A IA preditiva simplifica as operações desta forma surpreendentemente simples

A IA preditiva é a tecnologia à qual as empresas recorrem para impulsionar o desempenho de quase qualquer tipo de operação existente em larga escala entre funções.

Ele aprende com dados para prever resultados e comportamentos, como quem vai clicar, qual veículo exigirá manutenção ou qual transação se revelará fraudulenta. Estes previsões impulsionam milhões de decisões operacionais por diadeterminando quem ligar, enviar correspondência, aprovar, testar, diagnosticar, alertar, investigar, encarcerar, marcar um encontro ou medicar.

Parece complicado? Na verdade, as pontuações preditivas conduzem tais decisões de forma direta. Para muitas iniciativas de IA preditiva — também conhecidas como análise preditiva ou aprendizado de máquina empresarial — é simplesmente uma questão de classificar casos e posicionando um limite de decisão.

Como funciona a IA preditiva?

Vamos começar com um exemplo de marketing.

Quando lidero workshops de treinamento de IA, faço com que todos se levantem e sejam os dados. Cada pessoa segura um pedaço de papel com o tamanho da maior televisão de sua casa e o grupo se organiza em uma fileira ordenada pelo tamanho da TV.

Então eu faço uma pergunta relacionada ao uso da TV, como: “Quem tem assinatura da Netflix?”

Os casos positivos estão mais concentrados na porção superior, o lado esquerdo, deste conjunto de dados humanos. Como ponto de exemplo, vamos desenhar um limite de decisão após o top 10 — neste caso, a decisão sobre qual receberá contato de marketing.

Entre esses 10, 70 por cento têm Netflix, o que é 2,2 vezes mais do que os 32 por cento da população geral (cientistas de dados chamam isso de um aumento de 2,2). Isso nos diz que você pode obter muito mais retorno sobre seu investimento ao comercializar um produto vinculado à Netflix para esse segmento superior, aqueles com TVs maiores.

Agora, esse exercício de sala de aula simplifica demais de algumas maneiras. É um conjunto de dados comicamente pequeno, então os resultados estão longe de ser confiáveis. E as previsões são baseadas em uma e somente uma variável: tamanho da TV (é o que chamamos de modelo univariado). Além disso, esses valores usados ​​para classificar indivíduos não são dimensionados para serem probabilidades.

Apesar dessas ressalvas, o efeito visual e a aritmética de exemplo ilustram bem como a IA preditiva opera para muitos de seus usos: muitos casos positivos aparecem no início da classificação, diminuindo para apenas pequenos números no final da lista.

Implementar IA preditiva é triar e priorizar

A IA preditiva usa esse mesmo efeito valioso em uma ampla gama de casos de uso. Suas pontuações preditivas servem para classificar indivíduos de modo que a porção superior seja mais densa com casos positivos e a porção inferior veja muito menos casos positivos.

Essa classificação de casos individuais capacita a organização a fazer a triagem e priorizar. Entre em contato com clientes com maior probabilidade de comprar. Gaste esforços de retenção em clientes com maior probabilidade de sair. Audite transações manualmente mais provável que seja fraudulento. Inspecionar edifícios mais provável que pegue fogo.

Claro, isso também se aplica à triagem mais literal, a triagem médica. Cuide primeiro dos pacientes classificados por um modelo preditivo como mais propensos a piorar a saúde ou mais propensos a ter um diagnóstico positivo. Reexamine os pacientes previstos como mais propensos a serem readmitidos no próximo ano. Entre em contato com os pacientes mais propensos a pular um medicamento prescrito ou consulta médica.

Desenhando uma curva de lucro

A lista classificada nos diz onde traçar a linha, ou onde definir o limite de decisão, para conduzir uma decisão operacional sim/não. Considere a decisão de contatar ou não cada cliente com um alcance de marketing. Você pode ver o lucro acumulado conforme enviamos um folheto promocional aos clientes, do mais provável de comprar até o menos provável.

Esta é uma curva de lucro típica. O eixo horizontal corresponde a quão longe na lista ordenada fomos. Conforme você avança da esquerda para a direita, você começa com aqueles que obtiveram a pontuação mais alta pelo modelo. Em cada posição, o lucro é calculado com base em quanto gastamos para contatar tantos clientes e quanto ganhamos daqueles que, por sua vez, responderam com uma compra (veja um passo a passo da aritmética aqui).

