Baixe o app para aproveitar ainda mais
Prévia do material em texto
ANALYTICS E INTELIGÊNCIA ARTIFICIAL (IA) W B A 04 29 _v 1. 0 2 Marcelo Tavares de Lima Londrina Editora e Distribuidora Educacional S.A. 2020 ANALYTICS E INTELIGÊNCIA ARTIFICIAL (IA) 1ª edição 3 2020 Editora e Distribuidora Educacional S.A. Avenida Paris, 675 – Parque Residencial João Piza CEP: 86041-100 — Londrina — PR e-mail: editora.educacional@kroton.com.br Homepage: http://www.kroton.com.br/ Presidente Rodrigo Galindo Vice-Presidente de Pós-Graduação e Educação Continuada Paulo de Tarso Pires de Moraes Conselho Acadêmico Carlos Roberto Pagani Junior Camila Braga de Oliveira Higa Carolina Yaly Giani Vendramel de Oliveira Henrique Salustiano Silva Juliana Caramigo Gennarini Mariana Gerardi Mello Nirse Ruscheinsky Breternitz Priscila Pereira Silva Tayra Carolina Nascimento Aleixo Coordenador Tayra Carolina Nascimento Aleixo Revisor Lucas dos Santos Araujo Claudinho Editorial Alessandra Cristina Fahl Beatriz Meloni Montefusco Gilvânia Honório dos Santos Mariana de Campos Barroso Paola Andressa Machado Leal Dados Internacionais de Catalogação na Publicação (CIP)__________________________________________________________________________________________ Lima, Marcelo Tavares de. L732a Analytics e inteligência artificial (IA)/ Marcelo Tavares de Lima. – Londrina: Editora e Distribuidora Educacional S.A., 2020. 44 p. ISBN 978-65-87806-34-1 1. Inteligência artificial 2. Algoritmos computacionais 3. Sistemas especialistas (Computação) I. Título. CDD 005 ____________________________________________________________________________________________ Raquel Torres CRB: 6/2786 © 2020 por Editora e Distribuidora Educacional S.A. Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida ou transmitida de qualquer modo ou por qualquer outro meio, eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de sistema de armazenamento e transmissão de informação, sem prévia autorização, por escrito, da Editora e Distribuidora Educacional S.A. 4 SUMÁRIO Ambiente Favorável a aplicação de tecnologias de Analytics e IA ____ 05 Conceitos e objetivos de Business Intelligence - BI __________________ 20 Tomada de decisão em custo e tempo de processamento de servidores __________________________________________________________ 35 Fundamentos da IA: métodos e algoritmos para construir sistemas inteligentes _________________________________________________________ 50 ANALYTICS E INTELIGÊNCIA ARTIFICIAL (IA) 5 Ambiente Favorável a aplicação de tecnologias de Analytics e IA Autoria: Marcelo Tavares de Lima Leitura crítica: Lucas dos Santos Araujo Claudino Objetivos • Apresentar conceitos básicos e fundamentais da Inteligência Artificial. • Apresentar conceitos básicos e fundamentais de Analytics. • Descrever ambientes favoráveis para aplicação de tecnologias de Analytics e Inteligência Artificial. 6 1. Introdução Seja bem-vindo ao mundo do analytics e da inteligência artificial (IA). Vamos ingressar em um terreno do conhecimento vasto e com muita coisa a ser explorada. Serão abordadas nomenclaturas relativamente novas, mas que possuem como embasamento conceitos consolidados e importantes. Este texto apresentará conceitos fundamentais de analytics e de Inteligência Artificial para, em seguida, descrever ambientes favoráveis para a implementação dessas tecnologias de forma proveitosa e otimizada. Fique atento ao que virá! Bons estudos! 2. Inteligência Artificial Antes de apresentar do que trata a Inteligência Artificial e os conceitos associados, vale a pena introduzir conceitos relacionados a uma característica muito desejada por todos os seres humanos, a inteligência. Esta, segundo Oliveira (2018, p. 9) é “um dos conceitos mais fascinantes para a ciência”. Desde o início da história da humanidade, busca-se compreender o que caracteriza um ser inteligente, entender o que é inteligência e quais as maneiras como pode se manifestar nos seres humanos e nos animais. Esses questionamentos se expandiram para as máquinas quando os sistemas computacionais começaram a ser desenvolvidos e a evoluir significativamente. Nós, seres humanos, somos pertencentes à classe de seres Homo sapiens, ou seja, somos parte do gênero humano (Homo) e da espécie que é considerada sábia (sapiens). Tal classificação foi atribuída porque somos a única espécie do planeta Terra capaz de raciocinar logicamente e apresentar conhecimento com base em processos de aprendizado, 7 permitindo, assim, que nós, seres humanos, tenhamos a capacidade de tomar decisões. No entanto, a característica de inteligência não é exclusividade da espécie humana. Questionamentos sobre a possibilidade de uma máquina criada pelo homem poder apresentar a característica de inteligência humana passaram a fazer parte da rotina de pesquisadores da área de inteligência, mesmo sabendo, é claro, que a inteligência imputada em uma máquina não seria nata, mas, só pelo fato de existir a possibilidade de implementação, iniciou-se uma corrida nas pesquisas associadas. Para dar um pontapé inicial sobre essa imensidão que é a IA, vale a pena definir conceitos básicos associados, como inteligência, definir como um sistema pode ser classificado como inteligente, levantar características, possibilidades e limitações de um sistema computacional considerado inteligente, de acordo com Oliveira (2018). Do ponto de vista da inteligência, pode acontecer de, num contexto do senso comum, parecer que somente o ser humano é detentor desta característica. No entanto, isso não é verdade. Por exemplo, os animais mamíferos, também são capazes de apresentar inteligência de alguma forma. É claro que, se considerarmos em medidas de quantificação, o homem é o único capaz de atingir altos níveis de inteligência, segundo Santos e Arruda (2019). O conceito de inteligência pode parecer nebuloso e extremamente polêmico, embora possamos argumentar que há uma possibilidade de afirmar que um comportamento inteligente diz respeito a aprender lidar com o mundo por meio de estratégias direcionadas para a busca de soluções a determinados problemas (SANVITTO, 1995 apud SANTOS e ARRUDA, 2019, p. 727). Com os avanços tecnológicos crescendo de forma exponencial, em particular na área computacional, algumas correntes da ciência chegam a afirmar que uma máquina pode pensar e, portanto, possui comportamento 8 inteligente. É claro que esse é um assunto longe de ser consensual entre os estudiosos do ramo, mas, pode ser considerado uma provocação para o debate sobre ele, segundo Santos e Arruda (2019). Sanvitto (1995 apud Santos e Arruda, 2019) chegou a utilizar o termo Homo sapiens versus Machine sapiens como forma de representar a dicotomia do homem versus a máquina, em relação à apresentação do atributo ou característica de inteligência. De certo, o autor teve um contexto próprio para introduzir o assunto dessa maneira, o que, ao longo dos anos, deixou de ser um confronto e passou a ser muito mais uma parceria ou complementação do homem pela máquina e vice-versa. O termo inteligência artificial surgiu por volta da década de 1950. No seu surgimento, tinha-se como intenção o desenvolvimento de sistemas que fossem capazes de realizar tarefas que ainda seriam mais bem realizadas pelos seres humanos, segundo Machado (2017). Oficialmente, a IA surgiu em 1956, em uma conferência realizada no Dartmouth College, nos Estados Unidos. Alguns participantes desse evento submeteram à Fundação Rockfeller uma proposta de pesquisa a ser desenvolvida em um período de dois meses, que seria composta por dez homens e associada ao termo inteligência artificial, segundo Machado (2017). De acordo com Machado (2017, p. 17), define-se inteligência artificial como “área de pesquisa da ciência da computação que busca métodos ou dispositivos computacionais que simulam a capacidade humana de resolverproblemas”. Desde o seu surgimento, pesquisadores tentam implementar, de forma computacional, sistemas que possam agir racionalmente, semelhante aos seres humanos. Desde seu surgimento, a IA gera discussões polêmicas, começando pelo seu próprio nome, considerado um tanto presunçoso por muitos contemporâneos de sua criação, segundo Machado (2017). A justificativa 9 dada por essa sensação ou sentimento em relação ao termo, ou definição, tem base no desconhecimento dos conceitos associados à inteligência e, por outro lado, relação com a capacidade prática do processamento dos computadores, que, ainda complementam, terem ocorrido promessas exageradas com o surgimento da IA. A linha de tempo do desenvolvimento da IA é um tanto ampla, mas, considerando os principais momentos de seu desenvolvimento, podemos citar os anos 1990, onde as pesquisas relacionadas ao tema extrapolaram os muros das universidades e passaram a ser também exploradas por empresas de tecnologia. Trata-se de um marco na história da IA, pois, a partir de então, seu desenvolvimento deu um grande salto em quantidade de produção de tecnologias. A definição de inteligência artificial apresentada por Lima, Pinheiro e Santos (2014, apud Oliveira, 2018, p. 10) afirma que “I.A. é o conjunto de ações que, se fossem realizadas por um ser humano, seriam consideradas inteligentes”. De certa maneira, remete à dicotomia levantada por Sanvitto (1995 apud Santos e Arruda, 2019), pois cria um comparativo das ações de uma máquina com as ações dos seres humanos para, então, definir se o comportamento ou ação realizada é ou não inteligente. Uma definição mais abrangente, apresentada por Russell e Norvig (2013 apud Oliveira, 2018, p. 11) declara que: Inteligência artificial é a capacidade de sistemas cibernéticos (formados por computadores, softwares, sensores e atuadores) de imitar funções cognitivas dos seres humanos, funções estas que podemos