Machine Translated by Google

Nome do curso: GBS Cognitivo 101

Nome do módulo: Venda e entrega cognitiva em GBS
Número do módulo: 2

Runa: Então Cognitivo é uma palavra fantástica para descrever os novos sistemas geracionais.
Mas também é complicado para os clientes entenderem. E quando é
complicado de entender, os clientes não compram. Então, é muito importante
encontrarmos uma maneira de explicar de maneira fácil o que é realmente uma
solução cognitiva, para que seja fácil para o cliente entender como ela cria valor. E,
em particular, onde queremos que o cliente comece a pensar em como essa tecnologia
pode ser aplicada ao seu negócio, e não pense em entender cada parte da tecnologia
envolvida.

Então, estamos passando de realmente para uma mudança de paradigma de

sistemas de transação e sistemas que nós, como seres humanos, precisamos
entender, para sistemas de insight. Esses são sistemas que precisam nos entender
como seres humanos. E esse é realmente o pivô e a mudança e as palavras-chave
por trás da aplicação da inteligência artificial em uma solução cognitiva.

Então, tudo começa com a observação do problema de negócios que você está
tentando resolver. E isso pode ser um problema relacionado a margens de rolagem,
pode ser uma participação de mercado em rolagem, um alto custo para uma determinada
parte do negócio. Pode ser um problema de capital de giro relacionado às cadeias de
suprimentos, e assim por diante. Mas para aprimorar o problema para resolver é
realmente onde você começa. E então a solução para este problema vem de insights que
são gerados a partir de grandes quantidades de dados. E esses insights fornecem
informações e conhecimentos aos quais você não teria acesso de outra forma. E o insight
vem de dois tipos de dados; dados estruturados e dados não estruturados. E os dados
estruturados não são novidade que estão em nossos sistemas legados em todo o mundo
e são fáceis de obter. E os dados não estruturados são onde temos grandes quantidades
de dados que são meio obscuros ou aos quais as pessoas não têm acesso hoje. Portanto,
a combinação desses dois tipos de dados está gerando os insights que nos ajudarão a
resolver problemas de uma nova maneira.
Os dados não estruturados estão disponíveis dentro da empresa do cliente e também
fora do espaço público.

Então, a questão é como podemos juntar essas duas coisas de uma maneira que
faça sentido para que possa ser articulado a nós em conhecimento que possa
ajudar os clientes a resolver problemas de negócios. Agora, para fazer isso, precisamos
de um modelo matemático do problema. Este modelo articula a receita para a entrada e
Machine Translated by Google

a saída que gostaríamos de ver. Esse modelo matemático, também chamado de

algoritmo, é criado por cientistas de dados com base na compreensão do problema
que estamos tentando resolver. E é implementado em um software que pode operar
esse tipo de modelo matemático. Portanto, ele precisa que os dados entrem para
fornecer a saída de dados. Portanto, precisamos coletar os dados estruturados e os
dados não estruturados em um local e transformá-los em uma forma que seja de tal
natureza que o algoritmo possa usá-los. E então tem que ser estruturado.

Portanto, a partir dos dados armazenados em sistemas legados, isso não é um

problema porque já está lá, alinhado e pronto para ser usado. Mas as enormes
quantidades de dados não estruturados que precisamos converter em dados
estruturados para que o algoritmo possa usá-los. E a ferramenta que estamos usando
para fazer isso acontecer é o Watson Explorer. O Watson Explorer entende o formato
de linguagem natural de dados não estruturados e os transforma em dados
estruturados, que o algoritmo pode usar. Além disso, esses dados precisam estar em
algum lugar. Ele deve ser armazenado e localizado em um local onde o software que
executa o algoritmo possa acessá-lo. Para isso, temos a oferta Watson Data Platform
que cuida disso. Agora quando temos os dados no Corpus na Watson Data Platform,
convertidos pelo Watson Explorer, precisamos criar um Knowledge Graph que dê o
treinamento ou, como devo dizer, o componente de raciocínio dos dados. E o
Knowledge Graph é explicado simplesmente pensando em qualquer pessoa fazendo
uma pesquisa no Google e então você obtém uma lista de acessos para páginas da
web, e assim por diante.
Você clica em um deles, você abre um artigo. No artigo, você vê algo que se
parece com o que você realmente estava procurando e, em seguida, clica em outro
link e chega a um novo artigo, e assim por diante. O Knowledge Graph está
encurtando esse processo. Assim, o sistema ou o gráfico sabe o que você está
procurando quando você faz a pesquisa inicial e leva você até o resultado final.
Portanto, este Knowledge Graph é construído por uma solução ou ferramenta
chamada Watson Knowledge Studio, que possui os recursos de aprendizado de
máquina para o Knowledge Graph também aprender. E a regra prática seria treinar
o Corpus em 20% de seu tamanho total, e então o Gráfico de Conhecimento assumiria
o controle, aprenderia e desenvolveria o conhecimento do resto em si. Então temos o
problema, temos os dados da estrutura, temos os dados não estruturados, temos o
Corpus, o Knowledge Graph e o Algoritmo.

Portanto, a peça que falta agora é como interagimos com esse sistema e como
obtemos os dados e as informações que estamos procurando. Então, o que fazemos
para que isso aconteça é colocar de uma forma conversacional uma espécie de interface
Machine Translated by Google

com o sistema. E fazemos isso através de Bots. Um Bot é uma interface

de conversação que permite falar, falar ou escrever. O ponto é que você
tem uma conversa com o sistema sobre o que você quer fazer. O sistema
entende isso e fornece conhecimento e insights com base nesse
entendimento. Isso também é um elemento, um raciocínio e geração de
hipóteses baseado em tal compreensão do que você como usuário está
tentando fazer. Então, como fazemos isso acontecer? Watson Developer Cloud é o
plataforma que contém as APIs de acesso ou capacidades cognitivas. Essas
APIs são capazes de entender o tom do idioma que está sendo usado, a
personalidade do usuário e também o idioma que o usuário está aplicando.
Essas APIs são então reunidas de tal forma que a integração, ou a conversa
com o sistema, permitirá que o sistema entenda a intenção do usuário. E
isso, em geral, é uma explicação geral de como é um sistema cognitivo e
seus componentes principais. Dependendo do problema que você está
tentando resolver, nem todos esses componentes serão necessários, mas
como um modelo a ser usado para explicar a alguém como a solução
cognitiva realmente se parece e o que está por baixo do capô, esta será uma
visão geral. Muito obrigado.

FIM