ampla, os executivos estão

encontrando insights e vantagens competitivas a

partir dos dados, que descrevem onde as coisas

acontecem, por que acontecem dessa forma e

como podem ser melhoradas.

Em geral, quando as organizações recebem insights

precisos e imediatos, o risco é reduzido, a colaboração

aumenta, os executivos tomam decisões mais

assertivas com mais rapidez e a se ganha maior

satisfação dos clientes.

O mundo criou tantos dados nos últimos dois

anos tanto quanto em todos os anos anteriores

de sua existência. No entanto, dados e

informações são commodities - abundantes, mas

não necessariamente valiosos por si mesmos.

1 McKinsey Global Institute. Artificial Intelligence: The Next Digital Frontier. Junho 2017, p 9-12.

Map Credit: Esri 3D

Pensamento Criativo: Máquinas que Aprendem

Dentro das empresas de classe mundial, as ferramentas

de inteligência artificial estão incorporando os dados

brutos da transformação digital e da IoT, combinando-os

com o Sistemas de Informação Geográfica (GIS) e

oferecendo novos tipos de insights.

Uma enorme quantidade de dados de negócios e de

clientes estão relacionados a locais e horários físicos, e

milhares de organizações já analisam esses dados de

localização para descobrir a inteligência oculta: o tipo de

percepção que pode criar vantagens competitivas!

Em muitos casos, o Machine Learning - uma forma de

inteligência artificial - capacita essa análise.

A novidade é que essas tecnologias estão se tornando

mais inteligentes e são aplicadas em toda a empresa,

desde vendas até trabalho de campo e cadeia de

suprimentos.

De fato, uma combinação de Machine Learning e um

Sistema de Informações Geográficas (GIS) está

ajudando as organizações a capturar, armazenar e

gerenciar grandes quantidades de dados; executar

análises robustas; e, em seguida, visualizar os insights

incorporados nesses dados.

O Machine Learning usa algoritmos baseados em dados

que permitem que os computadores aprendam com os

dados, reconheçam padrões e melhorem continuamente

com a experiência. Por exemplo, à medida que imagens

brutas são inseridas em um algoritmo, ele começa a

identificar padrões e a precisão desse reconhecimento

aumenta com o tempo. Com dados suficientes, o

computador cria uma capacidade altamente precisa de

rotular componentes das imagens (casa, carro, cultivo,

etc.), uma habilidade que pode ser usada com grande

eficácia, como mostrado mais adiante em um caso de

sucesso.

Tal como acontece com a inteligência artificial, não há

um consenso único sobre a definição de aprendizado de

máquina. Dezenas de especialistas oferecem suas

definições. Para os propósitos deste relatório, Pedro

Domingos explica Machine Learning em The Master

Algorithm: “Os computadores não devem ser criativos;

eles devem fazer o que você manda. Se o que você

disser a eles for criativo, você terá aprendizado de

máquina.”2

Com o GIS o Machine Learning prospera. Grandes

quantidades de dados estão ligadas a uma

localização física e/ou a um momento no tempo.

Milhares de organizações atualmente analisam

dados de localização para descobrir insights ocultos

- o tipo de inteligência nas informações que cria uma

vantagem competitiva crucial. O que muitas pessoas

não percebem é que o Machine Learning alimenta

grande parte dessa análise.

A combinação de Machine Learning e de um Sistema

de Informações Geográficas é particularmente

adequada para executar análises em dados de

localização devido à sua capacidade de automatizar a

previsão, a classificação e o agrupamento dos dados.

Os casos a seguir se aprofundam nos recursos

avançados de Machine Learning e seu impacto na

tomada de decisões. À medida que a inteligência

artificial acelera, o aprendizado de máquina está

tornando a inteligência de localização uma força

poderosa por trás das decisões e operações críticas de

negócios.

O artigo continua na página 000006

2 Domingos, Pedro. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake

Our World. Basic Books, a Member of the Perseus Books Group, 2018, p. xiv.

Planejamento Estratégico de Localização

A maioria das empresas tomam decisões baseadas

em hipóteses – desde o planejamento anual até a

previsão de quais mercados irão se expandir na

próxima década. E os executivos conhecem muito bem

os perigos de uma informação não precisa. A

Inteligência Artificial então se apresentou como uma

solução

Uma nova aplicação de Inteligência Artificial (IA)

está apoiando o planejamento estratégico das

empresas.

