Entenda a diferença entre Inteligência Artificial (IA) e Business Intelligence

Entenda a diferença entre Inteligência Artificial (IA) e Business Intelligence

Entenda a diferença entre Inteligência Artificial (IA) e Business Intelligence (BI) - com infográfico

 

Por: Rodrigo Cunha, Head of NeuroLake at Neurotech

 

Como executivo e especialista de IA na Neurotech, tenho ido com frequência a São Paulo, onde temos um escritório. Entre as várias reuniões que tenho diariamente por lá, fiquei impressionado como os termos Big Data, Machine Learning e IA caíram na boca dos executivos recentemente. Há uma corrida para a descoberta do ouro! O que também me chamou a atenção é a confusão que tem sido feita com essas novas tecnologias. Os executivos sempre me falam que eles já têm uma “rede neural” mas que precisam evoluir o modelo para IA. Na sequência, geralmente eles soltam uma frase parecida com essa aqui: “A minha rede neural ‘cospe’ muito relatório, mas ainda precisa melhorar”.

Por isso resolvi escrever este artigo, para ajudar as pessoas a entenderem a diferença entre Business Intelligence (BI) e Inteligência Artificial (IA); e para esclarecer que rede neural não é relatório — normalmente o que as empresas dispõem é de um sistema de informação com geração de relatórios.

Conceitos rápidos de Inteligência Artificial e Business Intelligence

 

Business Intelligence é uma tecnologia usada para armazenar, acessar, organizar e analisar dados para ajudar os usuários corporativos a tomar melhores decisões. Essas decisões são tomadas com base em descobertas manuais, ainda que os dados sejam organizados por um sistema. Se, por exemplo, um gestor de vendas quer saber qual o volume de vendas da filial de São Paulo na última semana, por produto e vendedor, ele vai filtrar esses dados no sistema, fazer sua análise e tirar suas conclusões. Ou seja, as consultas são definidas pelo ser humano, que vai se basear nos resultados para tomar uma decisão. Normalmente, esses relatórios envolvem, no máximo, de 4 a 6 variáveis simultaneamente. Até porque, depois de 6 variáveis, fica difícil para o ser humano interpretar os relatórios. 

Inteligência Artificial, por outro lado, é uma maneira de fazer um computador cruzar automaticamente diversas variáveis (centenas ou milhares) e, a partir desses dados, tirar “insights” ou extrair conhecimento de uma forma mais automática. Enquanto o ser humano é capaz de cruzar em média 6 variáveis, os modelos de IA cruzam milhares de variáveis e informações para tirar uma conclusão. Voltando ao nosso exemplo, com IA, o gestor de vendas saberia, de forma automática e até mesmo proativa (sem necessidade de consulta), que a previsão de demanda da loja de São Paulo para a próxima semana é 10% superior à média histórica.

Note que, no exemplo com IA, foi aplicado um algoritmo de previsão de demanda para estimar quanto vai ser a demanda futura. O algoritmo usou todos os dados do passado e diversas variáveis para automaticamente prever o volume de vendas da semana seguinte. Já com BI, foi listado o consumo passado. 

Podemos chegar à conclusão que os modelos de IA tentam, na maioria das vezes, fazer uma predição ou previsão de futuro baseado em dados que aconteceram no passado, enquanto os relatórios gerenciais de BI descrevem situações que ocorreram no passado.

 

Conheça os Tipos de Análise de Dados

Quando partimos para os os tipos de técnicas utilizadas para extrair conhecimento dos dados, vemos que, na verdade, os algoritmos podem ser divididos em 5 macrotarefas: descrição/sumarização; análise/segmentação; classificação; predição e análise de dependência. Para ficar mais fácil quais são os tipos de métodos de IA, fiz o resumo abaixo:

  • Análise de descrição e sumarização (ou seja, BI): tem como objetivo descrever as características da base de dados, geralmente caracterizando a base de forma mais simples. Ou seja, o processo é feito por meio de consolidação de informações (BI), estatísticas descritivas, dentre outras.
  • Segmentação ou clustering: tem como objetivo separar os dados em subconjuntos ou classes significantes, de tal forma que os membros dentro do mesmo grupo possuam características semelhantes, enquanto os membros de classes diferentes tenham características distintas, tais como: análise de clustering, redes neurais, técnicas de visualização, dentre outros.
  • Classificação: tem como objetivo classificar um novo exemplo, em uma das classes pré-definidas. A classe é caracterizada por um atributo discreto que indica a classe de cada exemplo, tais como: análise discriminante, técnicas de indução de regras, redes neurais, regressão logística, dentre outras.
  • Predição: a tarefa de predição é semelhante à tarefa de classificação, mas a classe é contínua e não discreta. O objetivo é estimar o valor contínuo com base nos atributos explicativos, tais como: análise de regressão, árvores de decisão, redes neurais, dentre outros. Quando a variável explicativa é o tempo, passamos a ter uma série temporal.
  • Análise de dependência: tem como objetivo encontrar um modelo que descreva dependências (associações) entre exemplos da base de dados, tais como: análise de correlação, análise de regressão, regras de associação, redes bayesianas, dentre outras.

 

Criei uma comparação visual entre as 6 grandes diferenças entre IA e BI para servir de guia de bolso :-) Espero que curtam!