BR102019003207A2

BR102019003207A2 - uso de modelo de aprendizagem de máquinas e processamento de linguagem natural para gerenciar e atribuir tarefas

Info

Publication number: BR102019003207A2
Application number: BR102019003207A
Authority: BR
Inventors: Fernandes De Oliveira Eduardo; Jose Daniek Guastella Fabiano; Santana Freitas Jamisson; Rothe Andrade Laila; Oliveira Dias Filho Leomar; Valeriano Neri Leonardo; Souza Vieira Mardoqueu; Tavares Da Silva Renato
Original assignee: Accenture Global Solutions Ltd
Priority date: 2018-02-16
Filing date: 2019-02-15
Publication date: 2019-09-03
Also published as: CA3033966C; US11205143B2; CA3033966A1; US20190258985A1

Abstract

uso de modelo de aprendizagem de máquinas e processamento de linguagem natural para gerenciar e atribuir tarefas resumo um dispositivo treina um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores. o dispositivo recebe novos dados da tarefa, identificando novas tarefas para alocação aos trabalhadores e executa o processamento de linguagem natural nos novos dados da tarefa para converter os novos dados da tarefa em novos dados da tarefa processados. o dispositivo recebe, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real, que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores. o dispositivo processa os dados da nova tarefa processada e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores e faz com que as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base nas alocações determinadas das novas tarefas.

Description

“USO DE MODELO DE APRENDIZAGEM DE MÁQUINAS E PROCESSAMENTO DE LINGUAGEM NATURAL PARA GERENCIAR E ATRIBUIR TAREFAS” RELATÓRIO DESCRITIVO

ANTECEDENTES [0001] Gerenciar uma equipe de trabalhadores (por exemplo, trabalhadores, contratados, analistas e/ou similares) requer alocação de tarefas para cada trabalhador da equipe. Isso requer a tomada de decisões sobre qual trabalhador é capaz de executar com êxito tarefas específicas diárias, semanais, mensais e/ou similares. Para tomar essas decisões efetivamente, um líder de equipe deve fazer julgamentos sobre uma ou mais tarefas que devem ser concluídas, quais trabalhadores são capazes de concluir as tarefas e/ou similares.

SUMÁRIO [0002] Em alguns aspectos, um método pode incluir o treinamento de um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e assuntos associados com as tarefas anteriores, e em que os dados de habilidades podem identificar habilidades e experiência dos trabalhadores. O método pode incluir receber novos dados da tarefa, identificando novas tarefas para alocação aos trabalhadores e executar o processamento de linguagem natural nos novos dados da tarefa para

Petiçãte!8?ãtí58MEI9W24ii883dè3ia0C13',2|ailg)., 869 5/65

2/46 converter os novos dados da tarefa em novos dados da tarefa processados. O método pode incluir receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais alocadas aos trabalhadores e processar os novos dados de tarefas processados e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores. O método pode incluir fazer com que, pelo dispositivo, as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base nas alocações determinadas das novas tarefas.

[0003] Em alguns aspectos, um dispositivo pode incluir uma ou mais memórias e um ou mais processadores, comunicativamente acoplados a uma ou mais memórias, para receber um modelo de aprendizagem de máquina que é treinado com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e em que os dados de habilidades podem identificar habilidades e experiência dos trabalhadores. Um ou mais processadores podem receber novos dados de tarefas que identificam novas tarefas para alocar aos trabalhadores e podem receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores. Um ou mais processadores podem processar os novos dados de tarefas e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas para os trabalhadores e podem fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas

Petiçãte!8?ãtí58MEI9W24ii883dè3ia0C13',2|ailg)., 969 6/65

3/46 alocações determinadas das novas tarefas. Um ou mais processadores podem receber, a partir dos sensores, novos dados de produtividade em tempo real, que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, e podem determinar que uma ou mais dentre as novas tarefas sejam realocadas com base em os novos dados de produtividade em tempo real. Um ou mais processadores podem fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

[0004] Em alguns aspectos, um meio legível por computador não transitório pode armazenar instruções que incluem uma ou mais instruções que, quando executadas por um ou mais processadores de um dispositivo, fazem com que um ou mais processadores recebam novos dados de tarefas, que identificam novas tarefas a serem alocadas aos trabalhadores e executam o processamento de linguagem natural nos novos dados da tarefa para converter os novos dados da tarefa em novos dados da tarefa processados. Uma ou mais instruções podem fazer com que um ou mais processadores recebam, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais alocadas aos trabalhadores e processe os novos dados de tarefas processados e dados de produtividade em tempo real, com um modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas para os trabalhadores. Um modelo de aprendizagem de máquina pode ser treinado com dados históricos de produtividade e dados de habilidades para gerar o modelo de aprendizagem de máquina treinado, em que os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e assuntos associados às tarefas anteriores e em que dados de habilidades podem identificar habilidades e experiência dos

PetiçãBáKÇi1:9»0aS9ffl(6? ipág 7/65

4/46 trabalhadores. Uma ou mais instruções podem fazer com que um ou mais processadores façam com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas e recebam, a partir dos sensores, novos dados de produtividade em tempo real que identifiquem produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores. Uma ou mais instruções podem fazer com que um ou mais processadores determinem que uma ou mais dentre as novas tarefas devem ser realocadas com base nos novos dados de produtividade em tempo real, e fazer com que um ou mais dispositivos realoquem um ou mais dentre as novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

BREVE DESCRIÇÃO DOS DESENHOS [0005] As Figs. 1A-1I são diagramas de uma modalidade exemplificativa descrita aqui.

[0006] A Fig. 2 é um diagrama de um ambiente exemplificativo, no qual os sistemas e/ou métodos descritos aqui podem ser implementados.

[0007] A Fig. 3 é um diagrama exemplificativo de componentes de um ou mais dispositivos da Fig. 2.

[0008] As Figs. 4-6 são fluxogramas exemplificativos de processos para usar um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas.

DESCRIÇÃO DETALHADA [0009] A descrição detalhada a seguir de modalidades exemplificativas se refere aos desenhos anexos. Os mesmos números de referência em desenhos diferentes podem identificar os mesmos elementos ou similares. [0010] Um líder de equipe geralmente terá várias tarefas para alocar a diferentes trabalhadores de uma equipe. Às vezes, um projeto pode exigir

PetiçãBáKÇi1:9»0aS9ffl(6? 8/65

5/46 que uma tarefa seja concluída antes que o trabalho possa começar em outras tarefas. O conhecimento dos níveis de competência dos trabalhadores garante que um projeto tenha uma equipe com precisão. Em algumas situações, o líder da equipe pode usar manualmente uma matriz de habilidades que fornece uma representação visual das habilidades do trabalhador. A matriz de habilidades apresenta uma maneira útil de considerar o que cada trabalhador faz bem e fornece uma indicação das áreas em que o desenvolvimento profissional é necessário para os trabalhadores.

[0011] Muitas entidades têm uma força de trabalho muito grande (por exemplo, uma grande quantidade de trabalhadores) e podem armazenar milhares, milhões, bilhões, etc., de pontos de dados que identificam habilidades dos trabalhadores, idiomas falados pelos trabalhadores, horas de trabalho dos trabalhadores, locais dos trabalhadores, projetos trabalhados pelos trabalhadores no passado, classificações indicando o desempenho dos trabalhadores nos projetos, quais trabalhadores trabalharam juntos antes e classificações para esses trabalhadores em projetos (por exemplo, os projetos funcionaram bem quando dois trabalhadores em particular trabalham juntos ), informação do tipo de personalidade dos trabalhadores e/ou similares. A alocação de tarefas com base em tal volume de pontos de dados não é capaz de ser feita na mente humana e é tão complexa que os aplicativos de processamento de dados tradicionais não podem ser usados.

[0012] Se aplicativos de processamento de dados tradicionais são usados para alocar tarefas, essas alocações de tarefas resultam em uso ineficiente, demorada e propensa a erros de recursos de computação (por exemplo, recursos de processamento, recursos de memória e/ou similares), recursos de rede e/ou similar. Por exemplo, os aplicativos de processamento de dados tradicionais podem alocar tarefas incorretamente para os

PetiçãBáKÇi1:9»0aS9ffl(6? 45828/â3/B(/D9/?>ag9 ipág 9/65

6/46 trabalhadores, o que pode resultar na em tarefas não sendo concluídas ou não concluídas de forma correta. Isso faz com que recursos de computação, recursos de rede e/ou similares sejam desperdiçados alocando tarefas incorretamente, tentando concluir tarefas incompletas, revisando tarefas concluídas incorretamente, atrasando a conclusão de um projeto e/ou similar.

[0013] Algumas modalidades descritas aqui fornecem uma plataforma de gerenciamento que usa um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. Por exemplo, a plataforma de gerenciamento pode treinar um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores. Os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e os dados de habilidades podem identificar habilidades e experiência dos trabalhadores. A plataforma de gerenciamento pode receber novos dados da tarefa, identificando novas tarefas para alocação aos trabalhadores e pode executar o processamento de linguagem natural nos novos dados da tarefa para converter os novos dados da tarefa em novos dados da tarefa processados. A plataforma de gerenciamento pode receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais alocadas aos trabalhadores e pode processar os novos dados de tarefas processados e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores. A plataforma de gerenciamento pode fazer com que, pelo dispositivo, as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base nas alocações

PetiçãO-tijai <S7®2990ffl(24588W3ia(0S.2|011i9.. pág.910/65

7/46 determinadas das novas tarefas.

[0014] Desta forma, a plataforma de gerenciamento pode lidar com milhares, milhões, bilhões e/ou similares, de alocações de tarefas dentro de um período de tempo (por exemplo, diariamente, semanalmente, mensalmente) e, portanto, pode fornecer capacidade de “big data”. Além disso, a plataforma de gerenciamento reduz tarefas alocadas incorretamente, tarefas incompletas, tarefas concluídas incorretamente e/ou similares, e conserva recursos de computação, recursos de rede e/ou similares que seriam desperdiçados alocando tarefas incorretamente, identificando tarefas incompletas e/ou tarefas concluídas incorretamente, tentando concluir tarefas incompletas, revisando tarefas concluídas incorretamente, atrasando a conclusão de um projeto e/ou algo similar.

[0015] As Figs. 1A-1I são diagramas de uma modalidade exemplificativa 100 descrita aqui. Como mostrado na Fig. 1A, os trabalhadores podem estar associados a dispositivos de clientes e a uma plataforma de gerenciamento. Os trabalhadores podem executar trabalhos em tarefas atuais (por exemplo, com ou sem os dispositivos de cliente) alocados a eles. Em algumas modalidades, as tarefas podem incluir a execução de um serviço pelos trabalhadores, a execução do trabalho manual pelos trabalhadores e/ou similares. Por exemplo, se os trabalhadores estiverem associados a uma central de atendimento, as tarefas podem incluir o tratamento de chamadas recebidas na central de atendimento.