Seguindo a curva superior, você pode ver os altos e baixos da campanha. No começo, quanto mais clientes você contata, mais seu lucro sobe. Embora você gaste mais para ir para a direita — para contatar mais e mais clientes — você está recebendo respostas positivas o suficiente para gerar lucro. É aqui que você está obtendo o máximo retorno do seu investimento em marketing.

Aproximadamente um quarto do caminho até o fim da lista, os retornos decrescentes começam a aparecer. Você esgotou a parte mais responsiva da lista e realmente começa a perder dinheiro — o lucro acumulado começa a diminuir à medida que você entra em contato com mais clientes, mas não obtém mais tantas respostas positivas.

A campanha geral de marketing é um fracasso se você realmente contatar a lista inteira. Se você contatar 100 por cento dos clientes, indo para a extrema direita do gráfico, você acaba tendo uma perda de cerca de US$ 550.000.

Para o exemplo de curva de lucro mostrado, se você não tiver nenhum modelo, você só perde. Para visualizar essa situação, a linha reta inferior mostra o que aconteceria sem um modelo e, portanto, sem nenhum meio de ordenar a lista.

Ao seguir uma ordem efetivamente aleatória, você perderia dinheiro a uma taxa constante conforme avança na lista, então a linha inferior continua fazendo uma linha reta até o resultado final. Essa linha serve como uma linha de base para comparação. Em contraste, a ascensão e eventual queda da linha de lucro superior é um testemunho de quanto valor um modelo pode entregar.

De qualquer forma, na extrema direita, você acaba no mesmo lugar, perdendo cerca de US$ 550.000. Isso ocorre porque, se você está fazendo marketing para todos, a ordem em que você faz isso não importa. Você sempre acaba com a mesma perda geral, um lucro negativo. Se você pretende apenas contatar todos, você não está direcionando, então não há propósito em ter um modelo preditivo.

Onde parar: o limiar da decisão

Voltando à curva de lucro superior, você provavelmente está sentindo a necessidade de pisar no freio, talvez em torno da marca de 25%. Se você parasse ali, seu lucro seria de $ 350.000. Essa é frequentemente a melhor escolha, mas não é absoluta.

Às vezes, o benefício de marketing de contatar mais pessoas assume uma prioridade estratégica maior, mesmo que isso não se reflita em lucros de prazo imediato. Nesse caso, você pode argumentar que parar em torno de 72 por cento onde você empata seria uma escolha muito melhor do que gastar mais de meio milhão de dólares para contatar todo mundo.

Dessa forma, você basicamente consegue comercializar para quase três quartos da lista de graça. No final das contas, a escolha depende da estratégia de marketing de longo prazo e de outros fatores pragmáticos da sua organização. Em qualquer caso, uma curva de lucro como essa ajuda a orientar essa escolha.

Antes da implantação, você pode desenhar esse tipo de curva projetada da mesma forma para a maioria dos projetos de IA preditiva. Para ajudar a decidir quantos indivíduos atingir, você visualiza o espectro de opções correspondentes a como o modelo classificou os indivíduos.

À medida que você avança no espectro, decidindo quantos contatar, aprovar um empréstimo ou auditar fraudes, você frequentemente vê o mesmo padrão: uma subida seguida de um declínio. Há um ponto ideal, uma zona Cachinhos Dourados, que geralmente é o melhor lugar para parar. Ao estabelecer um limite de decisão, um ponto de corte, nessa posição, o modelo servirá então para ser seletivo, direcionando para tratamento aqueles que pontuaram acima do limite.

Dessa forma, um modelo fornece uma gama completa de opções. Quando você traça a linha, você está estabelecendo qual opção seguir na implantação. Você está decidindo precisamente como usar o modelo.

No final, suas operações mais importantes e de maior escala consistem em muitas decisões. As pontuações preditivas podem direcionar diretamente essas decisões aplicando um limite simples.

Este artigo foi extraído do livro, O Manual de IA: Dominando a rara arte da implantação de aprendizado de máquinacom permissão da editora, MIT Press.