Potenciar a Análise Avançada com recurso à Inteligência Artificial Generativa

Os modelos de linguagem de grande escala para a melhoria da preparação de dados, o desenvolvimento de modelos, e a interpretação de resultados de análises avançadas. 

A Inteligência Artificial (IA) generativa – mais concretamente, os modelos de linguagem de grande escala (LLMs), como o ChatGPT – pode aumentar significativamente as capacidades da análise avançada, de forma a apoiar a preparação de dados, o desenvolvimento de modelos, e a melhor compreensão de resultados. Embora o “hype” em torno da IA generativa esteja a registar um aumento significativo, é crucial não ignorar o valor da análise avançada nos processos de tomada de decisão no setor empresarial, no que diz respeito a prever o comportamento dos clientes e a otimizar as cadeias de fornecimento.  

Ao invés de percecionar os LLMs e a análise avançada como tecnologias rivais, as organizações deviam reconhecer a forma como se complementam. Os LLMs podem ajudar a enfrentar desafios relacionados com a análise preditiva e prescritiva, incorporando dados não estruturados, traduzindo problemas em modelos analíticos, e interpretando resultados complexos.  

Dados não estruturados para a análise preditiva  

A análise preditiva é essencial para o processo de tomada de decisão com base em dados. No entanto, incorporar fontes de dados complexas e não estruturadas, e.g., críticas de clientes, em modelos preditivos pode ser um desafio. Os LLMs simplificam este processo, através da extração eficaz de informações relevantes, melhorando a qualidade das previsões. Por exemplo, e no âmbito de um projeto junto de uma empresa de telecomunicações, utilizaram-se LLMs para analisar as reclamações dos clientes, melhorando significativamente a previsão da ação adequada a tomar em futuros processos de cobrança de dívidas.  

Explicar as previsões  

Por norma, a implementação da análise preditiva inclui a comunicação de resultados complexos a stakeholders não-especializados. Ferramentas como a análise SHAP (SHapley Additive exPlanations) podem tornar-se demasiado técnicas e difíceis de compreender. Os LLMs preenchem esta lacuna, ao disponibilizarem explicações claras e simples dos resultados do modelo. Por exemplo, e tendo em conta um modelo de previsão de rotatividade, os LLMs ajudaram a explicar o impacto de certas variáveis (número de produtos que um cliente possui e/ou idade) nas taxas de rotatividade, melhorando os processos de tomada de decisão.  

Desenvolvimento da Análise Prescritiva  

A análise prescritiva, que otimiza os processos de tomada de decisão, também pode beneficiar das vantagens dos LLMs. O desenvolvimento de modelos prescritivos eficazes inclui a tradução de desafios em formulações matemáticas, uma tarefa que os LLMs podem simplificar. Ao fomentar o diálogo com os decisores, os LLMs ajudam a definir metas, restrições e variáveis de decisão, gerando rapidamente modelos de otimização mais precisos.  

Explicar a Análise Prescritiva  

Compreender os resultados dos modelos prescritivos pode ser difícil para os utilizadores do setor empresarial. Os LLMs ajudam a explicar os resultados do modelo e a identificar trade-offs em linguagem mais simples, aumentando a confiança e a adoção destes modelos. Por exemplo, e considerando um problema relacionado com a distribuição, os LLMs ajudaram a identificar os motivos segundo os quais uma certa solução algorítmica era inviável, ao definir restrições em termos de oferta e potenciais melhorias.  

Garantir a Qualidade do Modelo  

A monitorização do desempenho e da qualidade dos modelos de análise avançada é fundamental. Embora a integração de LLMs introduza novos erros, uma supervisão eficaz e a realização de testes compreensivos podem mitigar esses mesmos riscos. Ao melhorar a incorporação de dados não estruturados, e ao explicar os resultados do modelo, os LLMs aumentam a eficiência e a eficácia dos projetos de análise avançada.  

Conclusão  

A integração da IA generativa e da análise avançada traduz-se em benefícios significativos, incluindo processos mais simplificados, uma maior precisão do modelo, e uma melhor compreensão por parte dos stakeholders. As equipas multidisciplinares são cruciais para concretizar estas oportunidades, com os utilizadores empresariais devidamente capacitados para assumir papéis mais proativos – graças à acessibilidade do processamento de linguagem natural. Esta integração não só melhora a qualidade dos resultados, como também promove uma maior confiança, bem como a adoção de soluções de análise avançada. 

Por Pedro Amorim, Investigador Coordenador