resumir na resolução de problemas por meio de aprendizado apoiado na percepção. (RUSSELl; NORVIG, (2013 apud OLIVEIRA, 2018, p. 11) Oliveira (2018), a partir da definição de Russell e Norvig (2013), apresentada para IA, detalha um pouco melhor os três termos 10 chaves apresentados na definição descrita: resolução de problemas, aprendizado e percepção. A resolução de problemas é compreendida como “a capacidade de realizar tarefas julgadas corretas por algum critério de avaliação”, segundo Oliveira (2018, p. 11). De forma prática, pensando em um problema a ser resolvido por uma máquina, com uso de algoritmos e regras, trata-se da obtenção do resultado esperado para solucionar um problema. Essa característica não representa de fato um sistema inteligente, pois, como dito, as soluções são obtidas por procedimentos implementados ou por execução mecânica, fazendo, assim, a resolução de problemas como uma característica essencial, mas, não suficiente para identificar sistemas inteligentes. Em IA, o aprendizado “é a característica dos algoritmos que têm a capacidade de melhorar seu desempenho por meio da experiência” (RUSSELL; NORVIG, 2013 apud OLIVEIRA, 2018, p. 12). Trata-se da reparametrização dos algoritmos a cada iteração realizado pela máquina, situação conhecida como aprendizado de máquina. A percepção, no contexto humano, tem relação com dois tipos de fenômenos: físico e mental. Percepção física tem relação direta com a capacidade da coleta de informações/dados sobre o ambiente em nossa volta, segundo Oliveira (2018). A coleta é realizada com o uso dos sentidos de percepção humana: olfato, paladar, visão, audição e tato. O âmbito mental, ou fenômeno mental, está relacionado à capacidade de deduzir as situações que ocorrem ao nosso redor e extrair informações das mesmas para uma tomada de decisão apropriada. Em relação aos sistemas cibernéticos, a capacidade de percepção está baseada nos sensores implementados e instalados para coletar dados e informações, que são diversos e podem fazer desde a simples leitura de dados até a coleta de informações por meio dos sensores físicos, como, por exemplo, medidores de velocidade e aceleração, termômetros etc. 11 Inúmeros jogos computacionais e outros dispositivos têm sido criados com base em inteligência artificial, como, por exemplo, o jogo República: a revolução, lançado em 2003 e usado como exemplo por Coppin (2013). O autor afirma que a construção deste jogo conteve um milhão de inteligências artificiais individuais, sendo que, cada uma delas era capaz de interagir com o mundo e com o jogador e ser manipulada por este. Com a evolução tecnológica cada vez mais veloz e atuante, é possível que a inteligência artificial se torne predominante na sociedade de forma cada vez mais intensa. Mesmo que sejam criados dispositivos tecnológicos realmente inteligentes, cada vez mais, do ponto de vista de tendência, serão encontrados computadores, máquinas e outros dispositivos mais, mesmo que aparentemente, inteligentes, segundo Coppin (2013). 3. Conceitos fundamentais de analytics O termo analytics é muito amplo e engloba processos e tecnologias. Na literatura, analytics, também é conhecido como Business Intelligence, Big Data, Business Analytics e outros termos, de acordo com Ruggiero (2017). O analytics é o processo de extração e criação de informações a partir de dados brutos por filtragem, processamento, categorização, condensação e contextualização dos dados, segundo Bahga e Madisetti (2019). Analytics é o tratamento aplicado no dado com intenção de transformá- lo em informação útil para ser aproveitada nos processos de tomada de decisão e para divulgação de resultados. Segundo Ruggiero (2017), o termo Business Intelligence (BI) surgiu na literatura no ano de 1958, por meio de Hans Peter Luhn, pesquisador da área de ciência da computação. Nesse momento, BI era considerado um sistema automático para definição de ações reais aos seus usuários. No entanto, em 1986, passou a ser considerado um processo, onde sua 12 entrada se daria com dados brutos e sua saída, a inteligência para a tomada de decisão. Na prática, de acordo com muitos estudiosos do assunto, o conceito de BI está relacionado a um processo onde há utilização de “informações operacionais e ferramentas analíticas para melhorar os processos de tomada de decisão das empresas” (NEGASH, 2004 apud RUGGIERO, 2017). Quando considerado um processo, BI é composto por métodos apropriados para o tratamento de dados, a fim de transformá-los em informações para serem utilizadas pelas empresas para que se tornem competitivas. O produto deste tratamento será o resultado que permitirá a possibilidade da tomada de decisão realizada por meio das informações disponíveis para a execução de predição de comportamentos dos concorrentes, clientes, fornecedores etc. Ao longo do desenvolvimento do BI, surgiu, no meio acadêmico, o termo inteligência analítica (IA), como um substituto. Continuamente, também surgiu o termo Big data, como um sinônimo para BI e IA. No entanto, este último, ao longo do desenvolvimento de trabalhos e pesquisas associados, passou a ter conceito próprio, como, segundo Ruggiero (2017, p. 28), sendo “o fenômeno do aumento da oferta e demanda de dados e de ferramentas para manejá-los, o que parece bastante relacionado com IA”. No período de seu desenvolvimento, o conceito de inteligência analítica, associado ao conceito de Big data, teve um termo acrescido à sua denominação. Trata-se do termo analytics, tornando assim, o termo conhecido como Big data analytics, que passou a significar “conjuntos de dados e técnicas analíticas para aplicações muito grandes e complexas, que requerem soluções, avançadas de armazenagem, gerenciamento, análise e ferramentas de visualização”, segundo Ruggiero (2017, p. 28). É comum que os estudiosos do assunto se refiram apenas ao termo analytics quando estiverem se referindo ao Business Intelligence and 13 Analytics. O termo analytics, segundo Ruggiero (2017,p. 29) “é um termo genérico que significa aplicar várias técnicas analíticas em dados para responder ou resolver problemas, algo que facilita a realização de objetivos de negócio”. Por fim, Analytics concentra-se em conhecimento e inteligência, reunindo ferramentas de visualização, exploração, explanação e predição, de acordo com Ruggiero (2017). Sendo assim, Analytics reúne técnicas de estatística, econometria, Machine learning, otimização e simulação. Então, falar de Analytics, é falar de técnicas já conhecidas, mas, com o enfoque em negócios e na tomada de decisão gerencial, dando a ideia de que Business Intelligence e Analytics trata-se de ciência de dados no contexto de negócios. Com uso de técnicas diversas dentro do contexto de Analytics, as informações obtidas são organizadas e estruturadas para inferir conhecimento sobre sistemas e/ou seus usuários, seus ambientes e suas operações, assim como a evolução dos seus objetivos, tornando os sistemas envolvidos mais inteligentes e mais eficientes. Ruggiero (2017) em sua pesquisa, afirma que a inteligência analítica, desde 2002, passou a ser usada em e-commerce, vendas, marketing, suplly chain, detecção de fraudes e gestão de performance corporativa. Além disso, o autor, também identificou aplicações de IA em áreas como otimização de relacionamento com clientes, monitoramento de atividades de negócio e suporte à decisão. Mesmo não sendo a ferramenta principal, ou o principal conceito no desenvolvimento de uma atividade, a IA também pode ser suporte para a geração de relatórios gerenciais, para um aumento de conhecimento em práticas de marketing, dentre outras situações. A escolha de técnicas de Analytics dependerá diretamente dos objetivos de aplicação. Por exemplo, prever algo como se uma transação bancária é ou não uma fraude, se choverá ou não em um dia específico, ou se um 14 tumor é ou não maligno. Pode-se também utilizar técnicas de Analytics para obtenção de padrões nos dados, como, observar os dias mais frios do ano, identificar assuntos mais visitados em uma página de Internet ou, ainda, identificar assuntos mais pesquisados em um determinado período do ano. Outras possibilidades são ligadas à busca de relações nos dados, como, por exemplo, comportamento de consumo de alimentos em relação ao período do ano etc. A Figura 1 apresenta a relação entre Analytics e algumas ferramentas quantitativas e computacionais mais utilizadas para a tomada de decisão. É claro que não se trata de uma receita de bolo, podendo uma metodologia ser usada em contexto distinto ao que está sendo mostrado, tratando-se apenas de uma proposta de metodologia quantitativa e computacional para cada situação dentro do Analytics. Figura 1 – Relação entre Analytics e métodos quantitativos e computacionais Fonte: elaborado pelo autor. 