[0016] Ao trabalhar nas tarefas atuais, os dados de produtividade em tempo real dos trabalhadores podem ser monitorados pelos dispositivos de cliente. Os dados de produtividade em tempo real podem identificar a produtividade em tempo real ou quase em tempo real dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores, como uma quantidade de tarefas concluídas pelos trabalhadores, uma quantidade de tarefas a serem completadas pelos trabalhadores, assunto associado com as

Petiçãíetiíai <S7®29«)(24í_>88W3ia(ÍJS.2pl1i9.. pág.911/65

8/46 tarefas e/ou similares. Em algumas modalidades, os dispositivos de cliente podem incluir dispositivos de computação que monitoram os dados de produtividade em tempo real (por exemplo, conclusão de acompanhamento das tarefas atuais em tempo real), sensores (por exemplo, sensores biométricos, câmeras de vídeo e/ou similares) que monitoram os dados de produtividade em tempo real, telefones que monitoram os dados de produtividade em tempo real e/ou similares.

[0017] Como mostrado adicionalmente na Fig. 1A, e pela referência número 105, a plataforma de gerenciamento pode receber, a partir dos dispositivos de cliente, os dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores. Em algumas modalidades, a plataforma de gerenciamento pode armazenar os dados de produtividade em tempo real em uma estrutura de dados (por exemplo, um banco de dados, uma tabela, uma lista e/ou similares).

[0018] Como mostrado na Fig. 1B, e pelo número de referência 110, a plataforma de gerenciamento pode receber dados históricos de produtividade associados aos trabalhadores. Em algumas modalidades, a plataforma de gerenciamento pode receber os dados históricos de produtividade a partir dos dispositivos de clientes, a partir de uma estrutura de dados (por exemplo, um banco de dados, uma tabela, uma lista e/ou similares) associada à plataforma de gerenciamento, a partir de um dispositivo de servidor associado à plataforma de gerenciamento e/ou similares. Em algumas modalidades, os dados históricos de produtividade podem incluir milhares, milhões, bilhões, etc., de pontos de dados que identificam quantidades de tarefas anteriores concluídas por cada um dos trabalhadores durante um período de tempo (por exemplo, diariamente, semanalmente, mensalmente e/ou similar), assunto associado com as tarefas anteriores, e/ou similares.

PetiçãO-tijai <8ffl®29«)(24588W313fflS.2pl1i9.. 156912/65

9/46 [0019] Como mostrado ainda na Fig. 1B, e pelo número de referência 115, a plataforma de gerenciamento pode receber dados de habilidades associados aos trabalhadores. Em algumas modalidades, a plataforma de gerenciamento pode receber os dados de habilidades a partir dos dispositivos de clientes, a partir de uma estrutura de dados (por exemplo, um banco de dados, uma tabela, uma lista e/ou similares) associada à plataforma de gerenciamento, a partir de um dispositivo de servidor associado à plataforma de gerenciamento e/ou similares. Em algumas modalidades, os dados de habilidades podem incluir milhares, milhões, bilhões, etc., de pontos de dados que identificam habilidades associadas a cada um dos trabalhadores, assuntos associados às tarefas anteriores concluídas por cada um dos trabalhadores, níveis educacionais associados a cada um dos trabalhadores, anos de experiência (por exemplo, executar tarefas) associados a cada um dos trabalhadores e/ou similares.

[0020] Como mostrado na Figura 1C, e pelo número de referência 120, a plataforma de gerenciamento pode treinar um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores. Em algumas modalidades, o modelo de aprendizagem de máquina pode incluir um modelo de previsão que garanta a alocação de garantias específicas para exposições específicas, considere as probabilidades futuras associadas à garantia, forneça uma alocação de garantia mais otimizada e/ou similares. Em algumas modalidades, o modelo de aprendizagem de máquina pode incluir um modelo de floresta aleatório, um modelo de máquina de vetores de suporte, um modelo de rede neural artificial, um modelo de regressão de laço, um modelo de mineração de dados, um modelo de mineração de regra frequente, um modelo de descoberta de padrão e/ou uma ou mais combinações dos modelos acima mencionados.

Petiçã/etijai <8ffl®29«)(245,88W3ia(ÍJS.2pl1i9.. 166913/65

10/46 [0021] Em algumas modalidades, a plataforma de gerenciamento pode executar uma operação de treinamento no modelo de aprendizagem de máquina com os dados históricos de produtividade e os dados de habilidades. Por exemplo, a plataforma de gerenciamento pode separar os dados históricos de produtividade e os dados de habilidades em um conjunto de treinamento, um conjunto de validação, um conjunto de testes e/ou similares. O conjunto de treinamento pode ser usado para treinar o modelo de aprendizagem de máquina. O conjunto de validação pode ser usado para validar o resultado do modelo de aprendizagem de máquina treinado. O conjunto de testes pode ser usado para testar a operação do modelo de aprendizagem de máquina. Em algumas modalidades, a plataforma de gerenciamento pode treinar o modelo de aprendizagem de máquina usando, por exemplo, um procedimento de treinamento não supervisionado e com base no conjunto de treinamento dos dados históricos de produtividade e dos dados de habilidades. Por exemplo, a plataforma de gerenciamento pode executar a redução de dimensionalidade para reduzir os dados históricos de produtividade e os dados de habilidades a um conjunto de recursos mínimos, dessa forma reduzindo recursos (por exemplo, recursos de processamento, recursos de memória e/ou similares) para treinar o modelo de aprendizagem de máquina e pode aplicar uma técnica de classificação ao conjunto de recursos mínimos.

[0022] Em algumas modalidades, a plataforma de gerenciamento pode usar uma técnica de classificação de regressão logística para determinar um resultado categórico (por exemplo, alocações de tarefas para os trabalhadores). Adicionalmente ou alternativamente, a plataforma de gerenciamento pode usar uma técnica de classificação Bayesiana nativa. Nesse caso, a plataforma de gerenciamento pode executar o particionamento recursivo binário para dividir os dados históricos de produtividade e os dados de habilidades em partições e/ou ramificações e usar as partições

PetiçãO-tijai <8ffl®29«)(24588W313(ÍJS.2pl1i9.. £7/6914/65

11/46 e/ou ramificações para executar previsões (por exemplo, alocações de tarefas para os trabalhadores). Com base no uso de particionamento recursivo, a plataforma de gerenciamento pode reduzir o uso de recursos de computação em relação à classificação linear e análise de pontos de dados, permitindo assim o uso de milhares, milhões ou bilhões de pontos de dados para treinar o modelo de aprendizagem de máquina, o que pode resultar em um modelo mais exato do que usar menos pontos de dados.

[0023] Adicionalmente ou alternativamente, a plataforma de gerenciamento pode usar uma técnica de classificador de máquina de vetor de suporte (SVM) para gerar um limite não linear entre pontos de dados no conjunto de treinamento. Nesse caso, o limite não linear é usado para classificar dados de teste em uma classe específica.

[0024] Adicionalmente ou alternativamente, a plataforma de gerenciamento pode treinar o modelo de aprendizagem de máquina usando um procedimento de treinamento supervisionado que inclui receber entrada para modelo de aprendizagem de máquina a partir de um especialista no assunto, o que pode reduzir uma quantidade de tempo, uma quantidade de recursos de processamento e ou similar, para treinar o modelo de aprendizagem de máquina de automação da atividade, relativo a um procedimento de treinamento não supervisionado. Em algumas modalidades, a plataforma de gerenciamento pode usar uma ou mais dentre outras técnicas de treinamento de modelos, tais como uma técnica de rede neural, uma técnica de indexação semântica latente e/ou similares. Por exemplo, a plataforma de gerenciamento pode executar uma técnica de processamento de rede neural artificial (por exemplo, usando uma arquitetura de rede neural de alimentação futura de duas camadas, uma arquitetura de rede neural alimentação futura de três camadas e/ou similares) para executar o reconhecimento de padrões a respeito de informações internas indicadas nos dados históricos de produtividade e nos

Peliçãíe«;7ai^<817®299)(ffl(24í_>88W3ia(ÍJS.2pl1i9.. p/6915/65

12/46 dados de habilidades. Nesse caso, o uso da técnica de processamento de rede neural artificial pode melhorar a exatidão do modelo de aprendizagem de máquina treinado gerado pela plataforma de gerenciamento, sendo mais robusto para dados ruidosos, imprecisos ou incompletos, e permitindo que a plataforma de gerenciamento detecte padrões e/ou tendências indetectáveis para sistemas que usam técnicas menos complexas e/ou menos complexas.

[0025] Em algumas modalidades, a plataforma de gerenciamento pode receber o modelo de aprendizagem de máquina treinado a partir de outra fonte e pode treinar novamente o modelo de aprendizagem de máquina conforme descrito abaixo.

[0026] Como mostrado na Fig. 1D, e pelo número de referência 125, a plataforma de gerenciamento pode receber novos dados da tarefa, que identificam novas tarefas a serem alocadas aos trabalhadores. Em algumas modalidades, a plataforma de gerenciamento pode receber os novos dados da tarefa a partir dos dispositivos de cliente, a partir de um dispositivo de cliente associado a um gerenciador dos trabalhadores, a partir de uma estrutura de dados (por exemplo, um banco de dados, uma tabela, uma lista e/ou similares) associado à plataforma de gerenciamento, a partir de um dispositivo servidor associado à plataforma de gerenciamento e/ou similar. Em algumas modalidades, os novos dados de tarefas podem incluir milhares, milhões, bilhões, etc., de pontos de dados que identificam novas tarefas para alocar aos trabalhadores, assunto das novas tarefas, habilidades necessárias para concluir as novas tarefas, uma quantidade de experiência para concluir as novas tarefas, períodos de tempo para concluir as novas tarefas e/ou similares.

[0027] Como mostrado na Fig. 1E, e pelo número de referência 130, a plataforma de gerenciamento pode executar o processamento de linguagem natural nos novos dados de tarefas para converter os novos dados da tarefa

Petiçãíetiíai <S7®29«)(24í_>88W3ia(ÍJS.2pl1i9.. p/g.916/65

13/46 em novos dados da tarefa processados. Os novos dados de tarefas processados podem incluir os novos dados da tarefa fornecidos em um formato (por exemplo, um formato eletrônico ou codificado por máquina) que é compreendido pelo modelo de aprendizagem de máquina treinado. Em algumas modalidades, a plataforma de gerenciamento pode usar reconhecimento de caracteres ópticos, reconhecimento de fala, uma técnica de processamento de linguagem natural, uma técnica de linguística computacional, uma técnica de análise de texto e/ou similares para processar os novos dados da tarefa e gerar novos dados da tarefa.

