O exercício de atividades ilegais envolvendo moedas digitais não é uma exclusividade nacional e tem incomodado muitos que apostam neste mercado mundo afora. Apenas de junho de 2011 a novembro de 2016 foram registrados mundialmente mais de 1800 esquemas de pirâmides financeiras envolvendo algum tipo de criptomoeda. O artigo original, publicado em 2018 por três estudiosos italianos com o título: “Minerando dados para detectar esquemas de pirâmide com bitcoin”, propôs um programa de computador capaz de classificar endereços suspeitos de operar pirâmides financeiras na blockchain do bitcoin utilizando técnicas de machine learning (aprendizado computacional). Essa técnica consistiu em ensinar um software a identificar estatisticamente transações suspeitas de endereços reais retirados da blockchain, incluindo dados de pirâmides financeiras já conhecidas e de transações não fraudulentas. A partir da obtenção dessas informações, o software então analisou diversos parâmetros como, por exemplo, a diferença entre valores financeiros de entrada e saída, o atraso médio entre transações e o número de transações diárias e conseguiu satisfatoriamente classificar endereços suspeitos com 99% de precisão. Como, em muitos casos, pirâmides financeiras operam em múltiplos endereços com o objetivo de tornar o rastreio de informações mais complexo, os cientistas de dados resolveram então também utilizar uma técnica conhecida como clusterização a fim de combater pirâmides camufladas. Utilizando a proposta italiana como base, cientistas de dados chineses deram um passo a frente e propuseram uma solução adaptada para a blockchain do Ethereum em março deste ano. Como o software ainda é limitado a realizar análises estáticas, devido ao grande volume de transações nas blockchains, o próximo passo é tornar o software hábil a fazer o monitoramento em tempo real e, consequentemente, mais ostensivo e irrestrito a um determinado período de análise. Quando isto for solucionado, a tendência é que tenhamos várias células de monitoramento (governamentais ou não), o que tornaria o processo de auditoria ainda mais refinado e preciso. Fonte: Webitcoin
Como a IA autônoma transformará a indústria de marketing
No marketing de hoje, a inteligência artificial é um assistente valioso, observa Fang Cheng, Co-fundador e CEO da Linc Global. Mas enquanto a IA é uma ferramenta útil quando se trata de coletar e analisar dados, as pessoas ainda são superiores quando se trata de ideias fora da caixa. Como a criatividade é um elemento tão importante do marketing, a IA autônoma ainda precisa ser totalmente implementada. De acordo com um estudo de 2019 realizado pela Forrester and Albert, apenas 26% dos profissionais de marketing estão fazendo uso da IA autônoma, enquanto 74% adotam uma abordagem mais manual com a ajuda da IA. Embora possa ser verdade que os aspectos mais criativos do marketing ainda exijam o elemento humano, os profissionais de marketing podem perder o maior valor que a aprendizagem de máquina pode fornecer quando ignoram a IA autônoma, alerta Cheng. Implementada corretamente, a IA autônoma pode ajudar os profissionais de marketing a desenvolver campanhas mais eficientes e eficazes, criando uma experiência de cliente mais inovadora e envolvente. A IA autônoma permitiria que os profissionais de marketing encontrassem rapidamente padrões em dados, trazendo mais insights para a superfície. A tecnologia poderia então analisar esses insights e fazer sugestões de como os profissionais de marketing poderiam usá-los. Em suma, a automação completa no setor de marketing criaria estratégias de marketing melhores e mais criativas. No futuro, os profissionais de marketing que aproveitam essa tecnologia terão uma vantagem significativa em relação aos profissionais de marketing tradicionais. As quatro áreas onde a IA autônoma pode começar a trabalhar imediamente são o website da empresa, onde garantiria uma experiência altamente personalizada, publicando as ofertas e o conteúdo que melhor se ajustam a cada usuário, a criação de conteúdo, que permitiria promoção nos canais que cada cliente prefere em um momento mais relevante, a prevenção de rotatividade, ao identificar segmentos de clientes desengajados, prestes a sair para um concorrente, e insights do cliente. Fonte: MartechAdvisor
