Neste artigo, Suresh Chintada, CTO da Subex, explica por que a IA corporativa e a análise aumentada são tendências tecnológicas importantes para as telecomunicações.

Alimentando todos os tipos de comunicação pessoa a pessoa, máquina a máquina e máquina a pessoa, o setor de telecomunicações está passando por profundas mudanças. A concorrência é dura; tendências como desregulamentação e consolidação tornam vital que as operadoras se diferenciem de forma econômica.

Semelhante a outras indústrias, a inteligência artificial (IA) também está fazendo ondas nas telecomunicações. A promessa? Diferenciação rápida por meio de otimização de custos, agilidade de serviço e novos modelos de negócios. Estes são dados esperados para qualquer empresa de telecomunicações que pretenda ter sucesso no mercado digital, competitivo e disruptivo de hoje.

Por que IA?

O Gartner prevê que, até 2024, 75% das empresas passarão da fase piloto para a operacionalização da IA. Isso equivale a um aumento de cinco vezes nos dados de streaming e nas infraestruturas de análise.

Já existem muitas histórias de sucesso de IA nas telecomunicações. Aqueles que testaram implementações de IA testemunham sua capacidade de melhorar a tomada de decisões, a lucratividade e a eficiência operacional. Não é difícil imaginar um futuro com a IA desempenhando um papel fundamental em funções como atendimento proativo ao cliente, gerenciamento oportuno de fraudes, garantia holística de negócios, qualidade de rede otimizada, melhor gerenciamento de ativos e gerenciamento de parceiros de 360 ​​graus, para citar alguns.

Apesar de seu potencial, porém, as operadoras permanecem cautelosas. Todo o setor de telecomunicações joga no gerenciamento de margens e, portanto, as operadoras desconfiam dos altos custos de Capex da adoção da IA. Ironicamente, a capacidade de responder rapidamente às mudanças do mercado impulsionará a lucratividade – e essa capacidade é exatamente o que a IA e a análise aumentada fornecem.

Anteriormente, as empresas tinham a vantagem de ferramentas de inteligência de negócios. Mas em um mundo pós-pandemia, a capacidade de resposta e a resiliência são as principais características que separam os líderes dos retardatários. Alcançar isso começa com a democratização do acesso aos dados e o aproveitamento da IA ​​de maneira multifuncional.

Construir para escalar – IA corporativa para telecomunicações

A inovação nas operações, bem como nos modelos de negócios, é ilimitada no setor de telecomunicações. Umestudo do McKinsey Global Institute descobriu que os setores de alta tecnologia e telecomunicações são precursores quando se trata de implementar soluções de IA. Muitos adotantes também estão relatando aumentos de receita graças à IA.

Nas telecomunicações, o burburinho é tangível: as operadoras estão testando modelos de aprendizado de máquina para testar a eficácia e medir o valor. As alavancas de sucesso mensuráveis ​​são a minimização do capex, a maximização da receita e a otimização da rede. Alguns exemplos incluem:

  • Experiência do cliente – a IA pode impulsionar a análise da experiência do cliente, fornecer recomendações personalizadas e melhorar o gerenciamento de campanhas.
  • Rede – Ele pode detectar anomalias com base nos padrões de uso, permitindo que os provedores de serviços de comunicação corrijam a interrupção por meio de manutenção oportuna ou coleta de ativos.
  • Receita – Os modelos de IA podem ajudar as operadoras a aproveitar oportunidades de negócios lucrativas que alavancam os investimentos existentes.

Olhando para o futuro, as operadoras de telecomunicações devem mudar seu foco de simplesmente implementar a IA para escaloná-la em toda a empresa. A IA impulsiona uma mudança interna fundamental, permitindo que as empresas de telecomunicações evitem investimentos pesados ​​em capex, ao mesmo tempo em que fornecem valor contínuo que se traduz em benefícios diretos e tangíveis. Sendo onipresente, ele pode facilmente estender seus recursos em empresas de telecomunicações, oferecendo eficiência suprema, insights mais inteligentes, melhorias contínuas e novas oportunidades de negócios.

Barreiras à IA corporativa

A implantação holística de IA, embora certamente seja uma meta corporativa, normalmente é prejudicada por restrições operacionais, mentalidades rígidas e processos manuais.

