Uso de deep learning na previsão de tráfego a pé no varejo

Artigo
por ShopperTrak Editors on 04-04-16

A DeepMind, uma empresa de inteligência artificial (IA) comprada pelo Google em 2014, ganhou as manchetes recentemente graças a uma enorme conquista obtida no ramo da IA. A DeepMind criou um programa de aprendizado de máquina chamado AlphaGo, que recentemente derrotou Lee Sedol, um dos maiores jogadores do mundo, em uma partida do antigo jogo de estratégia chamado “Go”. Muito tradicional no Leste da Ásia, o Go coloca frente a frente dois jogadores, que devem movimentar peças pretas e brancas em um tabuleiro quadrado. É preciso muito estudo para dominar o jogo, considerado muito mais complexo do que o xadrez e que exige mais do que raciocínio rápido: “É também psicologia, filosofia, é arte.”

Qualidades intangíveis, como sabedoria e intuição, que todos os mestres do Go adquirem após anos de treinamento intenso, tornam a tarefa de vencer um mestre humano algo extremamente difícil para um sistema de IA. Na verdade, até poucos anos atrás, considerava-se que levaria décadas até que um programa de IA conseguisse vencer um mestre do Go. O sucesso do AlphaGo, no entanto, demonstra o poder e o potencial de um determinado tipo de sistema de aprendizado de máquina, o deep learning.

 

Deep Learning: o que é e por que é tão importante?

Embora ainda seja um jargão do meio tecnológico, o termo deep learning está lentamente começando a ganhar destaque na mídia tradicional. Ao contrário de termos como internet das coisas, nuvem e big data, o deep learning ainda não apareceu no ciclo de tecnologias emergentes da consultoria Gartner. Embora ainda esteja predominantemente restrito ao público da área de engenharia, o conhecimento sobre deep learning deve se disseminar em breve nas redes de gerenciamento e entrar na ordem do dia.

O Deep Learning é um ramo do aprendizado de máquina especializado em criar redes neurais artificiais e ensiná-las a realizar tarefas complexas. As principais empresas de tecnologia, que estão trabalhando para oferecer o quanto antes o aprendizado de máquina em suas plataformas de software em nuvem, reconhecem que o deep learning atinge o máximo potencial quando uma rede neural é treinada para analisar enormes quantidades de dados e reconhecer padrões. Recursos como esses só se tornaram possíveis recentemente, graças ao poder das GPUs de ponta para games e de algoritmos e artifícios matemáticos inventivos.

 

Redes neurais: definição

As redes neurais artificiais são o coração do deep learning. É bem provável que você já interaja diariamente com uma rede neural artificial, seja perguntando alguma coisa para a Siri ou recebendo uma sugestão do tipo “Você quis dizer:” após a busca de um termo no Google.

As redes neurais artificiais têm este nome porque tentam imitar as funções do cérebro humano. O cérebro recebe estímulos externos (ex.: o que vemos) e devolve nossa interpretação de ditos estímulos (ex.: como pensamos/entendemos/reagimos ao que vemos/cheiramos/respiramos).

Nosso cérebro passa os estímulos através de uma hierarquia de níveis neuronais que criam uma interpretação dos estímulos externos. As interpretações são passadas, então, por essa hierarquia de níveis neuronais até que se chegue a uma ação ou opinião. A parte mais incrível, no entanto, é que essa rede de interpretações é capaz de se “reconectar” quando o cérebro fornece um feedback sobre os resultados de cada interpretação.

Por exemplo, uma criança vê um hambúrguer fumegante saindo da grelha. O estímulo externo “grelha + comida” fornece a interpretação “coma agora”. Se a criança comer um hambúrguer quente demais e queimar a língua, o resultado do estímulo “grelha + comida” pode ser “reconectado” para produzir a interpretação “cuidado”.

 

Replicando o biológico: o poder das redes neurais artificiais

Para replicar artificialmente o processo de pensamento no caso “grelha + comida” acima, os estudiosos do aprendizado de máquina criaram redes neurais artificiais, que podem ser vistas como uma série de caixas pretas que abrigam algoritmos. As caixas pretas são organizadas de forma a reproduzir a maneira como se acredita que as redes neurais biológicas processam estímulos externos antes que cada uma dessas caixas receba, como “valores de entrada”, vetores de números que podem representar qualquer coisa, desde os pixels de uma imagem até o tráfego a pé de clientes em um varejista.

Como os vetores de números passam por todas as caixas pretas, ocorre uma discreta transformação no valor de entrada, que é então propagada por meio de uma rede de equações matemáticas que manipula os dados.