15 O Analytics descritivo compreende a análise de dados existentes, oriundos de tempos passados e analisados no presente de forma resumida para serem facilmente interpretados. O Analytics descritivo ajuda a responder a seguinte pergunta: o que aconteceu? Grande parte do Analytics realizado é descritivo com o uso de funções estatísticas, como contagem, soma, mínimo, máximo, médias, porcentagens etc. Essas estatísticas ajudam a descrever padrões nos dados. Por exemplo, a contagem do número de likes de uma particular postagem em uma rede social; média de acessos a uma determinada página da Internet etc. O Analytics diagnóstico compreende a análise de dados passados para diagnosticar as razões da ocorrência de determinados eventos. Ajuda a responder perguntas como: por quê aconteceu? Por exemplo, um sistema que coleta e analisa sensores de equipamentos que monitoram um sinal vital humano. Enquanto o descritivo pode ser útil no resumo dos dados por meio do cálculo de diversas estatísticas, o diagnóstico pode fornecer informações que permitam saber por que ocorreu alguma falha no sistema. O Analytics preditivo corresponde à previsão da ocorrência de um evento ou a chance de sua ocorrência, assim como a previsão de valores futuros com uso de modelos preditivos. O Analytics preditivo ajuda a responder perguntas como: qual a chance de acontecer? Por exemplo, pode-se desejar prever quando uma máquina falhará em prever se um tumor é maligno ou benigno. O Analytics preditivo é realizado com o uso de modelos preditivos que utilizam dados existentes. Esses modelos identificam padrões e tendências a partir dos dados e fazem a previsão da ocorrência de um ou mais eventos. A acurácia dos modelos de previsão depende da qualidade e do volume de dados existentes disponíveis para o seu treinamento. Antes de ser utilizado para previsão, o modelo deve ser validado com dados existentes. Um procedimento padrão utilizado para o desenvolvimento de modelos de previsão divide os dados existentes em duas partes, uma para treinamento e, outra para 16 teste ou validação. Em geral, utiliza-se 75% dos dados para treinamento e, 25% para teste ou validação, segundo Bahga e Madisetti (2019). Enquanto o Analytics preditivo utiliza modelos de previsão para prever prováveis resultados de um evento, o Analytics prescritivo utiliza modelos de predição múltipla para prever diversos resultados e o melhor curso de ação para cada resultado, segundo Bahga e Madisetti (2019). O Analytics prescritivo ajuda a responder perguntas como: o que podemos fazer para que isso aconteça? O Analytics prescritivo pode prever os possíveis resultados com base na atual escolha de ações e pode ser considerado como um tipo de Analytics que utiliza diferentes modelo de previsão para diferentes entradas (inputs). Prescreve ações ou as melhores opções a serem seguidas dentre as possíveis. Por exemplo, pode-se utilizar uma técnica de Analytics prescritivo para prescrever o melhor tratamento médico para um paciente com base nos resultados de outros pacientes. Outro exemplo: seria possível sugerir o melhor plano de dados para celular com base nos padrões de navegação do cliente. Os possíveis ambientes de aplicação de técnicas de Analytics são diversos, como dito antes, assim como a seleção das técnicas apropriadas para cada um deles. Pode-se utilizar todas as técnicas existentes ou pode-se recorrer a apenas uma delas. A quantidade a ser implementada estará diretamente relacionada com a complexidade dos problemas ou ambientes em que serão implementadas. Em cadeias de suprimentos, por exemplo, pode-se utilizar Analytics para otimizar fluxos e diminuir os estoques, enquanto que, no relacionamento com o cliente, pode-se utilizar para a identificação de oportunidades de negócios e potenciais relações empresariais. Ruggiero (2017, p. 31) exemplifica ainda a possibilidade de utilizar no “uso inteligente do capital humano interno; no ganho de qualidade a partir de processos internos; de performance financeira; e para pesquisa e desenvolvimento”. 17 Muitas empresas utilizam o Analytics em suas diversas áreas e, a depender destas, faz-se uso de um conjunto de técnicas apropriadas dentre as apresentadas na Figura 1. O ideal é que toda a empresa faça uso de inteligência analítica em seus diversos setores. No entanto, esta não é a realidade encontrada. O Analytics ou Inteligência Analítica, pode também ser utilizado em análise de mídias sociais com a intenção de extração de opinião de usuários de redes sociais, de consumidores de determinado produto, clientes de um serviço de televisão, dentre outros. Muitas empresas prestam esse tipo de serviço, e estas têm se consolidado neste mercado cada vez mais. É certo que o uso de IA extrapola o campo do mundo corporativo, muitos setores do serviço público fazem uso de técnicas de Analytics para manter, por exemplo, a transparência e a participação pública em suas atividades. Muitos centros de pesquisas acadêmicas também fazem uso de IA para o desenvolvimento de suas pesquisas em diversas áreas. Ruggiero (2017) apresenta vantagens no uso de IA: Naárea de ciência e tecnologia, com amplo ganho de informações através de sensores e instrumentos (exemplo oceanografia, astrofísica, etc.); na saúde, com ganho nas frentes de genoma e no bom uso dos dados gerados pelos pacientes; e na segurança pública, com o uso de dados de múltiplas fontes e o uso de sistemas de inteligência. (RUGGIERO, 2017, p. 32) Com a produção maciça de dados por meio do uso intensivo da Internet, diversas empresas como Google, Amazon, Microsoft, entre outras, têm aumentado o uso de IA e capacitado seus colaboradores a lidar com técnicas que podem extrair informações importantes para seus negócios e orientações na produção de serviços e aplicativos, sendo a Google, Amazon e Facebook consideradas as pioneiras no uso de IA em suas atividades, segundo Ruggiero (2017). 18 No geral, o termo Analytics tem associação a alguma área ou contexto, como, por exemplo, Business Analytics, Health Analytics, Safe Analytics etc. O uso do termo associado a algum contexto ou área permite, segundo Ruggiero (2017), criar uma diferenciação do uso ou do propósito do uso das técnicas de IA, a fim de clarear para seus usuários quais as habilidades e tecnologias necessárias para a sua implementação. Mesmo com o uso diferenciado e termos distintos, as várias áreas e empresas que utilizam conceitos e técnicas de IA têm em comum o uso de dados para extração de valor e informações que possam direcionar para a tomada de decisão dentro dos melhores cenários possíveis. Ao voltar a falar em dados, é praticamente inevitável falar em Big data, pois a IA é que sustenta ou fornece embasamento para este conceito, o qual recorre, como já dito, ao uso de diversas técnicas quantitativas de estatística, raciocínio matemático e lógico, além de recursos computacionais. Uma rápida consulta na internet sobre Analytics ou Inteligência Analítica permite que se tenha uma breve noção do quanto as empresas fazem uso de seus conceitos e técnicas. Está diretamente relacionado com a corrida para se atingir os melhores resultados dentro de suas áreas de atuação. O uso de IA permite que as empresas obtenham uma série de benefícios, sendo muitos já descritos neste texto, mas vários outros podem ser elencados, como a possibilidade de permitir que as empresas desenvolvam projetos e campanhas de forma eficiente, permitindo que os esforços direcionados possam ser mensurados e ajustados, quando necessário. Falar em Analytics ou Inteligência Artificial, como feito neste texto, é falar de um amplo mundo cheio de recursos tecnológicos e de termos que se associam e ao mesmo tempo se diferenciam em relação a área de atuação e, quanto ao uso das ferramentas metodológicas. Portanto, é um mundo que se abre diante de você, o qual não poderá de ser explorado. 19 Este texto apresentou, de forma breve e resumida, conceitos de inteligência artificial, conceitos de Analytics e, descreveu de forma breve os ambientes favoráveis à aplicação desses conceitos e suas tecnologias associadas. Não houve a pretensão de esgotar o assunto, mas houve a intenção de instigar o aluno a buscar e a conhecer mais do que aqui foi apresentado. Referências Bibliográficas BAHGA, Arshdeep; MADISETTI, Vijay. Big data science & analytics: a hands-on approach. Arshdeep Bahga & Vijay Madisetti, 2019. ISBN: 978-1-949978-00-1. COPPIN, B. Inteligência artificial. Tradução e revisão técnica Jorge Duarte Pires Valério. Reimpr. Rio de Janeiro: LTC, 2013. Disponível em: https://integrada. minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0. Acesso em: 23 jul 2020. MACHADO, V. P. Inteligência artificial. Fortaleza. Notas de aula, 2017. Disponível em: http://www.uece.br/computacaoead/index.php/downloads/doc_ download/2177-inteligencia-artificial. Acesso em: 23 jul 2020. OLIVEIRA, R. F. Inteligência artificial. Londrina: Editora e Distribuidora Educacional S.A., 2018. RUGGIERO, P.H.G. Inteligência analítica: competências para atuação. 2017. Dissertação (Mestrado em Administração de Empresas), Escola de Administração de Empresas de São Paulo, Fundação Getúlio Vargas, São Paulo, 2017. Disponível em: https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/ Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica. pdf?sequence=1&isAllowed=y. Acesso em: 23 jul 2020. SANTOS, B.L.; ARRUDA, E.P. Dimensões da inteligência artificial no contexto da educação contemporânea. Educação Unisinos, [s. l.], v. 23, n. 4, p. 725–741, 2019. Disponível em: http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=14 0968652&lang=pt-br&site=ehost-live. Acesso em: 23 jul 2020. SOARES, J. Uma breve viagem pela inteligência artificial. Revista de Ciências da Computação, [s. l.], v. 14, p. 1–34, 2019. Disponível em: http://search.ebscohost. com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live. Acesso em: 23 jul 2020. https://integrada.minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0 https://integrada.minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0 http://www.uece.br/computacaoead/index.php/downloads/doc_download/2177-inteligencia-artificial http://www.uece.br/computacaoead/index.php/downloads/doc_download/2177-inteligencia-artificial https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=140968652&lang=pt-br&site=ehost-live http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=140968652&lang=pt-br&site=ehost-live http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live 20 Conceitos e objetivos de Business Intelligence - BI Autoria: Marcelo Tavares de Lima Leitura crítica: Lucas dos Santos Araujo Claudino Objetivos • Apresentar conceitos fundamentais de Business Intelligence (BI). • Descrever os objetivos e os componentes de Business Intelligence (BI). • Apresentar aplicações de Business Intelligence (BI). 