[0028] A plataforma de gerenciamento pode usar o reconhecimento de caracteres ópticos (OCR) com os novos dados da tarefa para converter os novos dados de tarefas em dados eletrônicos. O reconhecimento de caracteres ópticos envolve uma conversão de imagens de texto digitado, manuscrito ou impresso em texto codificado por máquina. Por exemplo, o OCR pode ser aplicado a um documento digitalizado, a uma foto de um documento, a uma foto de uma cena que inclui texto e/ou similares, para produzir dados eletrônicos (por exemplo, dados de texto). O OCR pode ser usado como uma forma de entrada de informações a partir de registros de dados impressos em papel (por exemplo, formulários impressos, tabelas impressas, relatórios impressos, documentos de passaporte, faturas, extratos bancários e/ou similares). A conversão de texto impresso em dados eletrônicos permite que as informações representadas pelo texto impresso sejam editadas, pesquisadas, armazenadas de forma mais compacta, exibidas on-line e/ou usadas em processos de máquina, como computação cognitiva, tradução automática, texto extraído discurso, dados chave e mineração de texto e/ou similares. As modalidades de OCR podem empregar reconhecimento de padrões, inteligência artificial, visão computacional e/ou similares.

[0029] A plataforma de gerenciamento pode usar o reconhecimento de

PetiçãtefiÇM 9T7H»4kWTü12003/20$, 206917/65

14/46 fala com os novos dados da tarefa de modo a converter dados com base em áudio em dados com base em texto. O reconhecimento de fala, que também pode ser conhecido como reconhecimento de fala automático (ASR), reconhecimento de fala por computador ou fala para texto (STT), envolve reconhecer (por exemplo, por um sistema de computador) a linguagem falada e traduzir a linguagem falada em texto. Por exemplo, o reconhecimento de fala pode incluir a conversão de dados de áudio representando a linguagem, palavras ou frases gravadas em dados de texto representando a linguagem, palavras ou frases gravadas.

[0030] A plataforma de gerenciamento pode usar uma técnica de processamento de linguagem natural, uma técnica de linguística computacional, uma técnica de análise de texto e/ou similares, com os novos dados da tarefa de modo a tornar os novos dados da tarefa analisáveis (por exemplo, os novos dados de tarefas processados). Por exemplo, a plataforma de gerenciamento pode aplicar o processamento de linguagem natural para interpretar os novos dados da tarefa e gerar informações adicionais associadas ao significado potencial de informações nos novos dados da tarefa. O processamento de linguagem natural envolve técnicas executadas (por exemplo, por um sistema de computador) para analisar, compreender e derivar o significado a partir da linguagem humana de uma maneira útil. Em vez de tratar o texto como uma mera sequência de símbolos, o processamento de linguagem natural considera uma estrutura hierárquica da linguagem (por exemplo, várias palavras podem ser tratadas como uma frase, várias frases podem ser tratadas como uma frase e as palavras, frases e/ou frases transmitem ideias que podem ser interpretadas). O processamento de linguagem natural pode ser aplicado para analisar texto, permitindo que as máquinas entendam como os humanos falam, possibilitando aplicações do mundo real como resumo automático de texto, análise de sentimentos, extração de tópicos,

PetiçãtefiÇM 9ΜΗ9«)£Μ88ΜΒ1M3/2|S1g>, >/6918/65

15/46 reconhecimento de entidades nomeadas, marcação de partes de fala, extração de relacionamento e/ou similares.

[0031] A plataforma de gerenciamento pode usar reconhecimento de caracteres ópticos, reconhecimento de fala, uma técnica de processamento de linguagem natural, uma técnica linguística computacional, uma técnica de análise de texto e/ou similares, para processar os dados de produtividade em tempo real, os dados históricos de produtividade, e/ou os dados de habilidades de maneira similar.

[0032] Como mostrado na Fig. 1F, e pelo número de referência 135, a plataforma de gerenciamento pode processar os novos dados de tarefas processados e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas aos trabalhadores. As alocações determinadas das novas tarefas aos trabalhadores podem incluir dados que identificam quais dentre as novas tarefas devem ser alocadas a quais dos trabalhadores (por exemplo, aos dispositivos do cliente associados aos trabalhadores), o assunto das novas tarefas, períodos de tempo para concluir as novas tarefas e/ou similares.

[0033] Como mostrado na Fig. 1G, e pelo número de referência 140, a plataforma de gerenciamento pode fazer com que as novas tarefas sejam alocadas aos trabalhadores com base nas alocações determinadas das novas tarefas. Em algumas modalidades, a plataforma de gerenciamento pode fornecer dados que identificam as novas tarefas aos dispositivos de clientes associados aos trabalhadores com base nas alocações determinadas das novas tarefas. Em algumas modalidades, a plataforma de gerenciamento pode fazer com que um ou mais dispositivos (por exemplo, um ou mais dispositivos de servidor associados aos dispositivos de cliente) forneçam os dados que identificam as novas tarefas aos dispositivos de cliente associados aos trabalhadores com base nas alocações determinadas das novas tarefas. [0034] Os dispositivos de cliente podem receber os dados que

PetiçãtefiÇM 9TfflW4fófflü12003/,2019, 226919/65

16/46 identificam as novas tarefas e podem apresentar os dados que identificam as novas tarefas aos trabalhadores. Os trabalhadores podem usar os dados que identificam as novas tarefas para executar ações necessárias para concluir as novas tarefas. Por exemplo, se as novas tarefas estiverem relacionadas ao atendimento de chamadas de clientes, os trabalhadores poderão começar a atender as chamadas do cliente com base nas novas tarefas.

[0035] Como mostrado na Fig. 1H, e pelo número de referência 145, a plataforma de gerenciamento pode executar uma ou mais ações com base nas alocações determinadas das novas tarefas. Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento, fazendo com que as máquinas virtuais sejam instanciadas para execução das novas tarefas. Por exemplo, se as novas tarefas exigirem que os trabalhadores usem um aplicativo de software específico, a plataforma de gerenciamento poderá instanciar máquinas virtuais que forneçam o aplicativo de software específico. Desta forma, a plataforma de gerenciamento instancia automaticamente as máquinas virtuais conforme a necessidade (por exemplo, para a execução das novas tarefas) e pode remover as máquinas virtuais assim que as novas tarefas forem concluídas, o que conserva recursos de computação, recursos de rede e /ou semelhantes.

[0036] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento que faz com que um dispositivo automatizado forneça um objeto a um dentre os trabalhadores para a execução de uma das novas tarefas. Por exemplo, se um trabalhador necessitar de uma ferramenta específica para executar uma nova tarefa, a plataforma de gerenciamento poderá enviar um drone ou um robô para fornecer a ferramenta específica ao trabalhador. Desta forma, a plataforma de gerenciamento permite que os trabalhadores tenham objetos necessários para a conclusão das novas tarefas, o que impede que os trabalhadores

PetiçãtefiÇM fflflWákWTül2003/2|0jlg>, 336920/65

17/46 fiquem ociosos e perdendo tempo esperando para executar as novas tarefas. [0037] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento, fazendo com que um ou mais dispositivos realoquem outras tarefas atribuídas a um dentre os trabalhadores. Por exemplo, se um trabalhador estiver executando outras tarefas (por exemplo, de menor prioridade que novas tarefas) que impedirão a conclusão das novas tarefas atribuídas ao trabalhador, a plataforma de gerenciamento poderá realocar as outras tarefas. Desta forma, a plataforma de gerenciamento permite que o trabalhador conclua tarefas de maior prioridade, o que conserva recursos de computação, recursos de rede e/ou similares que, de outro modo, seriam desperdiçados ao concluir tarefas de menor prioridade.

[0038] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento, que faz com que os dispositivos do cliente sejam atualizados com o software para executar as novas tarefas. Por exemplo, se as novas tarefas exigirem que os trabalhadores use um aplicativo de software específico, a plataforma de gerenciamento poderá instalar o aplicativo de software específico nos dispositivos de cliente. Desta forma, a plataforma de gerenciamento instala automaticamente o software conforme necessário (por exemplo, para o desempenho das novas tarefas).

[0039] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento, que faz com que os dispositivos do cliente sejam atualizados com o hardware para executar as novas tarefas. Por exemplo, se as novas tarefas exigirem que os trabalhadores usem um hardware de computador específico (por exemplo, um dispositivo de armazenamento), a plataforma de gerenciamento poderá fazer com que o hardware específico do computador seja instalado nos dispositivos do cliente. Desta forma, a plataforma de gerenciamento instala automaticamente o hardware conforme necessário (por exemplo, para o

PetiçãtefiÇM fflflWlfófflül2003/20$, 246921/65

18/46 desempenho das novas tarefas).

[0040] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento que fornece, a um dispositivo cliente associado a um gerenciador dos trabalhadores, informações que sugiram uma alocação de uma nova tarefa a um trabalhador. O gerenciador pode usar o dispositivo cliente para aprovar ou rejeitar a alocação sugerida e o dispositivo cliente pode fornecer informações indicando a aprovação ou a rejeição à plataforma de gerenciamento. Em algumas modalidades, a plataforma de gerenciamento pode determinar a alocação da nova tarefa com base nas informações que indicam a aprovação ou a rejeição. Desta forma, a plataforma de gerenciamento pode receber informações a partir do gerenciador que podem ser usadas para treinar novamente o modelo de aprendizagem de máquina.

[0041] Em algumas modalidades, uma ou mais ações podem incluir treinar novamente a plataforma de gerenciamento do modelo de aprendizagem de máquina com base em uma resposta (por exemplo, que indica a aprovação ou a rejeição da alocação sugerida) à informação que sugere a alocação da nova tarefa. Por exemplo, a plataforma de gerenciamento pode treinar novamente o modelo de aprendizagem de máquina com base na resposta, conforme descrito acima em relação à Fig. 1C. Desta forma, a plataforma de gerenciamento melhora as capacidades preditivas do modelo de aprendizagem de máquina.

[0042] Em algumas modalidades, uma ou mais ações podem incluir treinar novamente a plataforma de gerenciamento de reciclagem do modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas. Por exemplo, a plataforma de gerenciamento pode treinar novamente o modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas, como descrito acima em relação à Figura 1C. Desta forma, a plataforma de gerenciamento melhora as capacidades

PetiçãtefiÇM 2003/201$, £»$922/65

19/46 preditivas do modelo de aprendizagem de máquina.