Testada pela primeira vez no setor de serviços

financeiros, o processo pode ser aplicado em todos os

setores comerciais. Ela combina os elementos da

Inteligência Artificial e do GIS, o que atraiu a atenção

das empresas em todo o mundo por ter vastas

quantidades de dados espaciais acionáveis, técnicas

analíticas modernas, domínio de conhecimento e cultura

para possibilitar decisões baseadas em informações

precisas.

O processo usa GIS, Inteligência Artificial e recursos

preditivos para mostrar aos executivos que tipo de

desempenho podem esperar de um local de varejo que

ainda não foi construído. Também, os executivos

financeiros, por exemplo, podem solicitar uma projeção

de receita de uma agência bancária para o ano inteiro

em um mercado que estão avaliando e recebê-la em

segundos.

Até os recentes avanços em Inteligência Artificial e

computação, esse tipo de análise estava confinada à

mitologia dos negócios. Agora, as empresas de ponta

estão testando suas capacidades e reconhecendo seu

impacto no planejamento comercial de longo prazo.

A nova abordagem depende em parte da análise de

tempo de percurso, que é uma ferramenta presente no

GIS há anos. A análise do tempo de percurso analisa

os dados associados à população em torno de um

local específico - o local para abertura de uma nova

agência bancária, por exemplo - e entrega um mapa

inteligente que mostra o provável público para essa

agência.

As descobertas recentes em GIS e IA elevaram a

sofisticação dessa análise, mostrando aos executivos

não apenas a área comercial da agência, mas também

o custo esperado e a receita antecipada.

Em um cenário de varejo, alguns executivos estão

planejando expansões, enquanto outros estão tentando

se retrair. Os insights, não apenas os dados, são

fundamentais para o planejamento. Com uma nova

metodologia baseada no poder preditivo, esses

executivos estão imersos nos cenários hipotéticos que

ajudarão a impulsionar seus negócios.

Dependendo do objetivo comercial, os executivos

podem comparar vários locais para uma loja de

varejo, para revelar as vendas esperadas em cada

um e determinar a melhor localização possível.

Ou então, podem projetar vários locais, como uma

rede de filiais, usando o processo para evitar

conflitos entre os pontos de venda dos diferentes

locais e entender o impacto da receita da rede como

um todo.

Os cenários hipotéticos de hoje estão ficando cada vez

mais sofisticados com a ajuda da Inteligência Artificial

e de recursos de tecnologia GIS. Sem essa nova forma

de gerar insights, os executivos de negócios podem

correr riscos ao planejar os grandes investimentos

com base na intuição e nas suposições.

Automatizando processos de logística

Tradicionalmente, o governo realiza inspeções de

vários tipos no campo. Os dados coletados durante as

visitas permitem identificar violações nas leis, ou as

informações obtidas podem direcionar os agentes

para os locais certos.

O Machine Learning, incorporado ao GIS, permite a

automatização de várias partes dos processos de

inspeção, tornando-os menos trabalhosos. O mundo

agora está completamente documentado por imagens

de satélite. Usando a plataforma impulsionada pelo

GIS, um algoritmo de Machine Learning é alimentado

com milhares de fotos. À medida que sua

“experiência” aumenta, o algoritmo aprende a

reconhecer padrões que sinalizam as atividades

ilegais. As autoridades do governo agora podem

realizar análises sistemáticas e identificar com

precisão quais desses padrões podem estar violando

as leis, tudo em uma fração do tempo.

O Machine Learning é especialmente bom para

reconhecer padrões dentro de imagens. Com um

acervo quase infinito de imagens de satélite

disponíveis para as empresas e o custo das

imagens de drones despencando, as

possibilidades se tornam realmente atraentes.

As indústrias, por exemplo, podem fotografar suas

operações, criando um gêmeo digital das fábricas.

Usando essa cópia digital dos ativos físicos, eles

executam simulações, rastreiam movimentos em

tempo real nas instalações e capturam dados de

sensores colocados em toda a fábrica. Incorporados

em uma plataforma GIS, os algoritmos de Machine

Learning processam a grande quantidade de dados

que o gêmeo captura, gerando inteligência para o

fabricante, como recomendações de manutenção

preventiva e alertas de atividades incomuns com base

no reconhecimento de padrões.

O processamento de imagens via Machine Learning

atinge vários setores, incluindo a agricultura, onde

o uso de imagens de drones é comum, e a medicina,

onde as máquinas estão aprendendo a ler exames

médicos e a identificar doenças potenciais de forma

precisa.

O artigo continua na página 8

I Imagens: Baton Rouge Infrared

Logística — Entregar

e atender as

expectativas

As empresas de logística sabem o valor da

velocidade, eficiência e informação. Elas estão à

disposição dos clientes, que esperam uma

entrega mais rápida e visibilidade constante de

onde as compras estão durante o processo de

entrega.

