MACHINE LEARNING PARA BENEFÍCIOS DE LONGO PRAZO

Adoção de escala de redes neurais

brain

Processos de Machine Learning em uso

Produtos de software que usam Machine Learning (ML) têm um grande potencial para empresas. Nesse amplo domínio, encontramos modelos de tradução neural automática, por exemplo, que podem reduzir o tempo de tradução de textos, ou algoritmos de processamento de linguagem natural (PNL), que podem classificar os dados do cliente para personalizar as ofertas. Contudo, aproveitar o valor total agregado requer fluxos maduros de processamento de dado.

Configurar um processo sólido de gerenciamento de dados para traduzir os avanços recentes dos algoritmos de Machine Learning em produtos de software de fácil acesso, manutenção e atualização, não é uma tarefa fácil. As empresas muitas vezes caem na armadilha da Prova de Conceito (PoC), na qual os projetos permanecem no estágio de PoC sem conseguir amadurecer para a produção. Somente produtos bem projetados geram benefícios econômicos consistentes para as empresas a custos baixos.

Tradução automática como serviço na BMW

Em uma empresa global como a BMW, traduzir textos costuma ser uma tarefa necessária, mas demorada e tediosa. Reduzir o tempo de tradução de dias para minutos, com pouco ou nenhum trabalho manual, ajuda a empresa a trabalhar com mais rapidez e eficiência.

Na última década, o departamento de tradução da BMW coletou uma quantidade significativa de traduções técnicas e desenvolveu um dicionário multilíngue prescritivo que garante o uso consistente da terminologia em toda a tradução.

Durante uma série de Provas de Conceitos (PoC) internas, a equipe de tradução automática da BMW criou uma metodologia para injetar esses dados no processo de treinamento, bem como melhorar a qualidade da tradução, usando terminologias durante a inferência. Este trabalho resultou em modelos neurais treinados que são usados no pipeline de tradução.

Uma solução para serviços compartilhados em toda a empresa

Para que os modelos neurais da BMW fossem usados em toda a empresa, era necessário implantá-los como um serviço para funcionários e outros serviços automatizados.

Reply conseguiu isso para o seu cliente, ao fornecer um serviço compartilhado de baixo custo, baseado em AWS para toda a empresa, usando os modelos de tradução neural automática de última geração da BMW, com adaptação específica para o domínio automotivo. As primeiras aplicações da API de tradução neural automática já foram produzidas em 2020, revelando um potencial significativo de economia de custos para os departamentos de negócios.

Desenvolvendo soluções adaptáveis para diferentes casos de uso

O case da BMW é apenas um exemplo de como os fluxos certos de trabalho de dados podem configurar produtos de Machine Learning que podem gerar benefícios a longo prazo. Embora os cases possam diferir significativamente, o projeto arquitetônico para as soluções permanece muito semelhante. A maioria deles é moldado como abordagens baseadas em clusters do Kubernetes para treinamento e inferência.

Reply oferece às empresas conselhos práticos sobre como os padrões tradicionais de desenvolvimento e as melhores práticas podem ser combinados para um desenvolvimento bem-sucedido. Neste white paper para download, nossos especialistas apresentam exemplos concretos, que ilustram a aplicação das técnicas atuais do ciclo de vida do Machine Learning a casos de uso fundamentalmente distintos.

Baixe o white paper

A Data Reply é a empresa do Grupo Reply que oferece uma gama de análises avançadas e serviços de dados baseados em IA. A empresa opera em diferentes setores e funções de negócios, permitindo-lhes alcançar resultados significativos, através do uso eficaz de dados. A Data Reply possui fortes competências em Big Data Engineering, Data Science e IPA, além de construir plataformas de Big Data e implementar modelos de ML e IA de maneira repetível, eficiente, escalonável, simples e segura. Também apoia empresas em processos de otimização combinatória com técnicas de Computação Quântica que possibilitam um motor com alto desempenho computacional.