[0043] Em algumas modalidades, a uma ou mais ações podem incluir que plataforma de gerenciamento receba, a partir dos dispositivos do cliente, novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores; determine que uma ou mais das novas tarefas serão realocadas com base nos novos dados de produtividade em tempo real; e faz com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas. Desta forma, a plataforma de gerenciamento pode fazer com que as novas tarefas sejam concluídas de forma mais eficiente, o que conserva recursos de computação, recursos de rede e/ou similares.

[0044] Em algumas modalidades, uma ou mais ações podem incluir que a plataforma de gerenciamento forneça, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que sugiram as alocações determinadas das novas tarefas, antes de fazer com que as novas tarefas sejam alocadas aos trabalhadores com base nas alocações determinadas das novas tarefas; receber, a partir do dispositivo cliente, uma resposta que indica uma aprovação da informação sugerindo as alocações determinadas das novas tarefas; e faz com que as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta. Desta forma, a plataforma de gerenciamento pode buscar entrada a partir do gerenciador antes de alocar as novas tarefas.

[0045] Em algumas modalidades, a uma ou mais ações pode incluir a plataforma de gerenciamento que recebe novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, que determina que uma ou mais das novas tarefas sejam realocadas com base nos dados de produtividade em tempo real e retreina o modelo de aprendizagem de

PeliçPetiçãO 2003/201$, 266923/65

20/46 máquina com base na determinação de que uma ou mais das novas tarefas que devem ser realocadas. Desta forma, a plataforma de gerenciamento melhora as capacidades preditivas do modelo de aprendizagem de máquina. [0046] Em algumas modalidades, a uma ou mais ações podem incluir que plataforma de gerenciamento forneça, a um dispositivo cliente associado a um gerenciador dos trabalhadores, informações que sugiram as alocações determinadas das novas tarefas, antes de fazer com que as novas tarefas sejam alocadas aos trabalhadores com base nas alocações determinadas das novas tarefas; receber, a partir do dispositivo do cliente, uma resposta que indica uma aprovação de uma primeira porção das alocações determinadas das novas tarefas e uma reprovação de uma segunda porção da alocação determinada; e fazendo com que as novas tarefas, associadas à primeira porção das alocações determinadas, sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta.

[0047] Em algumas modalidades, uma ou mais ações podem incluir a plataforma de gerenciamento que compara os dados de produtividade em tempo real e os novos dados de produtividade em tempo real; que identificam uma diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real com base na comparação dos dados de produtividade em tempo real e os novos dados de produtividade em tempo real, em que a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real estão associados à determinação de que uma ou mais das novas tarefas devem ser realocadas; e fornecer, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que identifiquem a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real.

[0048] Em algumas modalidades, a uma ou mais ações podem incluir que plataforma de gerenciamento receba, a partir de um dispositivo de

PetiçPetiçãO ™29®®245883<β312003/201$, £7/6924/65

21/46 cliente associado a um gerenciador dos trabalhadores, uma entrada que indica trabalhadores preferenciais para atribuir às novas tarefas, prioridades associadas às novas tarefas e/ou o similar; e processar os novos dados de tarefas processados, os dados de produtividade em tempo real e a entrada, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas para os trabalhadores.

[0049] Como mostrado na Fig. 1I, e pelo número de referência 150, a plataforma de gerenciamento pode fornecer, a um dispositivo do cliente associado a um gerenciador dos trabalhadores, informações que identificam os dados de produtividade em tempo real e a alocação determinada das novas tarefas. Em algumas modalidades, as informações que identificam os dados de produtividade em tempo real e a alocação determinada das novas tarefas podem incluir informações que identificam nomes dos trabalhadores, novas tarefas atribuídas a cada um dos trabalhadores, produtividade associada a cada um dos trabalhadores e/ou similar. Como mostrado na Fig. 1H, o dispositivo de cliente pode exibir a informação que identifica os dados de produtividade em tempo real e a alocação determinada das novas tarefas para o gerenciador através de uma interface de usuário.

[0050] Desta forma, vários estágios diferentes de um processo para gerenciar e alocar tarefas são automatizados usando um modelo de aprendizagem de máquina e processamento de linguagem natural, que pode melhorar a velocidade e eficiência do processo e conservar recursos de computação (por exemplo, recursos de processamento, recursos de memória e/ou similares), recursos de rede e/ou similares. Além disso, as modalidades descritas aqui usam um processo computadorizado rigoroso para executar tarefas que não foram realizadas anteriormente. Por exemplo, atualmente não existe uma técnica que utiliza um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. O uso de um modelo de aprendizagem de máquina e processamento

Petiç^íi?»d^039S»24í_l888li3iaffl5qpáé^,,?>S625/65

22/46 de linguagem natural para gerenciar e alocar tarefas conserva recursos de computação (por exemplo, recursos de processamento, recursos de memória e/ou similares), recursos de rede e/ou similares que seriam desperdiçados na tentativa de gerenciar e alocar tarefas. Finalmente, usar um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas resolve o problema de big data associado ao gerenciamento de milhares, milhões, bilhões, etc. de pontos de dados que identificam conjuntos de trabalhadores, idiomas falados pelos trabalhadores, horas de trabalho dos trabalhadores, locais de trabalhadores, projetos trabalhados pelos trabalhadores no passado, classificações que indicam o desempenho dos trabalhadores em projetos, quais trabalhadores trabalharam juntos antes e classificações para os trabalhadores em projetos, informações de tipo de personalidade dos trabalhadores e/ou similares.

[0051] Como indicado acima, as Figs. 1A-1I são fornecidas meramente como exemplos. Outros exemplos podem diferir a partir do que é descrito em relação às Figs. 1A-1I.

[0052] A Fig. 2 é um diagrama de um ambiente exemplificativo 200, no qual os sistemas e/ou métodos descritos aqui podem ser implementados. Como mostrado na Fig. 2, o ambiente 200 pode incluir um dispositivo cliente 210, uma plataforma de gerenciamento 220 e uma rede 230. Os dispositivos do ambiente 200 podem se interconectar via conexões com fio, conexões sem fio ou uma combinação de conexões com e sem fio.

[0053] O dispositivo de cliente 210 inclui um ou mais dispositivos capazes de receber, gerar, armazenar, processar e/ou fornecer informação, tal como informação descrita aqui. Por exemplo, o dispositivo cliente 210 pode incluir um telefone móvel (por exemplo, um telefone inteligente, um rádio telefone, etc.), um computador portátil, um computador tablet, um computador de mesa, um computador portátil, um dispositivo de jogos, um

PetiçãtefiÇM 2003/201$, 3®$926/65

23/46 dispositivo de comunicação vestível (por exemplo, um relógio inteligente, um par de óculos inteligente, um monitor de frequência cardíaca, um rastreador de condicionamento físico, roupas inteligentes, joias inteligentes, um monitor na cabeça, etc.) ou um tipo similar de dispositivo. Em algumas modalidades, o dispositivo de cliente 210 pode receber informações a partir de e/ou transmitir informações para a plataforma de gerenciamento 220. [0054] A plataforma de gerenciamento 220 inclui um ou mais dispositivos que usam um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. Em algumas modalidades, a plataforma de gerenciamento 220 pode ser concebida para ser modular de modo a que certos componentes de software possam ser trocados para dentro ou para fora dependendo de uma necessidade específica. Como tal, a plataforma de gerenciamento 220 pode ser facilmente e/ou rapidamente reconfigurada para diferentes usos. Em algumas modalidades, a plataforma de gerenciamento 220 pode receber informações a partir de e/ou transmitir informações para um ou mais dispositivos de clientes 210.

[0055] Em algumas modalidades, como mostrado, a plataforma de gerenciamento 220 pode ser hospedada em um ambiente de computação em nuvem 222. Notavelmente, enquanto as modalidades descritas aqui descrevem a plataforma de gerenciamento 220 como sendo hospedada no ambiente de computação em nuvem 222, em algumas modalidades, a plataforma de gerenciamento 220 pode não ser baseada em nuvem (isto é, pode ser implementada fora de um ambiente de computação em nuvem) ou pode ser parcialmente baseada em nuvem.

[0056] O ambiente de computação em nuvem 222 inclui um ambiente que hospeda a plataforma de gerenciamento 220. O ambiente de computação em nuvem 222 pode fornecer computação, software, acesso a dados, armazenamento, etc., serviços que não exigem conhecimento do

PetiçãtefiÇM '400320$, WS27/65

24/46 usuário final de um local físico e configuração de sistema(s) e/ou dispositivo(s) que hospeda a plataforma de gerenciamento 220. Como mostrado, o ambiente de computação em nuvem 222 pode incluir um grupo de recursos de computação 224 (referido coletivamente como “recursos de computação 224” e individualmente como “recurso de computação 224”). [0057] O recurso de computação 224 inclui um ou mais computadores pessoais, computadores de estação de trabalho, dispositivos de mainframe ou outros tipos de dispositivos de computação e/ou comunicação. Em algumas modalidades, o recurso de computação 224 pode hospedar a plataforma de gerenciamento 220. Os recursos da nuvem podem incluir instâncias de computação executadas no recurso de computação 224, dispositivos de armazenamento fornecidos no recurso de computação 224, dispositivos de transferência de dados fornecidos pelo recurso de computação 224 etc. Em algumas modalidades, o recurso de computação 224 pode se comunicar com outros recursos de computação 224 por meio de conexões com fio, conexões sem fio ou uma combinação de conexões com fio e sem fio.

[0058] Como mostrado adicionalmente na Fig. 2, o recurso de computação 224 inclui um grupo de recursos de nuvem, como um ou mais aplicativos (“APPs”) 224-1, uma ou mais máquinas virtuais (“VMs”) 224-2, armazenamento virtualizado (“VSs”) 224-3, um ou mais hipervisores (“HYPs”) 224-4 e/ou similares.

[0059] O aplicativo 224-1 inclui um ou mais aplicativos de software que podem ser fornecidos ou acessados pelo dispositivo de cliente 210. O aplicativo 224-1 pode eliminar a necessidade de instalar e executar os aplicativos de software no dispositivo de cliente 210. Por exemplo, o aplicativo 224-1 pode incluir software associado à plataforma de gerenciamento 220 e/ou qualquer outro software capaz de ser fornecido através do ambiente de computação em nuvem 222. Em algumas

Petiç;IO'8701‘87029900(2.458 8.8dt313/I19.2|Cdg-3>1ig^1<'^,28 65

25/46 modalidades, um aplicativo 224-1 pode enviar/receber informação para/a partir de um ou mais outros aplicativos 224-1, através da máquina virtual 224-2.