Uma integração sem precedentes de tecnologias

oferece às empresas esse tipo de percepção. Com

uma plataforma GIS combinada com sofisticados

algoritmos de inteligência artificial, os fabricantes e

as empresas de logística pioneiras estão

aperfeiçoando seus conhecimentos das redes

rodoviárias e melhorando a capacidade de

agendamento. Esses novos recursos ajudam a

economizar tempo e dinheiro, aumentando a

satisfação do cliente.

Em um exemplo, uma ferramenta que combina

Inteligência Artificial e GIS chamada Road Snapping

ajuda as empresas a preencher as lacunas de

conhecimento nas redes rodoviárias.

Para áreas remotas onde as estradas nem sempre

aparecem nos mapas e para locais de alta

densidade de população, onde algumas estradas

fecham para a construção e outras abrem pela

primeira vez, as empresas que movimentam veículos

de entrega necessitam diariamente de insights

atualizados. Sem isso, os motoristas acabam em

rotas tortuosas e sem saída, que tiram da empresa -

e seus clientes - tempo, combustível e dinheiro.

Agora, uma combinação única de dados de IoT,

GIS e algoritmos alimentados por IA está

fornecendo essa percepção. Utilizando milhões de

pontos de GPS das vans de entrega da empresa, o

programa de inteligência artificial determina onde

estão as estradas não marcadas ou intransitáveis e

atualiza a tecnologia GIS para que gestores e

motoristas possam evitar erros que podem custar

caro.

Para as empresas que buscam aumentar a

satisfação do cliente, a capacidade de determinar

tempos precisos de chegada para as mercadorias

não é apenas uma boa opção, é um diferencial

para alcançar operações mais eficientes e, portanto,

mais lucrativas. Outra ferramenta chamada ETA,

executada com um conjunto semelhante de dados

de IoT, análise de localização e inteligência artificial,

está produzindo esse tipo de percepção.

A ferramenta ETA conta com uma rede neural - um

mecanismo de inteligência artificial especialmente

projetado para utilizar o poder de computação em

busca de respostas. A ETA analisa milhões de

pontos de dados históricos para cada rota de

entrega, incluindo fatores como origem e destino, se é

um fim de semana ou feriado, o tipo de veículo

envolvido, os produtos entregues e as superfícies das

estradas percorridas. Com o poder de computação, a

ferramenta transforma esse big data em tempos de

chegada previstos com um alto grau de precisão.

No relatório State of Logistics de 2017, o Conselho de

Profissionais de Gerenciamento da Cadeia de

Suprimentos e a AT Kearney, observaram que o custo

da logística empresarial representa 7,5% da

economia dos EUA. Enquanto a maior parte dessa

imensa soma é simplesmente o custo de fazer

negócios, uma parte substancial dela é resultado do

desperdício.

Agora, os mashups de dados de IoT, o GIS e a

inteligência artificial estão abrindo um novo caminho

para obter mais eficiência.

Drive Safely:

Individualized Premiums in the Insurance Industry

Car insurance premiums are typically based on

demographics—an amalgamation of characteristics

based on age, gender, geographic location, and other

data points. Over time, an individual’s premium may go

up or down based on his or her driving record.

But what if a 17-year-old male (with a high premium)

is a cautious driver, while a 45-year-old female (with a

low premium) has a bad habit of texting while driving

to work?

Atualmente, os prêmios são calculados de acordo com

a análise das tendências gerais nos grupos

demográficos. O Machine Learning permite que as

organizações personalizem as experiências para o

indivíduo, em vez de utilizar o valor da média.

Uma companhia de seguros, sediada nos EUA, está

experimentando uma nova maneira de calcular os

prêmios. Ao analisar os dados de acelerômetros

junto com os dados GIS, conforme os carros se

movem no espaço e no tempo, um algoritmo de ML

pode reconhecer padrões no comportamento do

motorista, incluindo velocidade e mensagens de

texto.

Se, por exemplo, um motorista fizer correções

pequenas e rápidas em estradas curvas, os

algoritmos podem identificar esse comportamento

como que o motorista está mexendo no celular.

Essa identificação de comportamento é baseada na

análise de milhões de pontos de dados de

motoristas em todo o país, o que permite que o

algoritmo reconheça comportamentos individuais.

Não mexe no celular enquanto dirija? Esse

motorista pagará um prêmio menor. A natureza

granular do aprendizado de máquina permite que a

seguradora calcule os prêmios individuais baseados

no comportamento, recompensando os motoristas

que operam os veículos com segurança.

