<\/p>\n
O Marketing \u00e9 uma \u00e1rea din\u00e2mica que est\u00e1 sempre incorporando inova\u00e7\u00f5es. Nos \u00faltimos anos, quem n\u00e3o se atualizou em rela\u00e7\u00e3o \u00e0s tecnologias aplicadas ao marketing online e at\u00e9 em disciplinas como estat\u00edstica e metodologias de pesquisa pode ser considerado obsoleto.<\/p>\n
Atualmente o que h\u00e1 de mais avan\u00e7ado no campo do marketing s\u00e3o as tecnologias que visam extrair informa\u00e7\u00f5es atrav\u00e9s da an\u00e1lise de grandes bancos de dados e, com eles, ensinar computadores a identificar padr\u00f5es de comportamento e prefer\u00eancias dos consumidores, definir os momentos de maior propens\u00e3o \u00e0 compras e at\u00e9 criar as artes dos an\u00fancios mais relevantes. Com o avan\u00e7o das pesquisas nessa \u00e1rea, a ideia de \u201censinar\u201d o computador j\u00e1 foi superada e, hoje, a intelig\u00eancia artificial, ou seja, a capacidade de o computador aprender sozinho, \u00e9 a tecnologia de ponta que todas as empresas est\u00e3o buscando.<\/p>\n
Termos como big data<\/strong>, <\/em>intelig\u00eancia artificial, deep learning <\/strong>e machine learning<\/strong> passaram a fazer parte da linguagem do dia a dia das grandes corpora\u00e7\u00f5es n\u00e3o apenas em seus departamentos de desenvolvimento de produtos e engenharia, mas tamb\u00e9m nos departamentos de vendas e marketing. Aqui na Criteo n\u00e3o \u00e9 diferente. Buscamos estar sempre atentos e incorporar as tecnologias mais avan\u00e7adas para oferecer ao mercado solu\u00e7\u00f5es que entreguem resultados cada vez melhores. E parte desse nosso compromisso \u00e9 levar esse conhecimento tamb\u00e9m aos nossos clientes. Por isso, neste blog, vamos analisar as diferen\u00e7as entre duas das tecnologias mais avan\u00e7adas dispon\u00edveis no mercado: o deep learning e o machine learning. Mas antes precisamos contar um pouco sobre a \u00e1rea na qual essas duas tecnologias se inserem, a Intelig\u00eancia Artificial. Vem com a gente!<\/p>\n Intelig\u00eancia Artificial (IA) \u00e9 a capacidade que a m\u00e1quina tem de imitar o comportamento inteligente do ser humano. Tecnicamente, a IA \u00e9 dividida em dois grupos: Aplicada, tamb\u00e9m conhecida como Vertical ou Estreita, que s\u00e3o como sistemas \u201cinteligentes\u201d que respondem a uma necessidade espec\u00edfica, como negociar a\u00e7\u00f5es ou personalizar an\u00fancios; e Geral (ou Forte ou Complexa) que s\u00e3o sistemas ou dispositivos que podem manipular qualquer tarefa humana.<\/p>\n \u00c9 com intelig\u00eancia artificial<\/a> que, por exemplo, o Google consegue entender as suas prefer\u00eancias e relacionar os melhores resultados para sua busca ou direcionar an\u00fancios mais relevantes. Ou ainda a tecnologia por tr\u00e1s dos carros aut\u00f4nomos que em breve veremos circulando por a\u00ed.<\/p>\n \u00c9 a esse campo da ci\u00eancia que pertencem as disciplinas de machine learning e deep learning.<\/p>\n Como adiantamos l\u00e1 em cima, o machine learning<\/strong> \u00e9 uma forma de intelig\u00eancia artificial que permite que um computador aprenda sem uma programa\u00e7\u00e3o expl\u00edcita. Isso significa que, em vez de ensinar o computador a executar uma tarefa, a tecnologia de machine learning pode capacit\u00e1-lo a \u201cpensar por si pr\u00f3prio\u201d atrav\u00e9s de um treinamento pr\u00e9vio. Um dos pilares do machine learning \u00e9 justamente a an\u00e1lise de dados com a finalidade de detectar padr\u00f5es.<\/p>\n A tecnologia do machine learning tamb\u00e9m \u00e9 dividida em duas vertentes. A primeira \u00e9 conhecida como machine learning supervisionado, cujo funcionamento se d\u00e1 a partir de dados oferecidos por inputs humanos. Tais informa\u00e7\u00f5es s\u00e3o processadas por algoritmos que aprendem a reconhec\u00ea-las, categoriz\u00e1-las e arquiv\u00e1-las. Um exemplo bem conhecido s\u00e3o os filtros de spam. Eles identificam informa\u00e7\u00f5es pr\u00e9-definidas pelos usu\u00e1rios para depois bloquear todo tipo de correspond\u00eancia indesejada por eles.