Inteligência Artificial: Muita conversa, pouca ação

A Inteligência Artificial já é parte do nosso dia a dia. Sabemos que empresas como Netflix, Amazon, Google, Facebook, Alibaba, Tecent e inúmeras outras usam IA normalmente. É a nova eletricidade, como disse o pesquisador Andrew Ng (Why AI Is the ‘New Electricity’). E como a eletricidade transformou as empresas e a nossa sociedade, a IA vai provocar uma transformação massiva nas próximas décadas.

Entretanto, observamos muita conversa e pouca ação. De maneira geral, as pesquisas mostram que cerca de 40% das empresas nos EUA e Europa estão apenas pensando no assunto, Outras 40% estão fazendo experimentações isoladas e apenas uns 20% estão realmente adotando de forma mais intensa.

No Brasil, embora não tenha conhecimento de pesquisas formais, minha observação tem mostrado que o número de empresas que estão experimentando ou adotando ainda é menor. Por diversas razões, variando de desconhecimento (muitos ainda confundem IA com um BI mais sofisticado) à falta de prioridade para adoção. A falta de talentos ainda não chegou a incomodar por aqui, simplesmente pela falta de demanda.

O desconhecimento ainda é grande. Quando conversamos com executivos, normalmente todos respondem que já ouviram falar em IA e reconhecem que seu potencial disruptivo. Mas se aprofundarmos o assunto, perguntando se já ouviram falar em Deep Learning, Feed Forward Neural Networks, Recurrent Neural Networks, Reinforcement Learning ou outras técnicas de redes neurais, aí a imensa maioria responde que são termos completamente desconhecidos. Ok, um executivo não precisa conhecer os algoritmos de triangulação do GPS para usar um Waze, como não precisará saber criar e treinar uma rede neural, mas uma noção básica de redes neurais é importante para futuras tomadas de decisão em termos de investimentos.

A IA pode ser usada em todos setores de indústria. Entretanto, o primeiro passo ainda é incerto. Por onde começar? Certamente que um projeto ambicioso, um “moon shot”, não é o melhor caminho. Vários exemplos de fracassos mostram que começar grande não é a melhor decisão. Comece pelo básico, por exemplo melhorando com IA as ações que já utilizam algumas técnicas analíticas e BI, pois começam com uma parte dos dados que virão a ser necessários.

Aliás, a base de qualquer iniciativa de IA é ter dados adequados e suficientes. O artigo “If Your Data Is Bad, Your Machine Learning Tools Are Useless” mostra que se a IA é o motor, sem combustível (dados) ele simplesmente não funciona.

Um bom ponto de partida para a jornada em IA é a adoção de RPA (Robot Processing Automation) que é automatização de tarefas de back-end como substituir cartões de crédito ou reconciliar falhas de cobrança por meio de software, sem intervenção humana. Bem, RPA geralmente é uma IA que não aprende, muitas vezes baseada em algoritmos de árvores de decisão. Adicionando aos projetos de RPA bots inteligentes, que se adaptam ao usuário, já subimos um grau no nível de inteligência. Um excelente estudo de aplicação de redes neurais em empresas é o descrito no artigo “Notes from the AI frontier: Applications and value of deep learning”, publicado pela McKinsey.

Para passos mais avançados em IA com uso de sistemas cognitivos, é fundamental ter dados em volume e variedade adequados. Aí já falamos em sistemas identificação de fraudes em tempo real, previsão de compras personalizado, recomendação de produtos e serviços, agentes inteligentes que oferecem serviços 24×7 aos clientes, assessoria financeira e assim por diante. Para estas aplicações, as melhores técnicas são as que usam redes neurais.

Mas, à medida que avançamos no uso de IA começamos a tropeçar em alguns desafios. Obter e acessar dados em volume, variedade e abrangência, adequados, não é simples. Os dados internos disponíveis mostram apenas uma pequena faceta do mundo que será analisado.