O artigo continua na página 10

Dirija de forma segura:

prêmios individualizados no setor de seguros

Os prêmios dos seguros de carros geralmente são

baseados em dados demográficos - uma fusão de

características com base na idade, sexo, localização

geográfica e outros pontos de dados. Com o tempo,

o prêmio de um indivíduo pode subir ou descer com

base no seu histórico como motorista.

Mas, e se uma mulher de 18 anos (com um prêmio

alto) é uma motorista cautelosa, enquanto um

homem de 45 anos (com um prêmio baixo) tem o

péssimo hábito de enviar mensagens de texto

enquanto vai para o trabalho?

A capacidade de capturar, gerenciar e analisar big data

baseado em localização é uma força específica do GIS

e do Machine Learning. Essa combinação tem

aplicações em vários setores, incluindo logística,

manufatura, varejo e finanças.

Reconhecimento de padrões de trânsito e prevenção de acidentes Estudo de caso

Qualquer pessoa que tenha participado de um grande

evento esportivo entende o sentimento bom de uma

vitória. Com milhares de fãs engajados até o apito final,

a alegria da vitória rapidamente se torna a agonia do

trânsito, com multidões de torcedores saindo do

estádio.

Um condado no sudeste dos Estados Unidos está

usando inteligência artificial, IoT e tecnologia de

localização para melhorar essa experiência. Em

cooperação com a empresa proprietária do estádio em

uma grande área metropolitana, o município está

testando um novo sistema que utiliza um algoritmo

inteligente para monitorar as câmeras das ruas e

ajustar os semáforos para regular os fluxos de

pedestres e de veículos.

O conceito parece simples, mas ambos extremos do

espectro são enganosamente complexos. Usar

monitores humanos para supervisionar multidões tão

grandes pode se tornar rapidamente ineficiente e

avassalador, e confiar a tarefa à tecnologia exige

algoritmos sofisticados de Machine Learning.

O município e seus parceiros estão usando a

detecção de tendências, uma forma avançada de

Machine Learning, como parte da solução. Ao

contrário das técnicas de reconhecimento de padrões

que deram ao aprendizado de máquina sua

notoriedade - incluindo a detecção de sinais de

trânsito em imagens estáticas - essa técnica envolve

não apenas instantâneos, mas também imagens que

mudam com o tempo. No centro de comando do

estádio, o algoritmo analisa os vídeos em tempo real

de fãs que partem dos pontos onde as multidões

estão começando a se formar. Usando a Location

Intelligence para entender onde os semáforos -

conectados à IoT - podem ser ajustados para aliviar

esse engarrafamento. O programa faz os ajustes

necessários em locais específicos ao mesmo tempo

que mantém todo o sistema livre de lentidão.

O projeto é uma parceria inovadora entre o município e

os proprietários dos estádios, os quais têm interesse em

que o trânsito de pedestres e de veículos flua sem

problemas pela cidade. Cada grupo traz uma peça

importante para a solução de Machine Learning: a rede

de câmeras baseada em IoT do município combinada

com o centro de comando da equipe esportiva e a

infraestrutura conectada.

No coração desta solução de trânsito inteligente está

um GIS moderno. A tecnologia GIS foi uma das

primeiras a incorporar inteligência artificial para

oferecer recursos preditivos, fornecendo mapas de

calor para ajudar as empresas a detectar áreas de

melhoria ou queda nas vendas, por exemplo. Essa

capacidade preditiva agora está sendo combinada

com novas formas de inteligência artificial para

aumentar o poder preditivo das organizações e manter

as multidões em movimento.

Map Credit: SunTrust, Cobb County

Seu pedido está pronto:

Predição de comportamento no setor de varejo

No setor de varejo, o produto é fundamental, mas a

experiência do cliente não fica para trás. Nos últimos

anos, os executivos de varejo ampliaram a definição de

experiência do cliente para além dos pontos de contato

tradicionais. Os líderes de varejo agora se concentram

nas muitas experiências físicas e sensoriais que os

clientes têm quando interagem com a marca, a loja e a

presença de mídia social e online de um varejista.

Devido a esses muitos pontos de contato e ao volume de

informações de clientes gerados pela transformação digital e

pela IoT, o varejo está especialmente maduro para aplicativos

de Machine Learning. Por meio de inovações recentes, o

Machine Learning está ajudando os varejistas a transformar os

dados dos clientes - compartilhados com a permissão do

usuário - em insights que conduzem experiências

personalizadas com sua marca. Por exemplo, os clientes que

pedem uma refeição usando o aplicativo de um varejista podem

receber seus alimentos no exato momento em que entram na

loja.