<\/p>\n A outra \u00e9 o machine learning n\u00e3o supervisionado. Esta modalidade de sistema cruza informa\u00e7\u00f5es n\u00e3o categorizadas com padr\u00f5es previamente armazenados no banco de dados. A partir da\u00ed, encontra par\u00e2metros compat\u00edveis com a informa\u00e7\u00e3o analisada para que os usu\u00e1rios possam interpretar seu significado, como se fosse um treinamento pr\u00e9vio antes de analisar os dados. Um exemplo foi o Google Brain, um dos primeiros projetos de intelig\u00eancia artificial do Google. A base para o treinamento do Google Brain foi um banco de dados com mais 10 milh\u00f5es de imagens aleat\u00f3rias que foram analisadas em uma rede de 16 mil processadores. A partir da\u00ed, os pesquisadores apresentaram imagens de 20 mil itens diferentes ao Brain que come\u00e7ou a identificar automaticamente quais das 20 milh\u00f5es de imagens aleat\u00f3rias continham gatos. Pelo visto at\u00e9 computadores t\u00eam uma queda por fotos de gatinhos…<\/p>\n A partir dessa tecnologia foi poss\u00edvel, por exemplo, a identifica\u00e7\u00e3o de rostos nas fotos do Facebook, a tradu\u00e7\u00e3o autom\u00e1tica no Skype, os comandos dados ao Google Phone ou, ainda, definir bids para an\u00fancios online ou fazer neg\u00f3cios em milissegundos. A natureza preditiva do machine learning \u00e9 o que torna essa ferramenta t\u00e3o poderosa para os profissionais de marketing. O machine learning permite \u00e0s marcas usar dados de clientes, passados e presentes, para projetar tend\u00eancias e comportamentos futuros.<\/p>\n Para entender o deep learning <\/strong>\u00e9 preciso abstrair um pouco e incluir uma perspectiva de \u201cespa\u00e7o\u201d \u00e0 perspectiva do tempo, que caracteriza a velocidade de processamento do machine learning<\/em>. Pensando que a velocidade de processamento se d\u00e1 atrav\u00e9s de uma grande quantidade de processadores em rede analisando os dados, o deep learning funciona com a adi\u00e7\u00e3o de \u201ccamadas\u201d de processamento al\u00e9m do processamento em rede. Os dados analisados passam a \u201cir e vir\u201d de uma camada \u00e0 outra sendo checados e reavaliados para evitar erros at\u00e9 a resposta final do sistema.<\/p>\n O grande avan\u00e7o do deep learning ser\u00e1 ultrapassar a era da identifica\u00e7\u00e3o de padr\u00f5es em imagens e discursos e chegar a um ponto onde o computador pode realmente entender como pensamos e interagir conosco de forma natural. As pesquisas mais avan\u00e7adas nessa \u00e1rea visam capacitar computadores a estabelecer conversas naturais com pessoas. Essa tecnologia j\u00e1 est\u00e1 em nossas casas nos assistentes virtuais como Alexa e Siri.<\/p>\n Mas voc\u00ea deve estar se perguntando, como essas tecnologias se aplicam no dia a dia do seu neg\u00f3cio online? J\u00e1 demos algumas dicas, mas \u00e9 importante entender que toda essa tecnologia \u00e9 baseada em dados. Dados abrangentes sobre h\u00e1bitos, comportamentos e a\u00e7\u00f5es de seus consumidores podem ser um primeiro passo para um grande salto nos seus resultados.<\/p>\n Aplicando machine learning ou deep learning sobre as informa\u00e7\u00f5es que voc\u00ea j\u00e1 tem dos seus consumidores ou aquelas dispon\u00edveis em toda a rede, como em redes sociais, smartphones, etc., \u00e9 poss\u00edvel fazer uma verdadeira varredura dessa quantidade gigantesca de informa\u00e7\u00f5es e, a partir do momento em que padr\u00f5es s\u00e3o descobertos, os sistemas se tornam capazes de fazer previs\u00f5es com base nesses padr\u00f5es.<\/p>\n No que se refere \u00e0s vendas, os modelos de intelig\u00eancia artificial podem prever o momento mais relevante para oferecer produtos (por exemplo, quando o consumidor est\u00e1 mais propenso a comprar itens sazonais). Em termos operacionais, intelig\u00eancia artificial pode ajudar a marca a estimar o n\u00edvel de estoque necess\u00e1rio durante os per\u00edodos de pico (Black Friday, Natal etc.), em compara\u00e7\u00e3o com o restante do ano. Como resultado, os modelos de intelig\u00eancia artificial ajudam a cortar as despesas desnecess\u00e1rias (desperd\u00edcio de investimentos em publicidade e sobra de produtos), otimizando os esfor\u00e7os de marketing\u00a0para antecipar as necessidades dos clientes. Com isso, \u00e9 poss\u00edvel aumentar a receita e as margens de lucro.<\/p>\n Agora a d\u00favida que resta \u00e9: qual tecnologia escolher? Machine Learning ou Deep Learning? Fizemos essa pergunta ao respons\u00e1vel pelo IA Lab da Criteo, Romain Lerallut<\/a>, vice-presidente da Criteo e, segundo ele, o mais importante \u00e9 conhecer as funcionalidades caracter\u00edsticas de cada uma das tecnologias e avaliar qual delas poder\u00e1 trazer melhores resultados para a sua empresa. Para ele, as duas ferramentas s\u00e3o diferentes e n\u00e3o h\u00e1 uma melhor do que a outra. \u00c9 preciso fazer experi\u00eancias com as duas ferramentas a partir dos dados que a empresa j\u00e1 tem ou que pode lan\u00e7ar m\u00e3o e avaliar qual tecnologia apresenta melhor performance das KPI\u2019s escolhidas.<\/p>\nIntelig\u00eancia Artificial<\/strong><\/h3>\n
Machine Learning<\/b><\/h3>\n
Deep Learning<\/strong><\/h3>\n