[0060] A máquina virtual 224-2 inclui uma modalidade de software de uma máquina (por exemplo, um computador) que executa programas como uma máquina física. A máquina virtual 224-2 pode ser uma máquina virtual de sistema ou uma máquina virtual de processo, dependendo do uso e grau de correspondência para qualquer máquina real pela máquina virtual 2242. Uma máquina virtual de sistema pode fornecer uma plataforma de sistema completa que suporta a execução de um sistema operacional completo (“OS”). Uma máquina virtual de processo pode executar um único programa e pode suportar um único processo. Em algumas modalidades, a máquina virtual 224-2 pode executar em nome de um usuário (por exemplo, um usuário do dispositivo de cliente 210 ou um operador da plataforma de gerenciamento 220) e pode gerenciar a infraestrutura do ambiente de computação em nuvem 222, como gerenciamento de dados, sincronização ou transferências de dados de longa duração.

[0061] O armazenamento virtualizado 224-3 inclui um ou mais sistemas de armazenamento e/ou um ou mais dispositivos que usam técnicas de virtualização dentro dos sistemas de armazenamento ou dispositivos de recursos de computação 224. Em algumas modalidades, dentro do contexto de um sistema de armazenamento, os tipos de virtualização podem incluir virtualização de blocos e virtualização de arquivos. A virtualização de blocos pode se referir à abstração (ou separação) do armazenamento lógico a partir do armazenamento físico para que o sistema de armazenamento possa ser acessado sem considerar o armazenamento físico ou a estrutura heterogênea. A separação pode permitir aos administradores do sistema de armazenamento flexibilidade na maneira como os administradores gerenciam o armazenamento para os

Petiçãtefl7MS0®39®0245®28/B3Iãfl:i32|8l9, 326929/65

26/46 usuários finais. A virtualização de arquivos pode eliminar as dependências entre os dados acessados em um nível de arquivo e um local onde os arquivos são fisicamente armazenados. Isso pode permitir a otimização do uso do armazenamento, consolidação do servidor e/ou desempenho de migrações de arquivos sem interrupções.

[0062] O hipervisor 224-4 pode fornecer técnicas de virtualização de hardware que permitem que vários sistemas operacionais (por exemplo, “sistemas operacionais convidados”) sejam executados simultaneamente em um computador hospedeiro, como o recurso de computação 224. O hipervisor 224-4 pode apresentar uma plataforma operacional virtual para os sistemas operacionais convidados e pode gerenciar a execução dos sistemas operacionais convidados. Várias instâncias de uma variedade de sistemas operacionais podem compartilhar recursos de hardware virtualizados.

[0063] A rede 230 inclui uma ou mais redes com fio e/ou sem fio. Por exemplo, a rede 230 pode incluir uma rede de celular (por exemplo, uma rede de quinta geração (5G), uma rede de evolução de longo prazo (LTE), uma rede de terceira geração (3G), uma rede de acesso múltiplo por divisão de código (CDMA), etc.), uma rede móvel pública terrestre (PLMN), uma rede local (LAN), uma rede de longa distância (WAN), uma rede de área metropolitana (MAN), uma rede telefónica (por exemplo, a Rede Telefónica Pública Comutada (PSTN))., uma rede privada, uma rede ad hoc, uma intranet, a Internet, uma rede baseada em fibra ótica e/ou similares e/ou uma combinação destes ou de outros tipos de redes.

[0064] O número e disposição dos dispositivos e redes mostrados na Fig. 2 são fornecidos como um exemplo. Na prática, pode haver dispositivos e/ou redes adicionais, menos dispositivos e/ou redes, diferentes dispositivos e/ou redes, ou dispositivos e/ou redes organizados de forma diferente daqueles mostrados na Fig. 2. Além disso, dois ou mais

Petiç^íi?ai^®El9S»245888li3iaffl5qpáé^,,:p»6B0/65

27/46 dispositivos mostrados na Fig. 2 podem ser implementados dentro de um único dispositivo, ou um único dispositivo mostrado na Fig. 2 pode ser implementado como múltiplos dispositivos distribuídos. Adicionalmente, ou alternativamente, um conjunto de dispositivos (por exemplo, um ou mais dispositivos) do ambiente 200 pode executar uma ou mais funções descritas como sendo realizadas por outro conjunto de dispositivos do ambiente 200. [0065] A Fig. 3 é um diagrama de componentes exemplificativos de um dispositivo 300. O dispositivo 300 pode corresponder ao dispositivo de cliente 210, plataforma de gerenciamento 220 e/ou recursos de computação 224. Em algumas modalidades, o dispositivo de cliente 210, a plataforma de gerenciamento 220 e/ou recurso de computação 224 podem incluir um ou mais dispositivos 300 e/ou um ou mais componentes do dispositivo 300. Como mostrado na Fig. 3, o dispositivo 300 pode incluir um barramento 310, um processador 320, uma memória 330, um componente de armazenamento 340, um componente de entrada 350, um componente de saída 360 e uma interface de comunicação 370.

[0066] O barramento 310 inclui um componente que permite a comunicação entre os componentes do dispositivo 300. O processador 320 é implementado em hardware, firmware ou uma combinação de hardware e software. O processador 320 é uma unidade de processamento central (CPU), uma unidade de processamento gráfico (GPU), uma unidade de processamento acelerada (APU), um microprocessador, um microcontrolador, um processador de sinal digital (DSP), uma matriz de portas de campo programáveis (FPGA), um circuito integrado específico de aplicativo (ASIC) ou outro tipo de componente de processamento. Em algumas modalidades, o processador 320 inclui um ou mais processadores capazes de serem programados para executar uma função. A memória 330 inclui uma memória de acesso aleatório (RAM), uma memória somente de leitura (ROM) e/ou outro tipo de dispositivo de armazenamento dinâmico ou

PetiçíRBti?ai58Ma9í»a(2,45_l888tJ3iaiaC13»',2(&ilg>.,3«6931/65

28/46 estático (por exemplo, uma memória flash, uma memória magnética e/ou uma memória óptica) armazena informações e/ou instruções para uso pelo processador 320.

[0067] O componente de armazenamento 340 armazena informação e/ou software relacionado com o funcionamento e uso do dispositivo 300. Por exemplo, o componente de armazenamento 340 pode incluir um disco rígido (por exemplo, um disco magnético, um disco óptico, um disco magneto-óptico e/ou um disco de estado sólido), um disco compacto (CD), um disco versátil digital (DVD), um disquete, um cartucho, uma fita magnética e/ou outro tipo de mídia não-transitória legível por computador, juntamente com uma unidade correspondente.

[0068] O componente de entrada 350 inclui um componente que permite ao dispositivo 300 receber informação, tal como via entrada do usuário (por exemplo, tela sensível ao toque, um teclado, um teclado, um mouse, um botão, um comutador e/ou um microfone). Adicionalmente, ou alternativamente, o componente de entrada 350 pode incluir um sensor para detecção de informação (por exemplo, um componente de sistema de posicionamento global (GPS), um acelerômetro, um giroscópio e/ou um atuador). O componente de saída 360 inclui um componente que fornece informações de saída a partir do dispositivo 300 (por exemplo, uma tela, um alto-falante e/ou um ou mais diodos emissores de luz (LEDs)).

[0069] A interface de comunicação 370 inclui um componente tipo transceptor (por exemplo, um transceptor e/ou um receptor e transmissor separados) que permite que o dispositivo 300 se comunique com outros dispositivos, por meio de uma conexão com fio, conexão sem fio ou uma combinação de conexões com e sem fio. A interface de comunicação 370 pode permitir ao dispositivo 300 receber informação a partir de outro dispositivo e/ou fornecer informação a outro dispositivo. Por exemplo, a interface de comunicação 370 pode incluir uma interface Ethernet, uma

Petiç^fi?»d9!O®398!O245_l888ii3ia0ci320g,:pS632/65

29/46 interface óptica, uma interface coaxial, uma interface de infravermelho, uma interface de radiofrequência (RF), uma interface de barramento serial universal (USB), uma interface Wi-Fi, uma rede celular interface e/ou similares.

[0070] O dispositivo 300 pode executar um ou mais processos descritos aqui. O dispositivo 300 pode executar estes processos com base no processador 320 que executa instruções de software armazenadas por um meio legível por computador não transitório, tal como a memória 330 e/ou o componente de armazenamento 340. Um meio legível por computador é aqui definido como um dispositivo de memória não transitório. Um dispositivo de memória inclui espaço de memória em um único dispositivo de armazenamento físico ou espaço de memória distribuído em vários dispositivos de armazenamento físico.

[0071] As instruções de software podem ser lidas na memória 330 e/ou componente de armazenamento 340 a partir de outro meio legível por computador ou de outro dispositivo através da interface de comunicação 370. Quando executado, as instruções do software armazenadas na memória 330 e/ou o componente de armazenamento 340 podem fazer com que o processador 320 execute um ou mais processos descritos aqui. Adicionalmente, ou alternativamente, circuitos com fios podem ser usados em vez de ou em combinação com instruções de software para executar um ou mais processos descritos aqui. Assim, as modalidades descritas aqui não estão limitadas a qualquer combinação específica de circuitos e software de hardware.

[0072] O número e disposição dos componentes mostrados na Fig. 3 são fornecidos como um exemplo. Na prática, o dispositivo 300 pode incluir componentes adicionais, menos componentes, componentes diferentes ou componentes dispostos de maneira diferente dos mostrados na Fig. 3. Adicionalmente, ou alternativamente, um conjunto de componentes (por

PetiçíRBti?m58Ma9í»a(2,45_l888tJ314aC13»',2(&ilg>.,:pã'g>933/65

30/46 exemplo, um ou mais componentes) do dispositivo 300 pode executar uma ou mais funções descritas como sendo executadas por outro conjunto de componentes do dispositivo 300.

[0073] A Fig. 4 é um fluxograma de um processo de exemplo 400 para usar um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. Em algumas modalidades, um ou mais blocos de processo da Figura 4 podem ser executados por uma plataforma de gerenciamento (por exemplo, plataforma de gerenciamento 220). Em algumas modalidades, um ou mais blocos de processo da Fig. 4 podem ser executados por outro dispositivo ou por um grupo de dispositivos separados ou incluindo a plataforma de gerenciamento, tal como um dispositivo de cliente (por exemplo, dispositivo de cliente 210).

[0074] Como mostrado na Fig. 4, o processo 400 pode incluir o treinamento de um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e assuntos associados com as tarefas anteriores, e em que os dados de habilidades identificam habilidades e experiência dos trabalhadores (bloco 410). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340 e/ou similares) pode treinar um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, como descrito acima em relação às Figs. 1A-2. Os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos

Petiçãtefl?SdS0®1l®024582&K3Iãfl:i3/2|8|9,3í5gi9B4/65

31/46 trabalhadores e o assunto associado às tarefas anteriores e os dados de habilidades podem identificar habilidades e experiência dos trabalhadores. [0075] Como mostrado adicionalmente na Fig. 4, o processo 400 pode incluir receber novos dados de tarefa identificando novas tarefas para alocar aos trabalhadores (bloco 420). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber novos dados de tarefas identificando novas tarefas para alocar aos trabalhadores, como descrito acima em conexão com as Figs. 1A-2.