21 1. Introdução Vivemos em um mundo cada vez mais complexo e dinâmico, onde também estão inseridas as organizações empresariais, pressionadas a tomar decisões cada vez mais rápidas e eficientes, exigindo uma mudança radical em seus modos de operação para continuarem sendo competitivas e se manterem vivas no mundo de negócios, que se torna cada vez mais complexo. Este texto apresenta conceitos fundamentais de Business Intelligence (BI), também conhecido como inteligência de negócios. Serão descritos métodos analíticos utilizados dentro deste conceito e ambientes relacionados. Também, serão apresentados os objetivos do BI e exemplos de aplicações diversas. Bons estudos! 2. Conceitos fundamentais de Business Intelligence A busca por informações importantes e relevantes para a tomada de decisão é uma corrida que sempre existiu. No entanto, com o aumento dos recursos tecnológicos,tem se acelerado de forma exponencial por conta da grande produção de dados pelas empresas. Como primeiro desafio, tem-se a necessidade de um armazenamento adequado, apropriado e de fácil acesso, queermite que dados importantes não sejam descartados nem perdidos por conta do mau uso. Diversos ambientes de armazenamento de dados e de sua fácil disponibilização são desenvolvidos por profissionais de tecnologia de informação. Estes poderão também conter ferramentas de cunho analítico, que permitirão não apenas o acesso aos dados, mas também a manipulação destes com métodos e técnicas que possam transformá-los em informações. 22 O processode tratamento analítico de dados gerados em ambientes empresariais e de negócios está associado ao conceito de BI. São as ferramentas associadas que transformam dados brutos em informações valiosas para os negócios, obtidas de formas ágeis em concordância com a velocidade da dinâmica de mudanças em ambientes empresariais, segundo Antonelli (2009). Dentro do contexto apresentado, surge o BI, que, segundo Antonelli (2009, p. 79) trata-se de uma “ferramenta que se utiliza da tecnologia da informação para coletar dados, analisá-los e transformá-los em informação para as organizações”. A ferramenta BI, também considerada como um sistema, permitirá que as organizações tenham acesso rápido e fácil ao conhecimento sobre os seus negócios, permitindo que os gestores realizem tomada de decisão de forma assertiva. O conteúdo, até aqui apresentado, permite mostrar a importância que o BI tem dentro do cenário empresarial, pois o uso apropriado de ferramentas analíticas, associadas com recursos tecnológicos adequados, trarão maior qualidade de informação na tomada de decisão dos negócios, e consequentemente, o sucesso e a permanência das organizações. A literatura não tem consensualidade na definição de BI, portanto, os autores do assunto nem sempre descrevem BI da mesma maneira. Alguns afirmam que se trata de um conjunto de conceitos, outros, dizem ser um conjunto de técnicas e, assim, divergem em partes quanto ao conceito de BI. De forma geral, no entanto, é possível perceber, em algum grau, certo consenso de definição de BI. Por exemplo, Angeloni e Reis (2006) definem que: O conceito de Business Intelligence com o entendimento de que é Inteligência de Negócios ou Inteligência Empresarial compõe-se de um conjunto de metodologias de gestão implementadas através de ferramentas de software, cuja função é proporcionar ganhos nos processos decisórios gerenciais e da alta administração nas organizações, 23 baseada na capacidade analítica das ferramentas que integram em um só lugar todas as informações necessárias ao processo decisório. (ANGELONI; REIS, 2006 apud ANTONELLI, 2009, p. 79) O BI é considerado destaque dentro do mundo dos negócios porque permite que as empresas tenham visão sistêmica de seus negócios, além de permitir o acesso, de maneira uniforme, aos dados por seus colaboradores e interessados na obtenção de informações para o processo decisório. Outro conceito a respeito de BI, apresentado por Angeloni e Reis (2006) o define como: Um guarda-chuva conceitual, visto que se dedica à captura de dados, informações e conhecimentos que permitem às empresas competirem com maior eficiência em uma abordagem evolutiva de modelagem de dados, capazes de promover a estruturação de informações em depósitos retrospectivos e históricos, permitindo sua modelagem por ferramentas analíticas. Seu conceito é abrangente e envolve todos os recursos necessários para o processamento e disponibilização da informação ao usuário. (ANGELONI; REIS, 2006 apud ANTONELLI, 2009, p. 80) Apesar de ter sua definição ligada à tomada de decisão da alta administração das empresas, o BI pode e deve ser utilizado por todos os setores das empresas responsáveis por tomadas de decisão. O acesso aos dados internos permite que haja embasamento confiável e transparente, como, por exemplo, em um departamento de compras de uma empresa. Na prática, o BI é usado desde os povos passados. Por exemplo, os povos persas, egípcios e orientais, ao seu modo, faziam uso de observações dos fenômenos, como o comportamento das marés, a posição dos astros, dentre outros, e transformavam em informações úteis para a sua tomada de decisão. Um exemplo atual, apresentado por Loh (2014), com a intenção de descrever o conceito de BI para leigos, fala sobre um caso de um carro 24 GM (General Motors) e o sorvete de baunilha. Segundo ele, existe uma lenda sobre um cidadão que comprou um carro GM e, ao usar o automóvel, passou a ter problemas que o incentivaram a enviar uma carta para o fabricante. A queixa do cidadão, descrita na carta, estava relacionada com as suas idas a uma sorveteria e quando comprava sorvete de baunilha. Todas as vezes que assim fazia, o carro demorava a dar partida. No entanto, percebeu que, quando ia à sorveteria, mas comprava um sorvete que não fosse sabor de baunilha, o carro voltava a funcionar na primeira tentativa. Conta a lenda que a situação virou piada na GM, pois jamais se imaginaria alguma relação entre o funcionamento do automóvel e o sabor de um sorvete. A história diz que um engenheiro foi investigar o caso e, junto com o reclamante, foram testar se a reclamação era verdadeira. Foram até a sorveteria e compraram o sorvete de baunilha. Ambos voltaram para o carro e, de fato, o carro não deu partida na primeira tentativa. Tiveram que esperar alguns instantes para que voltasse a funcionar. Em um outro momento, foram testar a compra de sorvete de outros sabores. Ao voltarem para o carro, a surpresa em o carro dar partida na primeira tentativa. Poderia ser uma mera coincidência ou acaso, no entanto, repetiram a ação diversas vezes, e o resultado sempre era o mesmo. O engenheiro tinha certeza de não existir relação entre o comportamento do automóvel e o sabor do sorvete comprado, mas sabia que poderia existir algum comportamento dentro da situação que pudesse causar o resultado. Para isso, passou a coletar dados, e descobriu que o balcão de venda de sorvete de sabor baunilha ficava na entrada da sorveteria, enquanto que, o balcão de venda de outros sabores, ficava nos fundos da mesma. Ao entrar na sorveteria para comprar sorvete de baunilha, o dono do carro demorava menos tempo para voltar do que se fosse comprar 25 sorvete de outro sabor. Existia uma peça no carro que precisava resfriar para o carro poder funcionar. Portanto, um menor tempo na sorveteria não permitiria que a peça esfriasse a um ponto de que permitisse o carro funcionar. Por isso, não funcionava. Enfim, o engenheiro, com toda essa investigação, descobriu a verdadeira causa do não funcionamento do carro. Trata-se de um exemplo lúdico, mas que não deixa de ser um exemplo de BI em tempos modernos. O que se pode tirar dos exemplos apresentados, tanto o dos povos antigos como o mais recente, é que o uso de informações para a tomada de decisão, independente do meio utilizado, ou seja, das ferramentas utilizadas, é uma necessidade que sempre existiu em processos decisórios. O BI, da forma como é conhecido, surgiu na década de 1950, segundo Antonelli (2009). Na época, os computadores passavam por rápida evolução tecnológica, e deixaram de ocupar salas inteiras, passando a armazenar dados em espaços cada vez menores, mesmo com a limitação de hardware e de software existentes na época. Na década de 1970, ocorreu grande evolução no armazenamento de dados, o que tornou possível a utilização de repositórios individuais para guardar dados. Isso se tornou possível pelo surgimento dos sistemas de gerenciamento de bancos de dados (SGBD), que permitiram “com que as ferramentas de BI da época pudessem oferecer aos gestores as informações pretendidas”, segundo Antonelli (2009, p. 80). Somente na década de 1980, surgiu o termo Business Intelligence por meio da empresa Gartner Group (PRISMARK, 2008 apud ANTONELLI, 2009). Então, surgiu uma definição para BI que, segundo Prismark (2008 apud Antonelli, 2009, p. 80) trata-se de “processo inteligente de coleta, organização, análise, compartilhamento e monitoração de dados contidos em Data Warehouse e/ou Data Mart, gerando informações para o suporte à tomada de decisões no ambiente de negócios”. 