Fazer login no IT Mídia Redefinir senha
Bem-vindo de volta,
Digite seu e-mail e clique em enviar
Ainda não tem uma conta? Cadastre-se
Salvar em Nova pasta de favoritos

+

Criar pasta
Salvar Escolher Pasta
3 histórias de sucesso de aplicação de Inteligência Artificial em empresas
Home > Tendências

3 histórias de sucesso de aplicação de Inteligência Artificial em empresas

Empresas adotam IA para melhorar as vendas e o marketing, identificar e proteger informações e automatizar as operações de perfuração de petróleo

Bob Violino, Infoworld

05/05/2021 às 18h14

Foto: Adobe Stock

Inteligência artificial (IA) e machine learning (ML) podem estar em alta no ciclo de hype no momento, mas isso não significa que as organizações não estão percebendo ganhos tangíveis com a implantação de produtos que alavancam as tecnologias.

Aqui estão três exemplos de como a IA e o ML estão melhorando os processos internos de negócios e compensando as empresas.

Impulsos para vendas e marketing

A Beacon Street Services precisava ter uma "fonte única da verdade" para todos os dados de sua empresa, para garantir consistência e precisão em todos os seus aplicativos. A empresa é o braço de serviços da Stansberry Holdings, que produz publicações financeiras exclusivamente por meio de assinaturas adquiridas.

Tendo coletado e armazenado grandes volumes de dados usando o Snowflake, o serviço de data warehouse baseado em nuvem, a Beacon Street Services queria usar esses dados para ajudar suas equipes de vendas e marketing a melhorar as táticas e processos anteriores de venda de assinaturas.

“Nossas equipes de marketing e vendas viram uma oportunidade de melhorar os processos de vendas aplicando uma abordagem de ciência de dados”, disse David Kline, Vice-Presidente de Engenharia da Beacon Street Services. “Com essa abordagem, esperamos identificar melhor os critérios de compra para ajudar a equipe de marketing a executar campanhas mais eficazes”.

Pegando os dados históricos do usuário que a empresa tinha em seu data warehouse Snowflake e carregando-os em uma plataforma de IA corporativa implantada da DataRobot no início de 2019, ela foi capaz de construir uma série de modelos de forma rápida e automática, usando dezenas dos algoritmos de ciência de dados mais recentes. Com esses modelos, ele identificou critérios de compra para ajudar a equipe de marketing a executar campanhas mais direcionadas e eficazes.

A empresa agora continua a alimentar grandes quantidades de dados na plataforma de IA a partir do data warehouse, diz Kline.

Como resultado do novo processo, a Beacon Street Services teve um aumento de 10% nas vendas e está a caminho de realizar R$ 15 milhões em vendas anuais adicionais diretamente atribuíveis à plataforma de IA. Desde a implementação da plataforma, a empresa obteve um retorno sobre o investimento de 30 a 35 vezes em ganhos de receita e redução de custos, diz Kline.

“Por exemplo, para um projeto individual, tivemos que passar manualmente por transações anteriores para determinar o risco de estornos após a renovação automática da assinatura e criar um modelo de avaliação de risco, diz Kline. “Este processo não foi apenas automatizado usando IA, mas agora temos o benefício de lidar proativamente com as próximas transações”.

Além de obter maior precisão e campanhas de marketing otimizadas usando IA, a plataforma DataRobot também proporcionou economia de tempo significativa. Anteriormente, levaria até seis semanas para desenvolver um modelo, sem garantias de que o algoritmo ideal foi selecionado. Com a plataforma de IA corporativa, o tempo para desenvolver e implantar modelos que usavam algoritmos mais adequados foi reduzido para apenas uma semana.

Um benefício colateral é que a equipe de TI da empresa está gastando menos tempo analisando dados e mais tempo trabalhando em projetos potencialmente valiosos para os negócios.

Classificação de documentos para melhor segurança

A Company Nurse, que fornece exames de saúde à Covid-19, relatórios de lesões no local de trabalho e serviços de triagem de enfermeiras para empregadores, está aproveitando a IA em várias frentes.

