As Previsões "Antigas mas de Ouro" Podem Reduzir Custos de IA?

Existe um padrão comum em inteligência artificial (IA) em que as grandes empresas constroem infraestruturas massivas para apoiar os seus casos de uso de IA. O objetivo é fazer previsões rápidas e atualizar constantemente com novos dados para escalar a sua infraestrutura. No entanto, esta abordagem frequentemente ignora a relação entre o custo da infraestrutura e o tamanho da oportunidade que o caso de uso resolve.

Neste artigo, vamos discutir uma estratégia diferente designada previsões "Antigas mas de Ouro". Esta abordagem pode ajudá-lo a manter um equilíbrio adequado entre a precisão preditiva e o custo da infraestrutura, reduzindo assim despesas.

O que são Previsões "Antigas mas de Ouro"?

O padrão "Antigas mas de Ouro" envolve calcular as suas previsões antecipadamente e guardá-las numa tabela. Por exemplo, se sabe que precisa fazer previsões sobre a sua base de clientes amanhã, pode calculá-las com antecedência e armazená-las. Desta forma, quando alguém pede uma previsão, já a tem preparada e guardada na sua tabela.

Mesmo que estas previsões estejam ligeiramente desatualizadas, podem ainda ser relevantes. O padrão envolve então atualizar incrementalmente estas previsões a um ritmo que é provavelmente mais lento do que a velocidade das previsões que tem de gerar. Esta abordagem permite manter uma infraestrutura mais pequena, lidar com previsões mais antigas e diminuir o tempo necessário para as obter.

Como Pode Atualizar Estas Previsões?

Existem diferentes estratégias para atualizar estas previsões. Uma abordagem é atualizar primeiro a previsão mais antiga. Outra é dar prioridade aos clientes novos ou casos que ainda não receberam uma previsão. Uma terceira abordagem é atualizar as previsões dos casos mais ativos, ou seja, aqueles com uma frequência de previsão elevada.

Esta última abordagem é particularmente útil pois permite ter previsões relevantes para os 20% da sua base de clientes que trazem 80% do seu valor, enquanto mantém os restantes atualizados caso precisem de novas previsões.

Quando Pode Usar Esta Estratégia?

Esta estratégia é particularmente útil em dois cenários:

1. Domínios Estáveis: Pode usar esta estratégia em domínios com mudança lenta, como previsões imobiliárias ou de seguros. Nestes domínios, os clientes não mudam de ideias constantemente. Por exemplo, se prevê a probabilidade de segurar um cliente no mês seguinte, é provável que se mantenha igual.
2. Tarefas Não Críticas: Pode usar esta abordagem em situações onde uma previsão desatualizada é mais valiosa do que nenhuma previsão. Por exemplo, se está a enviar uma recomendação numa newsletter, pode estar bem com uma previsão gerada há dois ou três dias. Mas no seu website, onde quer considerar dados de sessão, pode querer previsões em tempo real.

O Equilíbrio Entre Custo de Infraestrutura e Poder Preditivo

À medida que aumenta o tamanho da sua infraestrutura, reduz o atraso das suas previsões, tornando-as mais atualizadas e relevantes. Por outras palavras, aumenta o seu poder preditivo. No entanto, isto também aumenta o custo da sua infraestrutura. Portanto, precisa de equilibrar o ponto onde as suas previsões permanecem valiosas o suficiente para gerar mais receita do que o custo da infraestrutura.

Esta estratégia permite começar com uma infraestrutura muito pequena com previsões atrasadas e depois aumentar o seu tamanho à medida que gera receita. É uma atitude mais sensata do que investir muito dinheiro em grandes sistemas distribuídos para um caso de uso que pode nem sequer recuperar o investimento na sua infraestrutura.

Conclusão

A estratégia de previsões "Antigas mas de Ouro" é uma excelente forma de construir casos de uso de IA com risco mínimo. Em vez de construir sistemas caros e maciços, este método concentra-se em fazer previsões antecipadamente e atualizá-las conforme necessário. Permite começar pequeno, escalar gradualmente e aproveitar ao máximo os seus recursos.

Se está interessado em saber mais sobre o cálculo do tamanho de uma oportunidade de IA, marque uma reunião connosco na NILG.AI. Para informações adicionais, consulte o nosso Data Ignite Course ou descarregue o nosso ebook para uma abordagem mais centrada no negócio relativamente à IA.