Desde que o Deep Blue, supercomputador da IBM, tornou-se campeão mundial de xadrez em 1997, muita coisa mudou no campo da inteligência artificial. Em 2011, outro supercomputador da empresa norte-americana, Watson, sagrou-se o melhor jogador de Jeopardy (famoso show de perguntas e respostas sobre assuntos gerais nos EUA). E Lee Sedol, prodígio do dificílimo jogo Go, perdeu para o AlphaGo, do Google (um documentário, disponível na Netflix, foi produzido sobre o algorítimo). São fatos assombrosos, sem dúvida, que mostram o imenso potencial da IA. Mas e quanto às empresas? Qual é o cenário atual da inteligência artificial na gestão? O que tem acontecido de fato? Quais são as maiores limitações?
Por mais que abordemos com frequência as novidades de IA aqui no blog, faltava um texto com o mapa atual dessas inovações. Até para que você entenda exatamente a dimensão do impacto no seu dia a dia, de forma prática. Caso queira se inteirar sobre o que há de novo, leia este artigo sobre inteligência artificial na publicidade, este, sobre inteligência artificial no design, ou este, sobre o uso de inteligência artificial no recrutamento e seleção.
Inteligência artificial na gestão: em que pé estamos
Muito se tem falado sobre a computação cognitiva, que é considerada a atual geração de IA. Ou seja, o aprendizado por parte de sistemas veio para suceder a etapa de rapidíssimos inputs e outputs por parte das máquinas (cujos exemplos seriam o Deep Blue e o AlphaGo). Isso significa que novas informações podem ser geradas a partir dos dados com os quais os sistemas foram alimentados.
Acontece que, até aqui, havia pouca coisa de concreta, ainda que a indústria de TI já falasse de redes neurais há décadas. No entanto, de acordo com esta matéria da IBM, a hora é agora, porque tanto os hardwares quanto os softwares estão prontos para a inteligência artificial.
Computação cognitiva é mesmo a bola da vez
Não há dúvida de que os computadores estejam aprendendo. Afinal, lá nos primórdios, os processadores eram capazes de efetuar cálculos; depois, evoluíram para a utilização de sistemas programáveis (como conhecemos hoje), e, como vimos, neste momento, são capazes de processar informações baseadas em aprendizado de experiências anteriores. É um funcionamento semelhante ao do nosso cérebro, uma vez que vamos recebendo informações e processando-as para adquirir aprendizados.
Um exemplo de uso da computação cognitiva, que se baseia em aprendizado e evolução, é a Laura: o primeiro robô cognitivo gerenciador de riscos usado em hospitais, como o Nossa Senhora das Graças, em Curitiba, e a Santa Casa de Londrina. Criado pelos curitibanos, Jacson Fressato, arquiteto de sistemas, e Cristian Rocha, especialista em Inteligência Artificial, o software faz a leitura das informações do paciente e envia alertas para a equipe médica, caso o quadro do paciente seja, por exemplo, de infecção generalizada.
A combinação das tecnologias de Cognitive Computing e Machine Learning deixam Laura cada vez mais precisa nos diagnósticos: ela identifica os padrões, compara com a base de dados e informa se há probabilidade de ocorrer algum evento de risco com o paciente. Esse processo é muito semelhante ao de dedução, que nós humanos fazemos.
No entanto, quando se trata de inteligência artificial na gestão, existem algumas limitações. De acordo com este texto da McKinsey, as máquinas são mais “treinadas” do que “programadas”. Por conta disso, os diversos processos geralmente exigem imensas quantidades de dados rotulados para executarem tarefas complexas de forma precisa.
Vamos conhecer mais sobre três dessas limitações, e sobre as possíveis soluções que estão surgindo para contorná-las:
1. Catalogação de dados
Eis aí um dos grandes obstáculos impostos pela IA no caminho das empresas: realizar a catalogação desses dados. Obtê-los pode ser muito difícil, ou mesmo inviável.
Isto porque a maior parte dos modelos de IA é treinada por meio de “aprendizado supervisionado”, o que significa que nós, humanos, precisamos catalogar e categorizar os dados subjacentes. Por exemplo, companhias que desenvolvem carros auto-conduzidos estão contratando centenas de pessoas para anotar, manualmente, informações de horas e horas de vídeo de protótipos para ajudar a treinar os veículos.
Por outro lado, novas técnicas estão surgindo para otimizar esse tremendo trabalho. Uma delas é a supervisão in-stream, apresentada recentemente na Microsoft Research (e cujo criador, Eric Horvitz, detalha neste artigo em inglês), por meio da qual os dados podem ser catalogados durante o curso do uso natural de um protótipo.
