Entender a análise aumentada
Tradicionalmente, as complexidades da análise de dados pertenciam a profissionais de dados. Eles tinham o conhecimento, a experiência e o software necessários para executar processos-chave no ciclo de vida da análise de dados, que inclui exploração e preparação de dados, design e desenvolvimento de modelos, e geração e disseminação de insights. Frequentemente manuais e tediosos, o trabalho poderia levar dias, semanas ou mais. As equipes de negócios aguardavam informações para orientar suas decisões e ações.
No entanto, dada a velocidade com que as empresas devem operar agora em ambientes digitais altamente competitivos, os tomadores de decisão simplesmente não podem esperar. Eles precisam de insights mais profundos—e mais deles—mais rápido do que nunca. No entanto, a maioria das equipes de ciência de dados não consegue dimensionar suas operações com rapidez suficiente para acompanhar as demandas por análises de dados, um desafio agravado pelo Big Data e outros armazenamentos de dados grandes e complexos.
Ao usar inteligência artificial (IA) e tecnologias relacionadas, a análise aumentada ajuda a transformar a maneira como as empresas geram, consomem e compartilham business intelligence (BI) e análise de negócios (BA).
Há três componentes principais na análise aumentada:
- Aprendizado de máquina (ML). Um tipo de IA, o ML utiliza algoritmos para pesquisar rapidamente dados históricos, identificar padrões, detectar desvios e gerar insights e recomendações. Modelos de aprendizado de máquina prosperam em Big Data e aprendem continuamente com novos dados estruturados e não estruturados—sem intervenção humana. Os modelos de aprendizado de máquina são subjacentes à maioria das funcionalidades de análise aumentada.
- Tecnologias de linguagem natural. Humanos e computadores podem se comunicar mais facilmente por meio do processamento de linguagem natural (NLP), que interpreta a linguagem humana para os computadores, e da geração de linguagem natural (NLG), que traduz código do computador em linguagem humana. Como resultado, os profissionais de negócios podem interagir com as máquinas em sessões de perguntas e respostas, usando termos familiares do domínio e do setor.
- Automação. Tecnologias impulsionadas por aprendizado de máquina automatizam tarefas manuais rotineiras ao longo do ciclo de vida da análise de dados. Isso reduz significativamente o tempo necessário para construir, treinar e implantar modelos de aprendizado de máquina. Por exemplo, auxiliados por solicitações geradas automaticamente, indivíduos técnicos e não técnicos descobrem e preparam dados brutos mais rapidamente. Próximo ao final do ciclo de vida, os relatórios baseados em texto—criados e distribuídos automaticamente com frequência especificada pelo usuário—aceleram o compartilhamento de insights.
Fiel ao seu nome, a análise aumentada não substitui, mas aumenta a inteligência, a intuição e a curiosidade humanas. Levando em conta pistas contextuais e comportamentais coletadas ao longo do tempo dos usuários, os modelos de aprendizado de máquina avaliam a intenção e as preferências humanas e oferecem insights, diretrizes e recomendações apropriadas por meio da linguagem natural. Eles deixam a tomada de decisão real para as pessoas.
Siga o Power Platform