[0076] Como mostrado adicionalmente na Fig. 4, o processo 400 pode incluir executar o processamento de linguagem natural nos novos dados de tarefas para converter os novos dados da tarefa em novos dados da tarefa processados (bloco 430). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, memória 330 e/ou similares) pode executar processamento de linguagem natural nos novos dados de tarefas para converter os novos dados da tarefa em novos dados da tarefa processados, conforme descrito acima em conexão com as Figs. 1A-2.

[0077] Como mostrado adicionalmente na Fig. 4, o processo 400 pode incluir receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores (bloco 440). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão da tarefas atuais atribuídas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

PetiçãtefiÇM M5/2|S1g>, $8/6935/65

32/46 [0078] Como mostrado adicionalmente na Fig. 4, o processo 400 pode incluir processar os dados da nova tarefa processada e os dados de produtividade em tempo real, com um modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores (bloco 450). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340 e/ou similares) pode processar os novos dados de tarefas processados e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado para determinar alocações das novas tarefas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[0079] Como mostrado adicionalmente na Fig. 4, o processo 400 pode incluir fazer com que, pelo dispositivo, as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base nas alocações determinadas das novas tarefas (bloco 460). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340, interface de comunicação 370 e/ou similares) pode fazer com que as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base em as alocações determinadas das novas tarefas, como descrito acima em relação às Figs. 1A-2.

[0080] O processo 400 pode incluir modalidades adicionais, como qualquer modalidade única ou qualquer combinação de modalidades descritas abaixo e/ou em conexão com um ou mais outros processos descritos em outro lugar aqui.

[0081] Em algumas modalidades, a plataforma de gerenciamento pode executar uma ou mais ações com base nas alocações determinadas das novas tarefas. Ao executar uma ou mais ações, a plataforma de gerenciamento pode fazer com que novas máquinas virtuais sejam

Petiç;IO'8701‘87029900(2.458 8.8dt313/I19.2|Cdg--Pági936 65

33/46 instanciadas para as novas tarefas, pode fazer com que um dispositivo automatizado forneça um objeto a um dos trabalhadores para uma das novas tarefas, pode fazer com que um ou mais dispositivos realoquem outras tarefas atribuídas a um dos trabalhadores, podem fazer com que os dispositivos do cliente associados aos trabalhadores sejam atualizados com o software para executar as novas tarefas e/ou treinar novamente o modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas.

[0082] Em algumas modalidades, a plataforma de gerenciamento pode receber novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, pode determinar que uma ou mais das novas tarefas sejam realocadas com base nos novos dados de produtividade em tempo real e pode fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

[0083] Em algumas modalidades, a plataforma de gerenciamento pode fornecer a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que sugiram as alocações determinadas das novas tarefas, antes de fazer com que as novas tarefas sejam alocadas aos trabalhadores com base nas alocações determinadas das novas tarefas; pode receber, a partir do dispositivo cliente, uma resposta que indica uma aprovação da informação sugerindo as alocações determinadas das novas tarefas; e poder fazer com que as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta e pode treinar novamente modelo de aprendizagem de máquina com base na resposta.

[0084] Em algumas modalidades, a plataforma de gerenciamento pode receber novos dados de produtividade em tempo real que identificam a

PetiçiRBfi?»d^039S»24iéJ88li3iaffl5qpá$, P&37/65

34/46 produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, pode determinar que uma ou mais das novas tarefas sejam realocadas com base nos dados de produtividade em tempo real e pode treinar novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas que devem ser realocadas.

[0085] Em algumas modalidades, a plataforma de gerenciamento pode fornecer, a um dispositivo cliente associado a um gerenciador dos trabalhadores, informações que sugiram as alocações determinadas das novas tarefas, antes de fazer com que as novas tarefas sejam alocadas aos trabalhadores com base nas alocações determinadas das novas tarefas; pode receber, a partir do dispositivo do cliente, uma resposta que indica uma aprovação de uma primeira porção das alocações determinadas das novas tarefas e uma reprovação de uma segunda porção da alocação determinada; e pode fazer com que as novas tarefas, associadas à primeira porção das alocações determinadas, sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta.

[0086] Embora a Fig. 4 mostre exemplos de blocos do processo 400, em algumas modalidades, o processo 400 pode incluir blocos adicionais, menos blocos, blocos diferentes ou blocos arranjados de maneira diferente daqueles representados na Fig. 4. Adicionalmente, ou alternativamente, dois ou mais dos blocos do processo 400 podem ser executados em paralelo.

[0087] A Fig. 5 é um fluxograma de um processo de exemplo 500 para usar um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. Em algumas modalidades, um ou mais blocos de processo da Figura 5 podem ser executados por uma plataforma de gerenciamento (por exemplo, plataforma de gerenciamento 220). Em algumas modalidades, um ou mais blocos de processo da Fig. 5 podem ser executados por outro dispositivo ou por um

PetiçPetiçãO M3/2|S1g>, 45^6938/65

35/46 grupo de dispositivos separados ou incluindo a plataforma de gerenciamento, tal como um dispositivo de cliente (por exemplo, dispositivo de cliente 210).

[0088] Como mostrado na Fig. 5, o processo 500 pode incluir o recebimento de um modelo de aprendizagem de máquina que é treinado com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina receber que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e assuntos associados com as tarefas anteriores, e em que os dados de habilidades identificam habilidades e experiência dos trabalhadores (bloco 510). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340, interface de comunicação 370 e/ou similares) pode receber um modelo de aprendizagem de máquina que é treinado com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina receber que determina alocações de tarefas aos trabalhadores, como descrito acima em relação às Figs. 1A-2. Os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e os dados de habilidades podem identificar habilidades e experiência dos trabalhadores.

[0089] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir receber novos dados de tarefa identificando novas tarefas para alocar aos trabalhadores (bloco 520). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber novos dados de tarefas identificando novas tarefas para alocar aos trabalhadores, como descrito acima em conexão com as Figs. 1A-2.

Petiç^fi?»d9!O®398!O245_l888IJ3ia0C13201$,426939/65

36/46 [0090] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores (bloco 530). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[0091] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir processar os dados da nova tarefa e os dados de produtividade em tempo real, com um modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores (bloco 540). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340 e/ou similares) pode processar os novos dados de tarefas e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado para determinar alocações das novas tarefas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[0092] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas (bloco 550). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, memória 330, interface de comunicação 370 e/ou similares) pode fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas, como descrito acima em relação

PetiçãtefiÇM 9ffl0a9«m588MB12003/2019, 436940/65

37/46 às Figs. 1A-2.

[0093] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir receber, a partir dos sensores, novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores (bloco 560). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber, a partir dos sensores, novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[0094] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir a determinação de que uma ou mais das novas tarefas devem ser realocadas com base nos novos dados de produtividade em tempo real (bloco 570). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340 e/ou similares) pode determinar que uma ou mais das novas tarefas devem ser realocadas com base nos novos dados de produtividade em tempo real, como descrito acima em relação às Figs. 1A2.

[0095] Como mostrado adicionalmente na Fig. 5, o processo 500 pode incluir fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas (bloco 580). Por exemplo, a plataforma de gerenciamento (por exemplo, usando o recurso de computação 224, o processador 320, a interface de comunicação 370 e/ou similares) pode fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que ou mais das novas tarefas devem ser realocadas, como descrito acima em relação às Figs. 1A-2.

PetiçãtefiÇM 2003/20$, 4>á$941/65

38/46 [0096] O processo 500 pode incluir modalidades adicionais, como qualquer modalidade única ou qualquer combinação de modalidades descritas abaixo e/ou em conexão com um ou mais outros processos descritos em outro lugar aqui.

[0097] Em algumas modalidades, a plataforma de gerenciamento pode treinar novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas. Em algumas modalidades, a plataforma de gerenciamento pode comparar os dados de produtividade em tempo real e os novos dados de produtividade em tempo real e pode identificar uma diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real com base na comparação dos dados de produtividade de tempo e os novos dados de produtividade em tempo real. A diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real pode estar associada à determinação de que uma ou mais das novas tarefas devem ser realocadas. e A plataforma de gerenciamento pode fornecer, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que identifiquem a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real.

[0098] Em algumas modalidades, a plataforma de gerenciamento pode receber, a partir de um dispositivo cliente associado a um gerenciador dos trabalhadores, uma entrada indicando prioridades associadas às novas tarefas, e pode processar os novos dados da tarefa, os dados de produtividade em tempo real e entrada, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas aos trabalhadores. Em algumas modalidades, a plataforma de gerenciamento pode executar o processamento de linguagem natural nos novos dados da tarefa para converter os novos dados da tarefa em um formato para

PetiçiRBfi?ai^®El9S»â,4j®88li3iaffl5/2^^, 456942/65

39/46 processamento pelo modelo de aprendizagem de máquina treinado. Em algumas modalidades, a plataforma de gerenciamento pode treinar novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas. [0099] Em algumas modalidades, a plataforma de gerenciamento pode fornecer, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que sugiram uma alocação determinada de uma nova tarefa adicional; pode receber, a partir do dispositivo do cliente, uma resposta que indica uma desaprovação da alocação determinada da nova tarefa adicional; e pode treinar novamente o modelo de aprendizagem de máquina com base na resposta.

[00100] Embora a Fig. 5 mostre exemplos de blocos do processo 500, em algumas modalidades, o processo 500 pode incluir blocos adicionais, menos blocos, blocos diferentes ou blocos arranjados de maneira diferente daqueles representados na Fig. 5. Adicionalmente, ou alternativamente, dois ou mais dos blocos do processo 500 podem ser executados em paralelo.

[00101] [00102] A Fig. 6 é um fluxograma de um processo de exemplo 600 para usar um modelo de aprendizagem de máquina e processamento de linguagem natural para gerenciar e alocar tarefas. Em algumas modalidades, um ou mais blocos de processo da Figura 6 podem ser executados por uma plataforma de gerenciamento (por exemplo, plataforma de gerenciamento 220). Em algumas modalidades, um ou mais blocos de processo da Fig. 6 podem ser executados por outro dispositivo ou por um grupo de dispositivos separados ou incluindo a plataforma de gerenciamento, tal como um dispositivo de cliente (por exemplo, dispositivo de cliente 210).