Um projeto envolve o aprimoramento do processo de classificação de documentos. A Company Nurse, em 2020, implantou uma plataforma da Concentric chamada Semantic Intelligence, para proteger os dados de compensação dos trabalhadores privados em nome de seus clientes e usuários finais.

O sistema descobre de forma autônoma os dados não estruturados críticos da Company Nurse, oferecendo uma oportunidade de mitigar a proliferação de dados e reduzir as superfícies de ameaça.

Como parte de seu serviço aos clientes, a Company Nurse preenche relatórios de incidentes para compensação de trabalhadores, fornecendo conselhos de cuidados adequados para trabalhadores feridos e gerenciando fornecedores para encaminhamento. As informações nos relatórios e formulários incluem uma quantidade significativa de dados não estruturados, diz Henry Svendblad, CTO da empresa.

Ao usar o sistema alimentado por IA da Concentric, a Company Nurse pode proteger informações privadas nos documentos sem a necessidade de a equipe examinar os dados manualmente. A plataforma automatiza a segurança de dados não estruturados usando deep learning para categorizar dados, descobrir a importância dos negócios e reduzir riscos.

O Semantec Intelligence usa as práticas de segurança de linha de base vistas para cada categoria de dados para calcular uma “distância de risco” da linha de base para cada documento individual. A distância do risco revela eventos como compartilhamento inadequado de informações, locais de armazenamento arriscados e classificações incorretas.

Pouco depois de implantar a plataforma, a Company Nurse foi capaz de identificar arquivos duplicados que não precisava manter e encontrou oportunidades para melhorar as permissões de acesso, disse Svendblad. A empresa também encontrou um grande cache de relatórios de acidentes pessoais que foram deixados em um aplicativo de compartilhamento aberto devido ao compartilhamento excessivo e permissões de acesso frouxas.

“Qualquer vazamento desses documentos teria sido devastador para a Company Nurse”, diz Svendblad. “Fechamos vários pequenos ‘pontos cegos’, onde os arquivos foram compartilhados em excesso, graças à [IA] que classificou automaticamente esses documentos para nós. A prevenção de uma única violação vale dezenas de milhares [de dólares] para nós. O custo da solução vale bem o ROI - mesmo que não seja um ROI ‘forte’”.

Além do processo de classificação de documentos, a Company Nurse também está aplicando produtos de software baseados em IA para funções como pontuação de oportunidades de vendas, data analytics, identificação de ameaças de segurança de dia zero e transcrição de voz para texto.

É difícil estimar os investimentos que a empresa fez em tecnologias de IA porque as ferramentas são integradas a vários produtos de software que está usando, diz Svendblad. Mas a empresa viu vários benefícios, incluindo maior segurança, melhor equilíbrio entre trabalho/vida pessoal para os funcionários e melhor qualidade de serviço em seu contact center.

Um passo em direção à perfuração autônoma de petróleo

As empresas de petróleo e gás estão sob pressão crescente para aumentar a eficiência de suas operações de perfuração. Uma dessas empresas, a Devon Energy, está nos estágios iniciais de alavancagem dos recursos de IA e ML para tomada de decisão em tempo real que poderia potencialmente levar a recursos de automação de circuito fechado - ou uma plataforma de perfuração autônoma em cada local de poço que ajudaria a aumentar as operações gerais, eficiências e segurança nos locais.

A Devon Energy, que recentemente se fundiu com a WPX Energy (a empresa que iniciou o impulso para IA/ML no início de 2020), está usando uma oferta chamada Hivecell para fornecer edge computing em seus locais de perfuração em campos de petróleo no Oeste do Texas e Dakota do Norte. Hivecell, fornecido por uma empresa com o mesmo nome, é uma oferta de “edge-as-service” que permite computação e analytics perto da fonte dos dados.

Os dados são gerados por sensores em equipamentos fornecidos por uma empresa de serviços que a Devon Energy utiliza para processos de fraturamento hidráulico. Os dados são transferidos dos sensores para os sistemas da empresa de serviço e, em seguida, são enviados desses sistemas para a Hivecell por meio do protocolo TCP/IP.