Como é possível esse nível de precisão? Em grande parte, é

devido aos recursos preditivos de Machine Learning combinados

com a Location Intelligence. Ao analisar milhões de pontos de

dados com base no comportamento do cliente e nos dados de

localização rastreados por meio do aplicativo, os algoritmos de

ML podem fazer previsões precisas sobre quando o cliente

chegará - sem a prática de violação de privacidade do

rastreamento de localização individual.

“A IA, de longe, é um jogo baseado nos dados”, explica Sud

Menon, da Esri. Mas “as previsões serão precisas apenas se

os dados de treinamento usados para usar o modelo de

previsão de IA forem realmente representativos dos casos-

alvo que estão sendo classificados ou previstos”. "Se eu

tivesse que defini-la em uma frase", segue Menon, "diria que

IA tem tudo a ver com a tomada de decisão - tomada de

decisão mais inteligente".

Os varejistas com visão de futuro estão encontrando

maneiras de acessar os dados que precisam para poder

prever - com altos níveis de precisão - o que os clientes vão

demandar; em que momento; por qual canal; e, mais

importante, onde eles estão. Combinando Location

Intelligence e inteligência artificial, as empresas podem

preencher a lacuna tradicional entre a previsão da cadeia de

suprimentos e a demanda real do consumidor.

O planejamento de mercadorias de hoje abrange toda a rede

complexa em iterações dinâmicas que refletem as tendências

em tempo real. A detecção preditiva da demanda apoiada pela

Location Intelligence e pela IA proporciona a vantagem de

competir e construir a confiança do cliente. As empresas aplicam

essa abordagem inovadora para oferecer maior satisfação ao

cliente, obter vantagens competitivas e alcançar maior valor de

marca.

A experiência do cliente pode ser melhorada por meio de

Machine Learning de outras maneiras. As cidades já estão

colocando GIS e ML para trabalhar direcionando os

motoristas para os espaços de estacionamento abertos

mais próximos em áreas urbanas densas. Os grandes

varejistas podem fornecer ofertas no aplicativo quando um

cliente passa pela loja, oferecendo incentivos de acordo

com sua localização e comportamento/histórico de

compras precisos.

Ao combinar location intelligence e

inteligência artificial, as empresas

podem preencher a tradicional lacuna

entre a previsão da cadeia de

suprimentos e a demanda real do

consumidor.

“Com os métodos

estatísticos mais antigos,

você alcança um patamar

em termos de quanto

valor pode extrair dos

dados. Mas, com os

novos métodos de Deep

Learning, quanto mais

dados você usar, mais

valor será extraído. Ainda

não atingimos um

patamar teórico em

termos de quanto valor

pode ser obtido.”

—Alberto Nieto, Engenheiro GIS e de Aprendizado de Máquinas

Moldando o amanhã, hoje

A IA e o Machine Learning estão alimentando uma mudança

fundamental na forma como os líderes de negócios interagem

com seus dados, produtos e clientes, e essa tecnologia só

continuará aumentando em sofisticação e poder. O Deep

Learning - um subconjunto do ML que usa algoritmos baseados

na estrutura neural do cérebro humano - está na vanguarda da

inteligência artificial e combina seu poder com a Location

Intelligence.

Alberto Nieto, especialista em GIS e IA, explica a empolgação

em torno do ML e do Deep Learning: “Com os métodos

estatísticos mais antigos, você alcança um patamar em termos

de quanto valor pode extrair dos dados. Mas, com os novos

métodos de Deep Learning, quanto mais dados você usar, mais

valor será extraído. Ainda não atingimos um patamar teórico em

termos de quanto valor pode ser obtido.”

À medida que a transformação digital continua acelerando e os

dados produzidos pela IoT crescem, os executivos enfrentam a

perspectiva tentadora de extrair ainda mais valor da análise de

dados. Do ponto de vista dos executivos, chegou a hora de

responder a perguntas críticas: o que é IA, o que ela pode fazer

pelo meu negócio e quem deve ser responsável por seu

desenvolvimento e alinhamento estratégico?

Hoje, os líderes empresariais têm a oportunidade de fazer

investimentos estratégicos em áreas emergentes da inteligência

artificial. Essas decisões acabarão por ajudá-los a liberar o

poder de geração de insights da IA e da Location Intelligence em

suas organizações.

As organizações que melhor compreendem como aplicar essas

tecnologias - não apenas para usá-las, mas para ajudá-los a

atingir suas metas em um nível fundamental - terão sucesso e

prosperarão.