26 É visível a evolução do BI desde quando surgiu. No entanto, segundo Antonelli (2009), a partir dos anos 1990, houve expressivo avanço nas tecnologias associadas, o que atribuiu maior importância e maior interesse ao uso de BI. O mundo corporativo passou a ter expressivo interesse por BI depois da metade dos anos 1990. O mundocorporativo, representado por seus executivos, tem ideia de que as tecnologias de informação associadas ao BI são vitais para seus negócios, e já as adotam de forma massiva. Trata-se, basicamente, de questão de sobrevivência dos negócios em tempos de grande produção de dados. Para Loh (2014, [s.p]), BI é um processo, e afirma existirem técnicas, tecnologias e programas computacionais para BI, mas declara que BI se trata de “um processo que envolve métodos, técnicas, tecnologias, pessoas, informações, métricas, ferramentas etc.” O processo de BI pode se utilizar de diversos sistemas gerenciais, ferramentas de mineração de dados por meio de sistemas ditos rotineiros ou transacionais, segundo Loh (2014). Pode-se, então, afirmar que BI opera na ponta do fluxo de informação, sempre próximo dos tomadores de decisão. Segundo Sharda, Delen e Turban (2019), uma arquitetura de BI bem definida é composta pelos seguintes elementos: um Data Warehouse, a análise de negócios, a gestão de desempenho de negócios e uma interface do usuário. O Data Warehouse para conter os dados a serem tratados, a análise de negócios composta por técnicas e métodos analíticos para tratamento dos dados, a gestão de negócios para acompanhamento e análise de desempenho e, uma interface do usuário para apresentação de resultados, com o uso de uma visualização de dados, por exemplo. A Figura 1 representa uma arquitetura de BI, segundo os autores citados. 27 Figura 1 – Arquitetura de BI Fonte: adaptado de Sharda, Delen e Turban (2019). (*) BPM: Business performance management (gestão de desempenho de negócios). Segundo Loh (2014) BI é, muitas vezes, confundido com aplicações que geram relatórios, os conhecidos Sistemas de Informações Gerenciais (SIG), que são sistemas que produzem relatórios, muitas vezes, em formatos de gráficos, com a sintetização de informações contidas nos dados com a intenção de compará-las. No entanto, BI é um conceito que vai além. Sharda, Delen e Turban (2019) afirmam que BI não se trata de processamento de transações, como saques em caixas eletrônicos de bancos, depósitos bancários, leitura de código de barras em produtos de supermercado etc. Os sistemas de processamento de transações, conhecidos como processamento de transações on-line (OLTP – online transaction processing) são apropriados para lidar com os negócios cotidianos de uma empresa. Segundo Sharda, Delen e Turban (2019, p. 20) OLTP “é um tipo de processamento computadorizado em que o computador responde imediatamente à solicitação do usuário”. 28 Solicitação é compreendida como transação dentro deste tipo de sistema, a qual é um registro de um evento discreto, produzindo recibo de estoque ou um pedido de um cliente, por exemplo. Por fim, em sistemas OLTP, a realização de transação “exige um conjunto de duas ou mais atualizações de bases de dados que precisam ser completadas de um modo tudo ou nada” (SHARDA; DELEN; TURBAN, 2019, p. 20). Os sistemas Data Warehouse (DW) permitem ir além das transações, possibilitando o armazenamento de dados que serão utilizados para análises e tomada de decisões. Análise produzida com o intuito de permitir que os gestores sejam capazes de vasculhar informações para o embasamento de decisões, tanto táticas quanto operacionais (SHARDA; DELEN; TURBAN, 2019). Os sistemas apropriados para instalação de DW são conhecidos como sistemas de processamento analítico on-line (OLAP – online analytical processing). OLAP não se trata de um software específico, mas de um conceito onde vários programas computacionais podem ser enquadrados, tanto pela capacidade de manipulação de dados quanto pela capacidade de apresentação visual e produção de relatórios gerenciais. Tal conceito permite ao usuário usufruir de uma análise multidimensional (MDA – Multidimensional Analysis), ou seja, de poder manipular dados que estejam armazenados em dimensões diversas. Para exemplificar, Loh (2014) descreve a produção de relatórios de vendas de produtos. No relatório, é possível identificar os produtos mais vendidos ou os mais lucrativos, identificar os melhores vendedores e, as lojas com melhores desempenhos, além da época de maior ou menor venda por produto. Para a produção dos indicadores citados no parágrafo anterior, um SIG seria suficiente, no entanto, o processo de BI deve ir além. Ainda considerando o exemplo, o processo BI poderia ajudar a descobrir por que um produto está sendo mais vendido que outros, por exemplo. 29 Outra, além de identificar a época de maior ou menor saída de um produto, o BI poderia ajudar a entender e descobrir os motivos da maior ou menor venda em determinada época. Para Loh (2014, [s.p.]) “SIGs ajudam a entender o que aconteceu ou o que está acontecendo […]; BI procura por causas ou explicações”. 3. Objetivos e componentes de Business Intelligence Os motivos para uso de BI devem estar muito explícitos para que os gestores entendam a real motivação de sua implementação e a forma como isso se dará, a fim de que ocorra o alinhamento apropriado com as estratégias dos negócios. Os objetivos bem determinados da implementação de BI em ambiente empresarial ajudam a compreender o que é e para que serve o BI. Como visto no item anterior, para que não haja confusão, por exemplo, com outros sistemas como os SIG. Dentre os objetivos que podem ser destacados, o processo BI pretende encontrar causas, explicações e padrões de comportamentos em dados produzidos por operações diversas. A intenção é sair do achismo e ingressar em processos de evidenciação de resultados, a serem utilizados para a tomada de decisão apropriada. Segundo Loh (2014) o processo de BI pode ser realizado de duas maneiras, reativa ou proativa. Cada uma é motivada por objetivos distintos. Em BI reativo, por exemplo, tem-se como objetivo a busca de identificação ou do monitoramento de indicadores quantitativos, enquanto que, no BI proativo, o objetivo é, de certa forma, um tanto vago e tem maior relação com a exploração, a busca por algo ainda não conhecido. 30 A grande produção de dados precisa receber tratamento analítico apropriado para que possa fazer sentido e ser útil para algo, como a tomada de decisão, por exemplo. Sem essa ação, de nada servirá a coleta maciça de dados e produção de grandes armazenamentos (Big data). Dentre muitas razões para a produção e o armazenamento de grandes volumes de dados, Loh (2014) apresenta uma breve lista com justificativas que tentam explicar esse processo, reproduzida, de forma adaptada, a seguir. • O armazenamento de dados tem se tornado cada vez mais barato, seja em discos rígidos ou mesmo gratuitamente (serviços de hospedagem gratuitos na Internet). • As pessoas têm se tornado cada vez mais familiarizadas com as tecnologias e, como consequência, têm produzido mais dados. • A tendência é “nada jogar fora”, comportamento incentivado, principalmente com o surgimento do Gmail, que tinha como propaganda que ninguém precisava deletar seus e-mails. • Maior possibilidade de serviços para publicação e difusão de informações (blog, redes sociais etc.). É certo que a lista de justificativas para a produção de grande massa de dados não se esgota com os itens acima, vai além e é muito mais extensa. No entanto, a lista apresenta dá uma noção da importância do armazenamento necessário e adequado, assim como do tratamento analítico necessário para a extração de informação útil dos dados gerados. Em relação aos seus componentes, um processo BI é composto, segundo Antonelli (2009), basicamente por: ferramentas de armazenamento de dados e ferramentas de análise de dados para produção de informações. Dentre o processo de análise de dados, encontra-se o processo de mineração de dados (data mining). 31 As ferramentas de armazenamento de dados também abarcam a fase de coleta e, nesta, uma peneira precisa considerada para que, apenas o que realmente é importante para o processo possa ser considerados,pois com a produção em massa de dados, seria necessário grande investimento em sistemas robustos de armazenamento. As ferramentas apresentadas por Antonelli (2009) compõem o processo de descoberta do conhecimento como um produto do BI, a qual tem como consequência direta. Segundo Loh (2014), a geração de inteligência e a resolução de problemas, que pode ser traduzido, de forma prática, na geração de conhecimento novo e útil. Segundo Loh (2014): O processo de descoberta de conhecimento é iterativo e interativo. Iterativo (ou cíclico) porque precisa ser feito várias vezes, com diferentes amostras ou até mesmo com diferentes técnicas e ferramentas. […] O processo também é interativo, porque precisa de intervenção humana. (LOH, 2014, [s.p.]) O processo de descoberta de conhecimento (KDD – Knowledge Discovery in Database) pode ser descrito, de forma esquemática e visual, segundo diversos autores, conforme apresenta a Figura 2. Figura 2 – Processo geral da descoberta de conhecimento Fonte: adaptado de Loh (2014). 32 Conforme mostra a Figura 2, a entrada do processo parte da manipulação de dados armazenados em bancos de dados e, após algumas etapas, finaliza-se com um conjunto de conhecimentos produzidos a partir da extração e tratamento apropriados aplicados, segundo Loh (2014). É usual realizar análises em amostras em vez de todo o conjunto de dados, que recebe tratamento analítico com ferramentas de mineração de dados, com uma preparação prévia apropriada, onde, nesta última, os dados serão limpados, integrados e transformados, se necessário, dentre outras execuções necessárias, em particular, para cada trabalho específico. Os padrões estatísticos, indicados na Figura 2, são, de certa forma, resultados da etapa de mineração de dados ou análise de dados. No entanto, ainda não podem ser considerados como conhecimento porque precisam de interpretação dentro do contexto em que estão inseridos. Segundo Sharda, Delen e Turban (2019, p. 23) “a análise de dados representa a combinação de tecnologia computadorizada, técnicas de ciência administrativa e estatística para solucionar problemas reais”. A ideia de olhar para os dados com o intuito de entender o que ocorre ou o que poderá a vir acontecer para tirar o melhor proveito da situação fez com que o Institute for Operations Research and Management Science (Informs) propusesse três níveis de análise de dados, segundo Sharda, Delen e Turban (2019): descritivo, preditivo e prescritivo (). A Figura 3 apresenta um esquema visual dos três níveis de análise de dados. 