A IA é inerentemente complexa, tornando imprescindível o conhecimento tecnológico certo para uma implantação bem-sucedida. Por exemplo, a IA abrange vários modelos de aprendizado de máquina, aprendizado profundo e visão computacional. Os usuários de negócios não teriam a menor ideia de qual modelo escolher para seu problema de negócios específico.

Sendo esotéricos, os modelos de IA também exigem conjuntos de habilidades de nicho. A tarefa aparentemente simples de preparação de dados exige conhecimento de atividades como análise exploratória de dados, transformação de dados, tratamento de valores ausentes, normalização, codificação, etc. Assim, a escassez de talentos é um desafio sempre presente. A disponibilidade de cientistas de dados e engenheiros de dados é escassa, fortemente influenciada pelo custo e pela experiência.

Alterar a mentalidade humana e a cultura organizacional é uma prerrogativa. Muitas empresas ainda dependem de processos manuais de ciência de dados, que afetam a produtividade. Um relatório de 2020 da Anaconda, líder em ciência de dados e distribuidora de linguagens de programação Python e R, descobriu que quase 45% do tempo de um cientista de dados é gasto simplesmente preparando os dados para modelos e visualizações.

Construir a confiança do usuário é outra preocupação principal. Os aspectos granulares dos modelos de caixa preta geralmente permanecem desconhecidos para os usuários reais de IA. A complexidade inerente do modelo significa que as equipes de negócios de uma empresa de telecomunicações não entendem a lógica ou como o algoritmo chega ao resultado final. Em processos que exigem tomada de decisão, esse conhecimento é primordial.

A transparência suporta a IA corporativa

Hoje, as empresas estão exigindo cada vez mais que os modelos de IA sejam transparentes, explicáveis ​​e responsáveis. De acordo com a Forbes , a IA explicável trata de entender como um modelo chega a determinados resultados. Trata-se também de entender como as decisões são tomadas pelos modelos e como os modelos corrigem seus próprios erros. Sem algum tipo de ‘explicabilidade’, a propensão à mudança é rígida e a adoção fica ociosa.

Os modelos devem ser precisos para ganhar a confiança do usuário. Portanto, o viés do modelo é um problema. Modelos de empréstimo baseados em IA que fornecem recomendações direcionadas a clientes de uma determinada região, sexo ou raça é um exemplo de viés de modelo. A correção desses problemas envolve uma longa experimentação. Paralelamente, quase 50% dos experimentos iniciais falham, exigindo reajustes consistentes no modelo.

O truque aqui é falhar rápido e passar iterativamente – e rapidamente – para o próximo protótipo. Mas, para experimentar e falhar rapidamente, as organizações também devem ser capazes de acelerar como escolhem, criam, implantam e testam modelos.

Sem uma plataforma única, abrangente e comprovada para realizar as atividades acima, as empresas de telecomunicações dependem de sistemas diferentes, mesmo ao implementar a IA, que apresentam desafios de integração, comprometem a experiência do usuário e limitam o potencial da IA ​​corporativa.

Análise aumentada – democratize a IA e capacite os cientistas de dados dos cidadãos

As plataformas de análise aumentada de autoatendimento ajudam as empresas de telecomunicações a democratizar a IA de maneira simples, fácil de usar e automatizada. Eles ajudam os operadores a experimentar rapidamente usando uma configuração sem código que oferece recursos de autoatendimento em uma solução única e completa. Algumas das principais maneiras pelas quais a análise aumentada oferece suporte à IA corporativa são as seguintes:

  • Experimente iterativamente para modelos precisos – Existem várias ferramentas incorporadas em plataformas de análise aumentada que eliminam algumas das tarefas onerosas dos cientistas de dados. Por exemplo, o Auto-ML (aprendizado de máquina) oferece suporte à ‘otimização de última milha’ e é baseado em descobertas reais, permitindo que os modelos corrijam o curso e forneçam resultados com precisão crescente. Aqui também, o processo é iterativo e automatizado. Os módulos Auto-CASH (Seleção de Algoritmo Combinado e Otimização de Hiperparâmetros) ajudam a selecionar o melhor modelo e o melhor conjunto de hiperparâmetros para otimizar as métricas de avaliação escolhidas (exatidão, precisão, elevação, etc.). Essas ferramentas aumentam muito a produtividade dos usuários.
  • Acelere os ciclos de vida dos dados por meio da automação – A análise aumentada fornece uma estrutura de governança com fluxos de trabalho para gerenciar os dados com eficiência. Tarefas como preparação de dados, ajuste de hiperparâmetros, seleção do modelo mais adequado, implantação em produção e monitoramento de seu desempenho são automatizadas de ponta a ponta.
  • Exponha a lógica do modelo por meio de IA explicável – As plataformas de análise aumentada suportam a interpretabilidade de modelos de caixa preta. Os usuários podem entender facilmente a lógica por trás das previsões nos níveis de explicabilidade global, regional e local. A despolarização do aprendizado de máquina é um recurso adicional para combater o viés do modelo. Ele ajuda os usuários de negócios a confiar nos resultados do modelo, especialmente para resultados relacionados a fraude, atendimento ao cliente, garantia de negócios, vazamento de receita e assim por diante. Uma plataforma robusta de análise aumentada também ajuda a monitorar as principais métricas de avaliação e desempenho, como precisão, recall, desvio de recursos, desvio de modelo etc.

Benefícios da IA ​​corporativa

Um dos principais benefícios é que as plataformas de análise aumentada capacitam os usuários de negócios a se tornarem cientistas de dados cidadãos. Por um lado, a automação inteligente do gerenciamento de dados melhora a eficiência e a produtividade dos cientistas de dados existentes. Em segundo lugar, ajuda os usuários a alavancar facilmente a IA para resolver problemas de negócios sem depender de treinamento exaustivo e conhecimento de domínio.

Embora estes forneçam um grande impulso para a qualidade do trabalho, também existem benefícios claramente quantificáveis.

As empresas que adotaram plataformas de análise aumentada relatam um aumento de 50% na eficiência da análise e na confiança na tomada de decisões. A síntese automatizada de recursos ajuda os cientistas de dados a lançar modelos mais precisos, de forma iterativa, rápida e sem viés do usuário. Os insights estão disponíveis rapidamente, pois os processos de dados são executados até 100 vezes mais rápido. A visualização nítida desses insights e padrões é um bônus. Por fim, a análise de conversação torna ainda mais fácil para os usuários de negócios consumir esses insights.

Movendo-se para o resultado final, a análise aumentada amplifica a receita de duas maneiras:

  • Receita por meio de ganhos de eficiência – As operadoras de telecomunicações podem esperar um aumento de 23% na lucratividade operacional. Os funcionários tornam-se mais produtivos, sentindo-se auxiliados em seu trabalho; a retenção aumenta em 31%, assim como o escopo recém-descoberto para tarefas de agregação de valor. Isso inclui estimular os cientistas de dados de cidadãos que podem criar modelos de IA para outras funções, ampliando o valor – e o retorno do investimento – em toda a empresa. Algumas empresas relatam aumentar seu pool de cientistas de dados de cidadãos em quase cinco vezes, graças às plataformas de análise aumentada.
  • Receita de satisfação do cliente – No front-end, os clientes que desfrutam de maior personalização, resolução de problemas mais rápida e qualidade de rede (entre outros) relatam maior satisfação. Alguns adotantes relatam um aumento de 35% ano a ano na aquisição de clientes.

Conclusão: Acelere os dados para as decisões

As expectativas da IA ​​estão aumentando. A análise aumentada é o diferencial crucial que separará aqueles que ganham muito por meio de investimentos em IA e aqueles que ficam para trás. As plataformas de análise aumentada podem ajudar os jogadores a acelerar o ciclo de vida dos dados até a decisão, dando-lhes uma vantagem mais nítida. Especificamente em telecomunicações, eles equilibram o debate investimento x benefício, otimizando os processos existentes e descobrindo novas oportunidades de negócios, minimizando custos e maximizando a receita.

Suresh é o CTO da Subex e traz consigo uma ampla experiência de liderança, gerencial e técnica de mais de 27 anos. 
Antes da Subex, ele trabalhou com empresas como Motorola, ARRIS e CommScope, onde construiu e dimensionou grandes operações globais de engenharia de software, serviços profissionais e serviços de suporte técnico, atendendo verticais da indústria como cabo, telecomunicações, redes móveis e sem fio. 
Suresh é bacharel e mestre em Engenharia Eletrônica e de Comunicações pela Osmania University e pós-graduado em gerenciamento de empresas de software pelo IIM, Bangalore.