A Devon Energy está na primeira fase de alavancar o Hivecell para processar o machine learning em locais de poços remotos. Ter esse recurso permitirá que a Devon evite enviar todos os dados para a nuvem para processamento, o que é caro e lento. Hivecell é usado em conjunto com a plataforma de streaming de eventos da Confluent, que gerencia os dados brutos do local de perfuração do Apache Kafka.

“Estamos sempre procurando maneiras de melhorar a eficiência de nossas operações de perfuração e completação” e buscamos automatizar tarefas manuais por meio de ML, diz Dingzhou Cao, Consultor Sênior de Ciência de Dados da Devon Energy. A primeira fase do projeto envolve a coleta de dados em tempo real sobre o fraturamento hidráulico, uma técnica de estimulação de poço que envolve o fraturamento de formações rochosas por um líquido pressurizado, para que o gás natural e o petróleo possam fluir mais livremente.

“Estamos no processo de construção de modelos para detectar automaticamente os eventos de fratura hidráulica a partir de dados em tempo real”, diz Cao. “Queríamos ter uma visão de futuro e estamos sempre procurando maneiras de aumentar a eficiência e melhorar os processos”.

Normalmente, as empresas de petróleo e gás hoje contam com serviços de computação em nuvem para processar e analisar dados de locais remotos em tempo quase real, diz Cao, mas isso tem a desvantagem de instabilidade de conexão com a Internet e problemas de latência.

“Pense em um carro autônomo que está processando dados na nuvem”, diz Cao. “Cada milissegundo conta quando se trata da reação do veículo, para garantir a segurança dos passageiros e de quem está ao seu redor. Portanto, a quantidade de tempo que leva para enviar os dados do carro para a nuvem é crucial e pode levar a incidentes de segurança se não for em tempo real”.

O mesmo é verdadeiro para a otimização de malha fechada; por exemplo, sondas de autoperfuração nos locais de poços. “Precisamos ser capazes de reagir em tempo real e não podemos arriscar que os dados sejam perdidos devido a uma conexão instável de internet”, diz Cao.

A Devon Energy está construindo a base para uma verdadeira tomada de decisão em tempo real, orientada para analytics e, eventualmente, controle de circuito fechado dos locais de poço. Isso permitirá que a empresa use o processamento de fluxo baseado em borda para controle em tempo real de malha fechada sobre as operações de perfuração. Os fluxos de dados produzidos pelos modelos de machine learning e dados analíticos pré-processados ​​no local do poço também serão replicados para a nuvem para outros fins.

“Visto que o Hivecell é executado no local, não precisamos nos preocupar com problemas de latência ou instabilidade da Internet”, diz Cao. A plataforma permitirá que a Devon implante, gerencie e dimensione facilmente modelos de ML nos locais de poço, diz ele.

A Devon Energy espera concluir a primeira fase em 2021 e, em seguida, passar para a segunda fase, na qual determinará os modelos analíticos com base nas necessidades de negócios mais cruciais.

Embora Cao não tenha fornecido informações de custo específicas, ele diz que a implementação é econômica em comparação com o uso de uma opção baseada em nuvem. “Aproveitando o Hivecell, somos capazes de processar os dados na pilha e não precisamos pagar a taxa de licenciamento de software para um mecanismo de processamento de fluxo semelhante”, diz ele.

Com a implementação, “estamos colocando dados em tempo real nas mãos de quem mais precisa, quando mais precisa”, diz Cao. “Nossos engenheiros têm a capacidade de acessar os dados em tempo real por meio de seus telefones celulares ou computador. Embora ainda estejamos na primeira fase, que se concentra apenas em capturar esses dados, à medida que avançamos pelas fases futuras, o modelo de analytics será usado para ajudar na tomada de decisões no local do poço”.

Snippets HTML5 default Intervenções CW
Vai um cookie?

A CIO usa cookies para personalizar conteúdo e anúncios, para melhorar sua experiência em nosso site. Ao continuar, você aceitará o uso. Para mais detalhes veja nossa Política de Privacidade.

Este anúncio desaparecerá em:

Fechar anúncio

15