33 Figura 3 – Tipos de análise de dados segundo o Informs Fonte: adaptado de Sharda, Delen e Turban (2019). As técnicas analíticas utilizadas em BI são diversas e amplas em seu conteúdo. Existe uma vasta literatura que apresenta com detalhes cada uma delas, inclusive as referências utilizadas para a produção deste material. É interessante que, além dos componentes técnicos, os tomadores de decisão também conheçam as técnicas analíticas utilizadas mais corriqueiramente em seus processos gerenciais. A qualidade das informações apresentadas, nos processos de BI, precisa ser considerada ao longo da realização de todas as suas etapas, pois processos com alguma deficiência na qualidade, ou mesmo sem qualidade, produzirão resultados insatisfatórios e que não auxiliarão da forma como se deseja no processo de tomada de decisão. Existe uma 34 expressão em inglês que representa muita bem o que aqui se expõe: garbage in, garbage out, que em tradução livre significa entra lixo, sai lixo. Por fim, estudar BI, é analisar um vasto campo de conceitos e de ferramentas, assim como suas associações com as ferramentas tecnológicas computacionais existentes. Portanto, seu uso deve sempre ser contextualizado, a fim de que se possa utilizar o que realmente poderá contribuir, de forma significativa para os tomadores de decisão em seus processos gerenciais. Este texto apresentou, de forma breve e resumida, os principais conceitos de BI e seus fundamentos, assim como seus objetivos e componentes. Não foram apresentadas as técnicas analíticas que compõem o conceito, mas as referências existentes neste material contêm detalhes acerca de cada uma delas. Portanto, é importante que você busque conhecer as referências sugeridas para conhecer com detalhes as técnicas analíticas. Não houve pretensão, em momento algum, de esgotar o assunto neste texto, que é breve e introdutório sobre o assunto. Por isso, a busca por referências associadas deve ser feita para complementação de sua formação. Referências Bibliográficas ANTONELLI, R. A. Conhecendo o business intelligence (BI). Revista TECAP. N. 03, vol. 3, p. 79-85, 2009. [s.l.]. Disponível em: <http://revistas.utfpr.edu.br/pb/index.php/ CAP/article/viewFile/933/544. Acesso em: 23 jul 2020. LOH, S. BI na era do big data para cientistas de dados: indo além de cubos e dashboards na busca pelos porquês, explicações e padrões. Porto Alegre, 2014. SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019. Disponível em: <https:// integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00>. Acesso em: 23 jul 2020. http://revistas.utfpr.edu.br/pb/index.php/CAP/article/viewFile/933/544 http://revistas.utfpr.edu.br/pb/index.php/CAP/article/viewFile/933/544 https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00 https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00 35 Tomada de decisão em custo e tempo de processamento de servidores Autoria: Marcelo Tavares de Lima Leitura crítica: Lucas dos Santos Araujo Claudino Objetivos • Descrever sobre o processo de tomada de decisão em ambientes de decisão. • Descrever sobre a redução de custo e tempo de processamento com o uso de inteligência artificial e analytics. • Descrever ambientes favoráveis para a aplicação do processo de tomada de decisão, redução de custo e tempo de processamento. 36 1. Introdução Em processo de tomada de decisão com uso de ferramentas de analytics e inteligência artificial, busca-se a melhoria e a redução de custos envolvidos, assim como de tempo de obtenção de resultados confiáveis e acurados. Essa busca tem como principal motivação, a disputa por mercados diversos, mas, de certa forma, cheio de concorrentes. Este apresenta o processo de tomada de decisão em ambientes que são favoráveis ao uso de analytics, assim como do uso de inteligência artificial, subsidiados com bons recursos computacionais e tecnológicos. Bons estudos! 2. Processo de tomada de decisão Imagine um jogador de um time de futebol se preparando para bater um pênalti. A pressão é grande sobre ele e a decisão que tomar poderá decidir de forma agradável ou não para seu time. Agora, imagine um executivo diante de sua mesa com uma pilha de documentos com propostas de investimentos, cuja decisão deverá ser apresentada por ele em reunião algumas horas depois desse momento. Apesar da diferença de situações, existe um aspecto em comum, ambos, o jogador e o executivo, precisam tomar decisões. Uma tomada de decisão pode levar as pessoas/negócios ao sucesso ou ao fracasso. O resultado dependerá diretamente da escolha tomada. A teoria da decisão, segundo Render et. al. (2010, p.94) “é uma abordagem analítica e sistemática para o estudo da tomada de decisão”. Torres Junior e Moura (2011) afirmam que: 37 Decidir é um dos atos humanos que realizamos tantas vezes ao dia, muitas vezes sem nos darmos conta de que estamos decidindo – desde decisões simples e com consequências triviais até casos que, pela complexidade e grande responsabilidade, traduzem momentos marcantes na vida e interferem no sono e na qualidade de vida. (JUNIOR; MOURA, 2011, [s.p.]) O ato de decidir envolve definições diversas entre estudiosos do assunto. Essa diversidade depende diretamente da consideração de conceitos auxiliares,também se a definição a ser considerada será sintética ou detalhada, descritiva ou prescritiva, dentre outros delimitadores, segundo Torres Junior e Moura (2011). Considerando o contexto das organizações e o sentido de alocação de recursos, decidir significa “efetuar escolhas sobre alternativas que combinem tais recursos e caminhos de ação a fim de atingir determinadas preferências e tendo em vista expectativas de resultados associados a cada alternativa” (TORRES JUNIOR; MOURA, 2011, [s.p.]). Pode-se entender por preferências os objetivos envolvidos, assim como as necessidades do contexto, além da disponibilidade de recursos para se chegar em algum resultado pretendido, muitas vezes, a partir de uma ação individual ou coletiva. Uma decisão poderá ser boa ou ruim, cujo resultado dependerá da trajetória utilizada para chegar ao que se deseja. Uma decisão boa geralmente se baseia na lógica, nos dados disponíveis e nas alternativas possíveis, segundo Moreira (2015). O caso contrário, ou seja, uma decisão ruim, não se baseia na lógica e muito menos em dados disponíveis para serem utilizados com subsídios. O sucesso ou o fracasso em um processo de tomada de decisão pode ser considerado uma medida da qualidade das decisões tomadas. É certo que, muitas vezes, é possível chegar a bons resultados unicamente com uso de intuição ou feeling. Em outros casos, é possível chegar a resultados ruins com o uso de métodos científicos válidos e dados. 38 Apesar de resultados como os descritos no parágrafo anterior serem possíveis, os mesmos devem ser considerados como atípicos, pois, os métodos científicos e técnicas existentes são comprovadamente eficientes e importantes para se obter resultados ótimos e confiáveis dentro das condições e possibilidades do contexto em que se encontra o problema. Tomar uma decisão é considerar a estrutura hierárquica das decisões, onde o gestor deverá identificar nesse processo as decisões triviais e as críticas, pois essa separação proporcionará melhor alocação de tempo e atenção em justa medida para a obtenção de resultados ótimos, de acordo com Torres Junior e Moura (2011). Por serem recursos escassos nas organizações, o tempo e a atenção devida ao que é realmente importante para uma tomada de decisão poderão ser fatores cruciais para obtenção de sucesso de decisão. É certo que todo problema deve receber atenção e dispensa de tempo por parte de todos os envolvidos, mas o foco no que realmente importa será diferencial para se chegar em resultados desejados. Tomada de decisão é ciência e arte, segundo Torres Junior e Moura (2011). Tomada de decisão é vista como arte quando se recorre a experiências empíricas como pontos de partida para a realização do processo decisório e é considerada ciência quando se utiliza metodologia cientifica para a obtenção de resultados. Segundo Torres Junior e Moura (2011): Tomar decisões é um dos momentos mais críticos na administração de qualquer empreendimento humano e está envolta das limitações humanas, das redes sociais com seus aspectos de afetividade, relacionamentos, interesses e de toda complexidade organizacional. (TORRES JUNIOR; MOURA, 2011, [s.p.]) 39 A inteligência analítica, ou o analytics, tem como uma de suas funções a identificação de oportunidades e seu aproveitamento otimizado. No geral, as oportunidades são os problemas de decisão a serem tratados, segundo Ragsdale (2014), e o aproveitamento otimizado é realizado com uso de ferramentas metodológicas apropriadas e bons recursos computacionais. Em ambientes de tomada de decisão, as palavras oportunidade e problema são, de certa maneira, consideradas sinônimos, pois é assim que uma oportunidade é confrontada em ambiente de tomada de decisão. Para qualquer decisão que tiver que ser tomada, uma série de passos ou etapas deverão ser cumpridas para chegar ao resultado desejado. Em outras palavras, para chegar a um resultado satisfatório, alguns passos se fazem necessários, como a definição clara de um problema, a listagem de alternativas existentes e possíveis para a sua solução, a identificação dos possíveis resultados e suas consequências e, a escolha da metodologia apropriada para a busca de informações. Um ponto essencial para a tomada de decisão é o acesso a dados. Para Sharda, Delen e Turban (2019, p. 1) “para que tais decisões sejam tomadas, pode ser preciso quantidades consideráveis de dados, informações e conhecimentos relevantes”. Os autores afirmam ainda ser necessário o rápido processamento à luz das decisões a serem tomadas, o que, certamente, exige recurso computacional adequado. 