Quando os resultados dos dados manipulados não correspondem ao que o programador deseja, mais dados de entrada são fornecidos ao sistema, que assim pode “tentar novamente” ao regular todas as caixas pretas da rede e “reconectá-la” até que produza um resultado desejado. Isso acontece repetidas vezes até que o modelo avalie corretamente os resultados do mundo real a partir de um conjunto de estímulos externos.

 

Redes neurais em ação, o exemplo do ShopperTrak

A melhor maneira de ilustrar como o ShopperTrak usa o deep learning é apresentar um cenário hipotético de tráfego a pé.

Após criar uma série de redes neurais, nós fornecemos, como valor de entrada, que o tráfego foi de 450 pessoas por loja em 2015, por exemplo. Também podemos fornecer como valor de entrada que o tempo estava quente e ensolarado, e que o tráfego nacional se manteve no mesmo patamar de 2014.

Receberíamos, então, uma previsão: se a rede prever que o tráfego a pé seria 800, tendo sido, na verdade, 400, usamos uma técnica chamada propagação reversa para voltar todas as etapas, fazer ajustes e revisar os pesos para obter um resultado mais preciso na tentativa seguinte. O processo é repetido milhões de vezes, e a cada vez o nosso sistema fica mais inteligente e aprende um pouco mais sobre como prever o tráfego.

O processo que cria o deep learning moderno consiste em passar valores de entrada por redes neurais, ajustando pesos e fazendo reconexões por meio de propagação reversa.

 

O papel da intuição nas previsões

No cenário acima, o ato de “ajustar pesos” permite vislumbrar a ideia de que os sistemas de deep learning tentam replicar determinadas qualidades eminentemente humanas, a saber: a sabedoria e a intuição que os mestres de Go desenvolvem ao longo da vida.

Quando derrotou Lee Sedol, o AlphaGo chocou a comunidade da IA porque a vitória inconteste claramente demonstrou que um computador que usa deep learning consegue “aprender” ou adotar qualidades consideradas intrinsecamente humanas. Seria possível argumentar que a intuição humana, que muitos de nós vemos como os pensamentos ou ações resultantes de anos de experiência e sabedoria adquiridas, foi exatamente o que o AlphaGo “aprendeu”.

 

Intuição no ShopperTrak

Bill Martin, o experiente fundador do ShopperTrak, ajudou a criar um mercado totalmente novo com a contagem e a análise de tráfego a pé no varejo. Graças a seus mais de vinte anos de experiência, Martin desenvolveu uma capacidade intuitiva para entender, analisar e prever tendências de tráfego a pé em todo o setor. Ao se aposentar no início deste ano, ele levou a intuição consigo. Por sorte, passamos vários anos construindo um modelo sólido de deep learning que prevê tendências de tráfego.

Para fazer isso, usamos o incomparável conjunto de dados do ShopperTrak, que abrange bilhões de contagens de tráfego em dezenas de milhares de locais, para realizar um processo de deep learning que nos permite estimar melhor o tráfego. Ao fazer isso, nos beneficiamos de dois componentes do deep learning moderno que são indispensáveis para o sucesso:

  • Um conjunto de dados de treinamento extremamente grande (que só o ShopperTrak tem)
  • Poderosas ferramentas de computação

 

Esses dois critérios permitiram que o ShopperTrak reproduzisse a sabedoria do homem que fundou o mercado em que a empresa atua. Hoje, processamos conjuntos de dados com uma velocidade que era absolutamente impossível poucos anos atrás. Para isso, usamos as mais sofisticadas GPUs de games disponíveis, e estamos prestes a usar técnicas que vão muito além da estatística básica e das regressões lineares do passado. Essas técnicas estatísticas são nós dentro da hierarquia das redes neurais do ShopperTrak, e permitem que nossos programas sejam testados e ajustados rapidamente por meio de manobras de deep learning de última geração.

A capacidade que nosso modelo tem para prever o tráfego com base apenas no tráfego anterior da mesma loja é ilustrada abaixo. Ao incluir valores de entrada como o tráfego médio da organização, a área em metros quadrados e o inigualável conjunto de dados de tráfego da ShopperTrak, obtemos uma previsão bastante precisa sobre como devem ser as tendências de tráfego futuras. Além disso, ao inserir dados adicionais sobre eventos, tais como promoções e campanhas, produzimos um modelo ainda mais preciso.

E ainda podemos fazer mais. A equipe de Serviços Profissionais do ShopperTrak oferece serviços de consultoria usam nossa expertise em deep learning para avaliar os dados de tráfego de um cliente varejista.

Quer saber mais?  Entre em contato: insights@shoppertrak.com

Quer melhorar o desempenho da sua empresa?

Clique abaixo e descubra como.

Comece hoje
Leia mais publicações de ShopperTrak Editors