2. Obtenção de grandes conjuntos de dados para treinamento
O momento atual de machine learning exige não apenas dados catalogados, mas uma imensa quantidade deles. Um processo de deep learning requer milhares e milhares de registros para que modelos executem satisfatoriamente suas tarefas complexas de registro e, em alguns casos, milhões deles para performarem no mesmo nível de um ser humano. Eis outra importante limitação, já que acessar essa quantidade de dados pode ser uma tarefa dificílima. E cada mínima variação em uma tarefa atribuída poderá exigir uma nova quantidade de dados para que o aprendizado continue ocorrendo.
Uma técnica que pode aplacar essa dificuldade é a “one-shot learning” (algo como “aprendizado de uma só vez”). Ao permitir que um modelo de IA aprenda algo a partir de um número reduzido de demonstrações reais ou exemplos, a técnica pode reduzir a necessidade de quantidades imensas de dados. O artigo da McKinsey contém mais informações a respeito do one-shot learning.
3. O problema da “explicabilidade”
“Explicabilidade”: ainda que o termo pareça novo, já assombra sistemas de IA há um certo tempo. Mas se tornou uma questão mais preocupante conforme os processos de deep learning foram evoluindo. Complexos maiores e mais complexos tornam mais difícil explicar, em termos humanos, porque uma certa decisão foi tomada.
Este é um dos motivos pelos quais a adoção de algumas ferramentas e IA é restrita em áreas nas quais a necessidade de explicar é útil, ou mesmo exigida. Além disso, conforme a aplicação de inteligência artificial na gestão se expande, uma regulamentação também poderia alavancar a necessidade de modelos mais “explicáveis”.
Para solucionar essa limitação, empresas têm utilizado a técnica de GAMs (Generalized Additive Models, ou Modelos Aditivos Generalizados). GAMs limitam as interações entre atributos, fazendo assim com que sejam mais facilmente interpretáveis (e explicáveis) pelos usuários. Essa técnica tem contribuído para desmistificar as decisões de IA – e deve contribuir cada vez mais.
Inteligência artificial na gestão: comece agora!
Para implementar a inteligência artificial em sua empresa, você pode começar pelos 10 passos que a PC Magazine listou:
1. Conheça e se familiarize com a IA: aproveite seu tempo para conhecer os conceitos básicos e quais recursos podem ser úteis para você;
2. Identifique quais problemas você quer resolver com a IA: agora que você já conhece os conceitos básicos, pense onde você pode aplicá-los e de que forma isso pode otimizar ou melhorar seus processos;
3. Pense no concreto: para as inovações de IA, o céu é o limite. Porém, você precisa se atentar ao orçamento disponível e se o investimento trará valor ao seu negócio;
4. Conheça seus gargalos: existe uma grande diferença entre o que você deseja alcançar e o que a equipe consegue fazer. Leve isso em consideração antes de implementar a IA;
5. Crie um projeto piloto: uma vez que você tenha mapeado as áreas da sua empresa, comece a definir um plano. Se quiser, pode contratar um especialista ou um consultor;
6. Crie uma força tarefa para integrar dados: organize a coleta e o cruzamento dos dados para evitar que informações desnecessárias atrapalhem a sua visão do que é importante;
7. Comece pequeno: escolha uma área ou um processo da empresa para começar. Depois faça expansões;
8. Inclua armazenamento como parte do seu plano: por conta do grande volume de dados gerados, é importante saber onde e como você vai armazená-los para não perder nada e garantir a segurança das informações;
9. Incorpore a AI em suas tarefas diárias: alguns funcionários podem ficar receosos em relação à tecnologia. Para que eles possam ver os benefícios, é importante que a AI faça parte do seu dia a dia;
10. Tenha equilíbrio!
Inteligência também para a gestão do seu fluxo de trabalho
Já que o assunto é tecnologia, aproveite para conhecer também ferramentas que já oferecem ganhos concretos para sua gestão. Como o Runrun.it, que organiza o fluxo de demandas, substitui o e-mail para comunicação interna e estima custos e prazos de todos os projetos.
Além disso, a ferramenta te municia com dados sobre entregas e desempenho, diminuindo seu tempo investido em microgestão e aumentando sua disponibilidade para pensar em soluções estratégicas para a equipe. E o melhor: você ganha tempo para ficar por dentro das principais tendências em tecnologias. Experimente grátis: http://runrun.it