3. Processo de redução de custo e tempo de processamento dos servidores Dentre as muitas disciplinas existentes dentro do contexto da administração de empresas, possíveis de serem aplicadas em 40 problemas de negócios, uma delas é responsável por lidar com os dados produzidos pelas organizações, a Inteligência de negócios ou o Business Intelligence (BI), que tem papel claro nas organizações, a busca pelos melhores resultados. A busca pela redução de custo é um dos principais motivadores dos gestores, assim como a busca pela redução de tempo em processamento de dados para obtenção de informações úteis. Segundo Salles (2020): Quando você é uma empresa, seu resultado é o lucro. Quando você é uma ONG ou uma repartição pública, o seu resultado é trabalho realizado. ‘Melhorar seus resultados’ significa fazer seus recursos renderem mais com menos, ou seja, aumentar o lucro. (SALLES, 2020, [s.p.]) É certo que toda organização empresarial possui um propósito. Quando se trata de uma empresa privada, sabe-se que seu propósito é obtenção de lucros. Ao passo que empresas governamentais possuem resultado não monetário como principal finalidade. Um ponto em comum a ambos é que o uso de BI permite a geração de valor para a organização a partir de dados fornecidos. Segundo Salles (2020, [s.p.]) “para empresas privadas, melhorar o resultado é aumentar o lucro, que é a diferença entre quanto se gasta e o quanto se ganha. Logo, para aumentar os lucros uma empresa deve gastar menos e/ou faturar mais”. No entanto, em se tratando de organizações sem fins lucrativos, a melhora de resultados equivale a ser mais eficaz e mais eficiente. Uma empresa que investe em recursos de análise de dados está investindo diretamente em inteligência de negócios, fato dado por se considerar que a análise/consumo de dados compõe os domínios do BI. A informação é moeda de muito valor no mundo dos negócios, onde, inclusive, é uma das causas das vantagens em um cenário competitivo. 41 Por isso, ao longo dos anos, com a tendência crescente do mercado e com a globalização, “a computação se tornou fundamental para processar grandes volumes de dados”, segundo Novais (2012, p. 12). Com o passar dos anos, as empresas transferiram seus sistemas de informações da área operacional para áreas mais analíticas com a intenção de realizar tomada de decisão baseada em dados. Foi assim que se detectou o grande gargalo a ser superado, que era a utilização de arcaicos meios de armazenamento de dados, dificultando a obtenção de informações a partir de grandes volumes de dados. O conceito de BI destaca a existência de um grande desafio para os gestores quanto à análise dos acontecimentos (fatos) relacionados ao seu dever de detectar quaisquer informações úteis para alavancar os negócios e ganhar vantagem em relação à concorrência. Novais (2012, p. 13) afirma que “o propósito do Business Intelligence é permitir a tomada de decisões proativas, ao gerar informações necessárias ao negócio e disponibilizá-los no momento certo”. Para achar o momento certo é necessário estar muito bem aparelhado com ferramentas de sistemas de gestão de dados que possam extrair informações relevantes de grandes bases de dados, assim como realizar tal ação no momento apropriado sem perder a qualidade e a confiabilidade. Com a tendência crescente de produçãode dados, e também a crescente diversidade de tipos, surgiu, de certa forma natural, a necessidade de construção de ambientes de armazenamento mais robustos e com maior poder de processamento. Com o passar dos anos, desde a construção dos primeiros computadores, percebe-se que há um aumento significativo na elaboração de sistemas de gestão, tendo como consequência o crescimento da produção de dados e de seu armazenamento e 42 tratamento, segundo Gura e Benck (2011). Diante desse cenário, surgiu o conceito de data warehouse (DW), que também é conhecido como armazém de dados. Apesar da tradução ser armazém de dados, o conceito de data warehouse vai além disso: Data warehouse é uma arquitetura, não uma tecnologia. Representa uma grande base de dados capaz de integrar, de forma concisa e confiável, as informações de interesse para a empresa, que se encontram espalhadas pelos sistemas operacionais e em fontes externas, para posterior utilização nos sistemas de apoio à decisão (MACHADO, 2004, p. 22 apud GURA e BENCK, 2011, p. 21). A tarefa de armazenamento de dados não é trivial, pois exige um rigor em sua organização e na seleção do que será guardado, já que nem todo dado necessita de armazenamento. O uso de BI, até então, era restrito a poucas organizações, por conta da necessidade de altos investimentos, o que acabou restringido o acesso de corporações de porte mediano e pequeno, segundo Novais (2012). No entanto, esse cenário tem se modificado, pois, segundo o autor, “uma nova geração de produtos de BI tem surgido: alta performance, operações intuitivas e rápida implantação são características das novas soluções que atendem a empresas de todos os tamanhos” (NOVAIS, 2012, p. 15). Apesar de serem uma nova geração, as soluções que surgiram mantiveram o objetivo inicial do BI. No entanto, com novo foco, essas soluções focaram em uma nova abordagem como, por exemplo, implantação de sistemas ágeis com obtenção de resultados cada vez mais rápidos e confiáveis. Um dos pioneiros no estudo de DW foi William H. Immon, que apresentou um dos primeiros conceitos associados, que afirma que DW 43 “é um conjunto de dados consolidados por assunto, não é volátil e está sempre em constante variação quanto ao tempo” (INMON, 1997 apud Vieira, 2009, p. 13). Salles (2020, [s.p.]) afirma que “o investimento em um projeto de Armazém de Dados vale a pena porque melhora a qualidade dos dados, bem como a governança e a gestão dos ativos de dados”. O autor afirma que o custo de investimento na infraestrutura é relativamente alto, tanto em tempo quanto em dinheiro, mas a recuperação é certa, principalmente, em termos de rapidez e custo de produção de informações. Segundo Sharda, Delen e Turban (2019, p. 14) os “DWs são muito grandes e ricos em recursos, e tornou-se necessário ‘minerar’ os dados corporativos, a fim de ‘revelar’ pepitas novas e úteis de conhecimento para aprimorar processos e práticas empresariais”. Os autores afirmam, ainda, que foi a partir de situações como estas que se originaram termos como mineração de dados e mineração de textos. Vieira (2009) apresenta uma listagem de características que um data warehouse deve possuir: 1) conter um conjunto de programas para extração de dados; 2) ter um banco de dados; 3) ter um sistema para recuperação e visualização de dados. Já em referência aos possíveis benefícios que pode trazer, um data warehouse, segundo Vieira (2009), podem ser descritos: 1) capacidade de acesso fácil e rápido a dados; 2) capacidade de armazenamento de dados de forma consistente; 3) ser flexível; 4) ser detentor de ferramentas de consultas e visualização de dados; 5) realizar armazenamento confiável de dados; 6) capaz de construção de dados específicos para direcionamento de negócios. Machado (2004 apud Gura e Benck, 2011) apresenta uma lista com justificativas para uma empresa implementar um data warehouse em sua rotina, replicada a seguir: 44 • Existência de várias plataformas de hardware e de software. • Frequentes alterações nos sistemas transacionais corporativos. • Dificuldade na recuperação de dados históricos em períodos que antecedem o ano vigente de operações. • Existência de sistemas de diferentes fornecedores. • Existência de despadronização e de integração de dados dos diversos sistemas utilizados. • Ausência de documentação e de segurança no armazenamento de dados. Um data warehouse não contém, necessariamente, apenas dados resumidos, pode conter também dados originais ou brutos (primitivos), coletados diretamente de uma fonte. Verzola ([s.d], p. 8) afirma que “é desejável prover ao usuário a capacidade de aprofundar-se num determinado tópico, investigando níveis de agregação menores ou mesmo dados primitivos”. O autor afirma, ainda, que é necessário também permitir que sejam geradas novas agregações ou correlações com outras variáveis do banco de dados. A necessidade de uma flexibilidade mínima para um data warehouse se faz necessária, pois, sendo assim, implicaria numa restrição aos usuários a realizarem apenas consultas e análises com motivações vigentes, apenas, sem sequer permitir que novos insights sejam implementados (VERZOLA, [s.d]). Gura e Benck (2011) afirmam existir dois tipos de bancos de dados e, consequentemente, dois sistemas distintos para o respectivo tratamento, que banco de dados operacionais e banco de dados analíticos ou data warehouse. Ainda segundo as autoras, “os bancos de dados operacionais auxiliam em todas as operações de uma 45 organização, sendo utilizado com frequência para registrar a situação da organização” (GURA; BENCK, 2011, p. 21). Bancos operacionais são, em geral, manipulados por desenvolvedores, analistas ou programadores, o que ocorre diferentemente de um data warehouse, onde a manipulação do banco pode ser realizada por qualquer profissional que tenha acesso ao