[00103] Como mostrado na Fig. 6, o processo 600 pode incluir receber novos dados de tarefa identificando novas tarefas para alocar aos

Petiç^ti?ai^®a9ÍCa(245_l8881J3iaOC13/2|ftilg)., 466943/65

40/46 trabalhadores (bloco 610). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber novos dados de tarefas identificando novas tarefas para alocar aos trabalhadores, como descrito acima em conexão com as Figs. 1A-2.

[00104] Como mostrado adicionalmente na Fig. 6, o processo 600 pode incluir executar o processamento de linguagem natural nos novos dados de tarefas para converter os novos dados da tarefa em novos dados da tarefa processados (bloco 620). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, memória 330 e/ou similares) pode executar processamento de linguagem natural nos novos dados de tarefas para converter os novos dados da tarefa em novos dados da tarefa processados, conforme descrito acima em conexão com as Figs. 1A-2.

[00105] Como mostrado adicionalmente na Fig. 6, o processo 600 pode incluir receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores (bloco 630). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[00106] Como mostrado na Fig. 6, o processo 600 pode incluir o processamento dos novos dados de tarefas processados e os dados de produtividade em tempo real, com um modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores,

PetiçPetiçãO <8(7029«*24588W312003/201$, 4®g944/65

41/46 em que um modelo de aprendizagem de máquina é treinado com dados históricos de produtividade e dados de habilidades para gerar o modelo de aprendizagem de máquina treinado, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e assuntos associados às tarefas anteriores e onde os dados de habilidades identificam habilidades e experiência dos trabalhadores (bloco 640). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340 e/ou similares) pode processar os novos dados de tarefas processados e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado para determinar alocações das novas tarefas aos trabalhadores, como descrito acima em relação às Figs. 1A-2. Um modelo de aprendizagem de máquina pode ser treinado com dados históricos de produtividade e dados de habilidades para gerar o modelo de aprendizagem de máquina treinado. Os dados históricos de produtividade podem identificar uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e os dados de habilidades podem identificar habilidades e experiência dos trabalhadores.

[00107] Como mostrado adicionalmente na Fig. 6, o processo 600 pode incluir fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas (bloco 650). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, memória 330, interface de comunicação 370 e/ou similares) pode fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas, como descrito acima em relação às Figs. 1A-2.

[00108] Como mostrado adicionalmente na Fig. 6, o processo 600 pode

PetiçPetiçãO 9ffl0H9«)a4de8MB1M3/2|S1g>, 438/6945/65

42/46 incluir receber, a partir dos sensores, novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores (bloco 660). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, interface de comunicação 370 e/ou similares) pode receber, a partir dos sensores, novos dados de produtividade em tempo real que identificam a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores, como descrito acima em relação às Figs. 1A-2.

[00109] Como mostrado adicionalmente na Fig. 6, o processo 600 pode incluir a determinação de que uma ou mais das novas tarefas devem ser realocadas com base nos novos dados de produtividade em tempo real (bloco 670). Por exemplo, a plataforma de gerenciamento (por exemplo, usando recursos de computação 224, processador 320, componente de armazenamento 340, interface de comunicação 370 e/ou similares) pode determinar que uma ou mais das novas tarefas devem ser realocadas com base nos novos dados de produtividade em tempo real, como descrito acima em relação às Figs. 1A-2.

[00110] Como mostrado adicionalmente na Fig. 6, o processo 600 pode incluir fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas (bloco 680). Por exemplo, a plataforma de gerenciamento (por exemplo, usando o recurso de computação 224, o processador 320, a interface de comunicação 370 e/ou similares) pode fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que ou mais das novas tarefas devem ser realocadas, como descrito acima em relação às Figs. 1A-2.

[00111] O processo 600 pode incluir modalidades adicionais, como qualquer modalidade única ou qualquer combinação de modalidades

PetiçãtefiÇM 2003/201$, 4^»$946/65

43/46 descritas abaixo e/ou em conexão com um ou mais outros processos descritos em outro lugar aqui.

[00112] Em algumas modalidades, as instruções compreendem ainda. Em algumas modalidades, a plataforma de gerenciamento pode fazer com que novas máquinas virtuais sejam instanciadas para as novas tarefas, pode fazer com que um dispositivo automatizado forneça um objeto a um dos trabalhadores para uma das novas tarefas, pode fazer com que um ou mais dispositivos realoquem outras tarefas atribuídas a um dos trabalhadores, podem fazer com que os dispositivos do cliente associados aos trabalhadores sejam atualizados com o software para executar as novas tarefas e/ou treinar novamente o modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas.

[00113] Em algumas modalidades, a plataforma de gerenciamento pode treinar novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas. Em algumas modalidades, a plataforma de gerenciamento pode comparar os dados de produtividade em tempo real e os novos dados de produtividade em tempo real e pode identificar uma diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real com base na comparação dos dados de produtividade de tempo e os novos dados de produtividade em tempo real. A diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real pode estar associada à determinação de que uma ou mais das novas tarefas devem ser realocadas. A plataforma de gerenciamento pode fornecer, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que identifiquem a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real.

[00114] Em algumas modalidades, a plataforma de gerenciamento pode receber, a partir de um dispositivo de cliente associado a um gerenciador

PetiçãtefiÇM 9ffl0a9«m588MB1M5/2|S1g>, $06947/65

44/46 dos trabalhadores, uma entrada que indica trabalhadores preferenciais para atribuir às novas tarefas e pode processar os novos dados de tarefas processados, os dados de produtividade em tempo real, e a entrada, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas para os trabalhadores.

[00115] Em algumas modalidades, a plataforma de gerenciamento pode fornecer, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que sugiram as alocações determinadas das novas tarefas, antes de fazer com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores; pode receber, a partir do dispositivo do cliente, uma resposta que indica uma aprovação de uma primeira porção das alocações determinadas das novas tarefas e uma desaprovação de uma segunda porção da alocação determinada; pode fazer com que um ou mais dispositivos aloquem as novas tarefas, associadas à primeira porção das alocações determinadas, aos trabalhadores com base na resposta; e pode treinar novamente o modelo de aprendizagem de máquina com base na resposta.

[00116] Embora a Fig. 6 mostre exemplos de blocos do processo 600, em algumas modalidades, o processo 600 pode incluir blocos adicionais, menos blocos, blocos diferentes ou blocos arranjados de maneira diferente daqueles representados na Fig. 6. Adicionalmente, ou alternativamente, dois ou mais dos blocos do processo 600 podem ser executados em paralelo.

[00117] A divulgação anterior fornece ilustração e descrição, mas não pretende ser exaustiva ou limitar as modalidades à modalidade precisa divulgada. Modificações e variações podem ser feitas à luz da divulgação acima ou podem ser adquiridas a partir da prática das modalidades.

[00118] Como usado aqui, o termo “componente” se destina a ser amplamente interpretado como hardware, firmware ou uma combinação de hardware e software.

Petiç^ti?ai^®a9íca(24í<888iJ3iaoci3/2|ftiig)., í>ágí>48/65

45/46 [00119] Determinadas interfaces de usuário foram aqui descritas e/ou mostradas nas figuras. Uma interface de usuário pode incluir uma interface de usuário gráfica, uma interface de usuário não gráfica, uma interface de usuário baseada em texto ou similares. Uma interface de usuário pode fornecer informações para exibição. Em algumas modalidades, um usuário pode interagir com a informação, por exemplo, ao fornecer entrada por meio de um componente de entrada de um dispositivo que fornece a interface do usuário para exibição. Em algumas modalidades, uma interface de usuário pode ser configurável por um dispositivo e/ou um usuário (por exemplo, um usuário pode alterar o tamanho da interface do usuário, informações fornecidas através da interface do usuário, uma posição da informação fornecida através da interface do usuário, etc.). Adicionalmente ou alternativamente, uma interface de usuário pode ser pré-configurada para uma configuração padrão, uma configuração específica com base em um tipo de dispositivo no qual a interface do usuário é exibida e/ou um conjunto de configurações baseadas em recursos e/ou especificações associadas com um dispositivo no qual a interface do usuário é exibida.

[00120] Será evidente que os sistemas e/ou métodos descritos aqui podem ser implementados em diferentes formas de hardware, firmware ou uma combinação de hardware e software. O hardware de controle especializado real ou código de software usado para implementar esses sistemas e/ou métodos não é limitante das modalidades. Assim, o funcionamento e comportamento dos sistemas e/ou métodos foram descritos aqui sem referência a código de software específico - sendo entendido que o software e hardware podem ser concebidos para implementar os sistemas e/ou métodos baseados na descrição.

[00121] Apesar de combinações particulares de características serem citadas nas Reivindicações e/ou divulgadas no relatório, estas combinações não se destinam a limitar a divulgação de várias modalidades. De fato,

Petiç^ti?ai^®a9ÍCa(24<5_l888iJ3iaOC13/2|ftilg)., 526949/65

46/46 muitas destas características podem ser combinadas de maneiras não especificamente citadas nas Reivindicações e/ou divulgadas no relatório. Embora cada Reivindicação dependente listada abaixo possa depender diretamente de apenas uma Reivindicação, a divulgação de várias modalidades inclui cada Reivindicação dependente em combinação com todas as outras Reivindicações no conjunto de Reivindicações.

[00122] Nenhum elemento, ato ou instrução aqui usado deve ser interpretado como crítico ou essencial, a menos que seja explicitamente descrito como tal. Além disso, como usado aqui, os artigos “um” e “uma” são destinados a incluir um ou mais itens, e podem ser usados de forma intercambiável com “um ou mais”. Além disso, como usado aqui, o termo “conjunto” pretende incluir um ou mais itens (por exemplo, itens relacionados, itens não relacionados, uma combinação de itens relacionados e não relacionados, etc.), e pode ser usado de forma intercambiável com “um ou mais. Onde apenas um item é destinado, a frase “apenas um” ou linguagem similar é usada. Além disso, como usado aqui, os termos “tem”, “tem”, “tendo”, ou similares, são termos abertos. Além disso, a frase “com base em” pretende significar “com base, pelo menos em parte, em”, a menos que explicitamente declarado em contrário.

Claims

REIVINDICAÇÕES

1. Método, caracterizado pelo fato de que compreende:

treinar, por um dispositivo, um modelo de aprendizagem de máquina com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e em que os dados de habilidades identificam habilidades e experiência dos trabalhadores;

receber, pelo dispositivo, novos dados de tarefas identificando novas tarefas a serem alocadas aos trabalhadores;

executar, pelo dispositivo, o processamento de linguagem natural nos dados da nova tarefa para converter os novos dados da tarefa em novos dados da tarefa processados;

receber, pelo dispositivo e de sensores associados aos trabalhadores, os dados de produtividade em tempo real identificando a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores;

processar, pelo dispositivo, os dados da nova tarefa processada e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas aos trabalhadores; e

Petição 870190015951, de 15/02/2019, pág. 10/23

2. Método, de acordo com a Reivindicação 1, caracterizado pelo fato de que compreende ainda:

executar uma ou mais ações com base nas alocações determinadas das novas tarefas.