sistema. Sabe-se que os algoritmos para tomada de decisão existem há certo tempo. No entanto, ao ganharem destaque na evolução e divulgação de métodos analíticos, foram renomeados, indistintamente, de inteligência artificial (IA), aprendizagem de máquina, Deep Learning e, mais recentemente, de robôs, segundo Salles (2020, [s.p.]). Mesmo que haja algo em comum, essas nomenclaturas não significam a mesma coisa, apesar de ainda ser difícil determinar uma fronteira exata entre elas. De forma esquemática, é possível representar as mudanças que o BI causa nas organizações quando é implementado em seus ambientes. A Figura 1 descreve de forma sucinta tal mudança. Figura 1 – Ciclo da inteligência de negócios Fonte: Salles (2020). É certo que potenciais ambientes de uso de BI podem recorrer a diversas ferramentas existentes. Existem empresas de consultoria de BI que fazem todo o processo, mas também há empresas que focam 46 em alguns serviços específicos, como, por exemplo, a manipulação de bancos de dados e a visualização de dados, segundo Salles (2020, [s.p.]). No entanto, a produção de dados sem propósito não consegue gerar conhecimento e, segundo Salles (2020), dados não são o oráculo de Delfos. O autor afirma, de forma análoga, que dados são a matéria- prima da construção de uma solução, o método científico é a oficina e, as tecnologias (DW, OLAP etc.) são as ferramentas. BI “não é ferramenta, é técnica e aplicação. Sem um problema para resolver, são apenas blá blá blá”, segundo Salles (2020, [s.p.]). Associado a BI está o conceito de Big Data, que, no sentido literal da palavra, significa grande volume de dados. No entanto, o sentindo prático e real do termo não se limita somente a isso, pois é muito mais. Além de se referir a grandes volumes de dados, também se refere à grande variedade de dados manipulados das diversas fontes disponíveis e também se refere à velocidade em que os dados são tratados. Taurion (2013) acrescenta ao conceito de Big Data mais duas variáveis importantes para ele, a veracidade dos dados (os dados têm significância ousão apenas sujeira?) e o valor para o negócio. E, por último, um elemento que tem estado no centro das atenções: a questão da privacidade dos dados, tema complexo e controverso, segundo o autor. Uma regulamentação sobre proteção de dados pessoais foi criada em 2018, a Lei n. 13.709/2018, a Lei Geral de Proteção de Dados Pessoais, que tem gerado investimentos nas empresas para proteger e garantir proteção a dados pessoais. Não existe um consenso quando se trata do conceito básico de Big Data. Para exemplificar, Taurion (2013, [s.p.]) apresenta a definição dada pela McKinsey Global Institute como “o termo Big Data refere-se a este conjunto de dados cujo crescimento é exponencial e cuja dimensão está além da habilidade das ferramentas típicas de captura, gerenciamento e análise de dados”. 47 Com o barateamento dos insumos e sua miniaturização, assim como o aumento de suas capacidades de processamento, tem-se como consequência o aumento do acesso a mais equipamentos, dispositivos e processos com maiores capacidades de produção e armazenamento de dados. A computação em nuvem e a Internet, por exemplo, também fazem parte desse pacote de consequências, o que, para Amaral (2016), trata-se do que é conhecido como Big Data. A velocidade com que o mundo tem se tornado digital é demasiadamente alta. Por exemplo, na primeira década dos anos 2000, apenas metade dos dados produzidos no mundo estavam armazenados em formato digital, enquanto que, no final da segunda década (2019), quase 100% dos dados já se encontravam neste formato. Agregar valor à implantação de Big Data nada mais é do que o retorno esperado de todo o investimento realizado em tecnologia e mão de obra para equipar o negócio. Outro conceito que não pode deixar de ser citado quando se fala de Big Data é o de Internet das Coisas (IoT – Internet of Things). Taurion (2013, [s.p.]) afirma que “a Internet das Coisas vai aglutinar o mundo digital com o mundo físico, permitindo que os objetos façam parte dos sistemas de informação”. Com os objetos componentes da estrutura física que nos rodeia, gerando dados a todo instante, tem-se, mais do que nunca, um impulsionador de grande capacidade para a produção de Big Data. Como exemplo, quase todos os componentes de um avião, quando em funcionamento, podem gerar dados diversos, permitindo que sejam utilizados para realizar previsões meteorológicas e também com respeito à manutenção, evitando que a aeronave fique parada desnecessariamente, gerando custos sem ganhos. Outro exemplo é a automação residencial ou domótica, que realiza integração entre os equipamentos de uma residência, tornando-a uma casa inteligente. 48 Com relação à disseminação de equipamentos e processos citados por Amaral (2016), o entendimento do fenômeno Big Data pode ser realizado com um breve levantamento histórico, lembrando que há poucas décadas tinha-se a produção de dados centralizada em mainframes (computadores gigantescos e centralizados) e computadores pessoais. Os conceitos, aqui apresentados, de forma geral e ampla, representam uma gama de possibilidades de mudanças e adequações possíveis de serem realizadas, no intuito de proporcionar melhorias de gestão e de aperfeiçoamento para obtenção de resultados ótimos na tomada de decisão. Em nenhum momento, teve-se a pretensão em esgotar o assunto, mas tivemos a intenção em apresentar a gama de definições e conceitos existentes associados com a teoria da decisão, a fim de apresentar o vasto mundo de possibilidades existente relacionado ao assunto discorrido. Referências Bibliográficas AMARAL, F. Introdução a ciência de dados: mineração de dados e Big Data. Rio de Janeiro: Alta Books, 2016. GURA, E.F.; BENCK, L.L.N. Construção de um data warehouse, aliado a uma ferramenta open source ireport na geração de informações para tomada de decisão. 2011. Trabalho de conclusão de curso (Curso de Tecnologia em análise e desenvolvimento de sistemas), Coordenação de Informática, Universidade Tecnológica Federal do Paraná, Ponta Grosa, 2011. Disponível em: http:// repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf. Acesso em: 23 jul 2020. MOREIRA, D.A. Pesquisa operacional: curso introdutório. 2. ed. São Paulo: Cengage Learning, 2015. NOVAIS, R.R.C. Modelagem dimensional. 2012. Trabalho de conclusão de curso (Curso de Tecnologia em processamento de dados), Faculdade de Tecnologia de São Paulo, São Paulo, 2012. Disponível em: http://www.fatecsp.br/dti/tcc/tcc00071.pdf. Acesso em: 23 jul 2020. http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf http://www.fatecsp.br/dti/tcc/tcc00071.pdf 49 RAGSDALE, C.T. Modelagem de planilha e análise de decisão: uma introdução prática a business analytics. São Paulo: Cengage Learning, 2014. RENDER, B.; STAIR JR, R.M.; HANNA, M. E. Análise quantitativa para administração com Excel e POM-QM para Windows. 10. ed. Porto Alegre: Bookman, 2010. SALLES, F. Fundamentos de inteligência de negócios. [s.l.]: Autopublicação via KINDLE/Direct Publishing, 2020. SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019. Disponível em: https:// integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00. Acesso em: 23 jul 2020. TAURION, C. Big Data. Rio de Janeiro: Brasport, 2013. EPUB. Disponível em: https:// bv4.digitalpages.com.br/#/legacy/epub/160676. Acesso em: 23 jul 2020. TORRES JUNIOR, A.S.; MOURA, G.L. Decisão em administração – uma discussão. In: YU, A. S. O. (coord.). Tomada de decisão nas organizações: uma visão multidisciplinar. São Paulo: Saraiva, 2011. VERZOLA, I. Data warehouse. Barueri: Pontes Computadores e Serviços LTDA. Disponível em: http://www.pontes.inf.br/docs/datawarehouse.pdf. Acesso em: 23 jul 2020. VIEIRA, E. Tecnologia olap. 2009. Trabalho de conclusão de curso (Graduação em Ciência da Computação). Instituto Municipal do Ensino Superior de Assis, Assis, 2009. Disponível em: https://cepein.femanet.com.br/BDigital/arqTccs/0411150200. pdf. Acesso em: 23 jul 2019. https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00 https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00 https://bv4.digitalpages.com.br/#/legacy/epub/160676 https://bv4.digitalpages.com.br/#/legacy/epub/160676 http://www.pontes.inf.br/docs/datawarehouse.pdf https://cepein.femanet.com.br/BDigital/arqTccs/0411150200.pdf https://cepein.femanet.com.br/BDigital/arqTccs/0411150200.pdf 50 Fundamentos da IA: métodos e algoritmos para construir sistemas inteligentes Autoria: Marcelo Tavares de Lima Leitura crítica: Lucas dos Santos Araujo Claudino Objetivos • Apresentar fundamentos da Inteligência Artificial. • Apresentar métodos de Inteligência Artificial. • Descrever algoritmos de Inteligência Artificial. 51 1. Introdução Ao longo dos dias em que vivemos, a inteligência artificial (IA) tem participado cada vez mais da rotina diária das pessoas, mesmo quando não é percebida. A verdade é que a IA tem feito parte da vida das pessoas desde 1956, quando o pesquisador Arthur Lee Samuel criou o primeiro programa de computador capacitado com recursos de autoaprendizagem, que foi desafiado a vencer uma pessoa em um jogo de damas. Os algoritmos de IA tem se tornado cada vez mais eficientes com o avanço das pesquisas realizadas na área e, com o desenvolvimento de métodos de aprendizado de máquina (machine learning), aprendizado profundo (deep learning) e outros recursos associados. Este texto apresenta os métodos e os principais algoritmos de IA utilizados e conhecidos para desenvolvimento de tecnologias inteligentes. Bons estudos! 2. Fundamentos de Inteligência Artificial Falar em inteligência artificial é falar de uma gama de tecnologias que envolve desde computadores modernos e robustos, métodos analíticos
Compartilhar