2/13 fazer com que, pelo dispositivo, as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base nas alocações determinadas das novas tarefas.

3/13 identificando a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores;

determinar que uma ou mais das novas tarefas serão realocadas com base nos novos dados de produtividade em tempo real; e fazer com que um ou mais dispositivos realoquem a uma ou mais das novas tarefas com base na determinação de que a uma ou mais das novas tarefas devem ser realocadas.

3. Método, de acordo com a Reivindicação 2, caracterizado pelo fato de que a realização de uma ou mais ações compreende um ou mais dentre:

fazer com que novas máquinas virtuais sejam instanciadas para as novas tarefas;

fazer com que um dispositivo automatizado proporcione um objeto a um dos trabalhadores para uma das novas tarefas;

fazer com que um ou mais dispositivos realoquem outras tarefas atribuídas a um dos trabalhadores;

fazer com que os dispositivos clientes associados aos trabalhadores sejam atualizados com o software para executar as novas tarefas; ou reciclar o modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas.

4/13 receber novos dados de produtividade em tempo real, identificando a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores;

determinar que uma ou mais das novas tarefas serão realocadas com base nos novos dados de produtividade em tempo real; e reciclar o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

4. Método, de acordo com a Reivindicação 1, caracterizado pelo fato de que compreende ainda:

receber novos dados de produtividade em tempo real,

Petição 870190015951, de 15/02/2019, pág. 11/23

5/13

5. Método, de acordo com a Reivindicação 1, caracterizado pelo fato de que compreende ainda:

proporcionar, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informação sugerindo as alocações determinadas das novas tarefas, antes de fazer com que as novas tarefas sejam atribuídas aos trabalhadores com base nas alocações determinadas das novas tarefas;

receber, a partir do dispositivo de cliente, uma resposta indicando uma aprovação da informação sugerindo as alocações determinadas das novas tarefas;

fazer com que as novas tarefas sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta; e reciclar o modelo de aprendizagem de máquina com base na resposta.

6/13 novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas;

receber, dos sensores, novos dados de produtividade em tempo real identificando a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores;

determinar que uma ou mais das novas tarefas sejam realocadas com base nos novos dados de produtividade em tempo real; e fazer com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

6. Método, de acordo com a Reivindicação 1, caracterizado pelo fato de que compreende ainda:

Petição 870190015951, de 15/02/2019, pág. 12/23

7/13 em que a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real está associada à determinação de que uma ou mais das novas tarefas devem ser realocadas; e proporcionar, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que identifiquem a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real.

7. Método, de acordo com a Reivindicação 1, caracterizado pelo fato de que compreende ainda:

receber, do dispositivo do cliente, uma resposta indicando uma aprovação de uma primeira porção das alocações determinadas das novas tarefas e uma reprovação de uma segunda porção da alocação determinada;

fazer com que as novas tarefas, associadas à primeira porção das alocações determinadas, sejam alocadas aos trabalhadores por um ou mais dispositivos e com base na resposta; e reciclar o modelo de aprendizagem de máquina com base na resposta.

Petição 870190015951, de 15/02/2019, pág. 13/23

8/13

13. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

treinar novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

14. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

proporcionar, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações sugerindo uma alocação determinada de uma nova tarefa adicional;

receber, do dispositivo do cliente, uma resposta indicando uma desaprovação da alocação determinada da nova tarefa adicional; e treinar novamente o modelo de aprendizagem de máquina com base na resposta.

15. Meio Não Transitório Legível Por Computador, que armazena instruções, caracterizado pelo fato de que as instruções compreendem:

uma ou mais instruções que, quando executadas por um ou mais processadores de um dispositivo, fazem com que um ou mais processadores:

recebam novos dados de tarefas identificando novas tarefas para alocação aos trabalhadores;

executem processamento de linguagem natural nos dados da nova tarefa para converter os novos dados da tarefa em novos

Petição 870190015951, de 15/02/2019, pág. 17/23

8. Dispositivo, caracterizado pelo fato de que compreende:

uma ou mais memórias; e um ou mais processadores, comunicativamente acoplados a uma ou mais memórias, para:

receber um modelo de aprendizagem de máquina treinado com dados históricos de produtividade e dados de habilidades para gerar um modelo de aprendizagem de máquina treinado que determina alocações de tarefas aos trabalhadores, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e em que os dados de habilidades identificam habilidades e experiência dos trabalhadores;

receber novos dados de tarefas identificando novas tarefas para alocação aos trabalhadores;

receber, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real identificando a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores;

processar os dados da nova tarefa e os dados de produtividade em tempo real, com o modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores;

fazer com que um ou mais dispositivos aloquem as

Petição 870190015951, de 15/02/2019, pág. 14/23

9/13 dados da tarefa processados;

recebam, a partir de sensores associados aos trabalhadores, dados de produtividade em tempo real identificando a produtividade dos trabalhadores na conclusão das tarefas atuais atribuídas aos trabalhadores;

processem os dados da nova tarefa processada e os dados de produtividade em tempo real, com um modelo de aprendizagem de máquina treinado, para determinar alocações das novas tarefas aos trabalhadores, em que um modelo de aprendizagem de máquina é treinado com dados históricos de produtividade e dados de habilidades para gerar o modelo de aprendizagem de máquina treinado, em que os dados históricos de produtividade identificam uma quantidade de tarefas anteriores concluídas pelos trabalhadores e o assunto associado às tarefas anteriores, e em que os dados de habilidades identificam habilidades e experiência dos trabalhadores;

façam com que um ou mais dispositivos aloquem as novas tarefas aos trabalhadores com base nas alocações determinadas das novas tarefas;

recebam, dos sensores, novos dados de produtividade em tempo real identificando a produtividade dos trabalhadores na conclusão das novas tarefas alocadas aos trabalhadores;

determinem que uma ou mais das novas tarefas sejam

Petição 870190015951, de 15/02/2019, pág. 18/23

9. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

10/13 realocadas com base nos novos dados de produtividade em tempo real; e façam com que um ou mais dispositivos realoquem uma ou mais das novas tarefas com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

16. Meio Não Transitório Legível Por Computador, de acordo com a Reivindicação 15, caracterizado pelo fato de que as instruções compreendem ainda:

uma ou mais instruções que, quando executadas por um ou mais processadores, fazem com que o um ou mais processadores realizem um ou mais dentre:

fazer com que os dispositivos de clientes associados aos trabalhadores sejam atualizados com o software para executar as novas tarefas; ou treinar novamente o modelo de aprendizagem de máquina com base nas alocações determinadas das novas tarefas.

17. Meio Não Transitório Legível Por Computador, de acordo com a Reivindicação 15, caracterizado pelo fato de que as instruções

Petição 870190015951, de 15/02/2019, pág. 19/23

10. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

comparar os dados de produtividade em tempo real e os novos dados de produtividade em tempo real;

identificar uma diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real com base na comparação dos dados de produtividade em tempo real e os novos dados de produtividade em tempo real,

Petição 870190015951, de 15/02/2019, pág. 15/23

11/13 compreendem ainda:

uma ou mais instruções que, quando executadas por um ou mais processadores, fazem com que um ou mais processadores:

treinem novamente o modelo de aprendizagem de máquina com base na determinação de que uma ou mais das novas tarefas devem ser realocadas.

18. Meio Não Transitório Legível Por Computador, de acordo com a Reivindicação 15, caracterizado pelo fato de que as instruções compreendem ainda:

comparem os dados de produtividade em tempo real e os novos dados de produtividade em tempo real;

identifiquem uma diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real com base na comparação dos dados de produtividade em tempo real e os novos dados de produtividade em tempo real, em que a diferença entre os dados de produtividade em tempo real e os novos dados de produtividade em tempo real está associada à determinação de que uma ou mais das novas tarefas devem ser realocadas; e proporcionem, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações que identifiquem a diferença entre os dados de produtividade em tempo real e os novos dados

Petição 870190015951, de 15/02/2019, pág. 20/23

11. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

receber, de um dispositivo de cliente associado a um gerenciador dos trabalhadores, uma entrada indicando as prioridades associadas às novas tarefas, em que o um ou mais processadores, ao processar os dados da nova tarefa e os dados de produtividade em tempo real com o modelo de aprendizagem de máquina treinado, devem:

processar os dados da nova tarefa, os dados de produtividade em tempo real e a entrada, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas aos trabalhadores.

12/13 de produtividade em tempo real.

19. Meio Não Transitório Legível Por Computador, de acordo com a Reivindicação 15, caracterizado pelo fato de que as instruções compreendem ainda:

recebam, de um dispositivo de cliente associado a um gerenciador dos trabalhadores, uma entrada indicando os trabalhadores preferenciais para atribuir às novas tarefas, em que uma ou mais instruções que fazem com que o um ou mais processadores processem os dados da nova tarefa processada e os dados de produtividade em tempo real com o modelo de aprendizagem de máquina treinado, são para:

processarem os dados da nova tarefa processada, os dados de produtividade em tempo real e a entrada, com o modelo de aprendizagem de máquina treinado, para determinar as alocações das novas tarefas aos trabalhadores.

20. Meio Não Transitório Legível Por Computador, de acordo com a Reivindicação 15, caracterizado pelo fato de que as instruções compreendem ainda:

proporcionem, a um dispositivo de cliente associado a um gerenciador dos trabalhadores, informações sugerindo as alocações

Petição 870190015951, de 15/02/2019, pág. 21/23

12. Dispositivo, de acordo com a Reivindicação 8, caracterizado pelo fato de que o um ou mais processadores são adicionalmente para:

executar o processamento de linguagem natural nos novos dados da tarefa para converter os novos dados da tarefa em um formato para processamento pelo modelo de aprendizagem de máquina treinado.

Petição 870190015951, de 15/02/2019, pág. 16/23

13/13 determinadas das novas tarefas, antes de fazer com que um ou mais dispositivos atribuam as novas tarefas aos trabalhadores;

recebam, do dispositivo de cliente, uma resposta indicando uma aprovação de uma primeira porção das alocações determinadas das novas tarefas e uma reprovação de uma segunda porção da alocação determinada;

façam com que um ou mais dispositivos aloquem as novas tarefas, associadas à primeira porção das alocações determinadas, aos trabalhadores com base na resposta; e treinem novamente o modelo de aprendizagem de máquina com base na resposta.