Por exemplo, dados de cliente. Os dados que a empresa tem dos seus clientes, obtidos por sistemas como ERP mostram apenas as transações que foram realizadas por eles. Não mostram as interações que não foram realizadas. O site e o app, se bem desenhados, capturam a movimentação do cliente, mesmo sem ação de aquisição. Esta movimentação deve ser aglutinada aos dados do ERP. Obtendo mais dados de outras fontes, pode-se formar um quadro mais abrangente que permitirá que as redes neurais aprendam o comportamento do cliente e assim melhorem sua assertividade do processo de recomendação.

A fase de treinamento do algoritmo é crucial. Importante validar se os dados obtidos não geram um viés que pode provocar decisões erradas. Também a escolha dos algoritmos é importante. Não apenas para eficiência do projeto, mas também em relação a eventuais restrições regulatórias. Por exemplo, algoritmos que não permitam rastrear o motivo de sua decisão podem ser alvo de ações em determinados setores ou países.

O nível de personalização também deve ser analisado, para não infringir restrições de privacidade e ética. Vejamos o exemplo da precificação dinâmica, como usado pelo Uber ou empresas aéreas. Hoje, a precificação varia por demanda de mercado, com os valores das corridas (ou passagens) mudando de acordo com o número de carros disponíveis (voos) e a procura por eles. Em determinadas horas, para o mesmo trajeto, todos os usuários pagam o mesmo preço. Com IA podemos chegar a precificar por indivíduo. Isso pode gerar desconforto ao cliente, se ele souber que pagará um preço diferente de outro, na mesma hora, pelo mesmo trajeto.

A questão de ética deve ser levada a sério. Por exemplo, hoje nos acostumamos a ouvir em uma ligação com um call center que a conversa será gravada. No caso de um bot que interage conosco, não seria adequado que o bot se identificasse como tal? Por exemplo, “Oi, eu sou xxx, um bot, e estou aqui para te ajudar a resolver seu problema da melhor maneira possível”. Soa muito mais transparente informar que o bot é um bot. Pelo menos até a sociedade se acostumar com eles.

Como começar?
A jornada em direção a IA é muito mais que comprar uma solução pronta. Aliás, uma solução pronta, que responde a tudo com um simples plug and play, é fantasia. Só existe no marketing. A jornada começa com a definição de uma estratégia de IA.

Devin Wenig, CEO do eBay afirma: “If you don’t have an AI strategy you are going to die in the world that’s coming”. Concordo com ele. Se você não tiver uma estratégia de IA terá sérios problemas pela frente.

A seguir busque entender as tecnologias: quais executam quais tipos de tarefas e os pontos fortes e fracos de cada uma. No artigo que citei acima, da McKinsey são analisados diversos tipos de redes neurais e suas aplicabilidades à diferentes tarefas. Vale a pena estudar o assunto.

Construa a capacitação em IA de sua empresa. Talentos são escassos e vão continuar assim por algum tempo ainda. Monte uma estratégia para atrair os melhores.

Crie um portfólio de projetos, e valide as oportunidades existentes na organização. Comece obviamente por onde os resultados forem mais significativos, a custos e investimentos menores.

Dispare os projetos piloto e aprenda continuamente com eles. IA é um alvo em movimento. A evolução é muito acelerada e novas tecnologias e algoritmos surgem a todo instante.

Novas fontes de dados passam a ser factíveis. Acompanhe a evolução das regulações do seu setor, as inovações que surgem com startups e as mudanças nos hábitos da sociedade. Repense os seus processos frente à adoção de IA, eventuais mudanças na execução das tarefas, e eventual substituição ou recolocação de pessoas.

A IA já é realidade. Todas as empresas irão adotar IA, mais cedo ou mais tarde. Não há espaço para complacência. Portanto, não pense que IA é apenas um modismo. Os modelos de negócio serão afetados. As funções e organização serão transformadas. A empresa poderá operar de forma bem diferente do que está acostumada.

Recomendo a leitura do instigante artigo “How Organizations Will Produce in an Autonomous Future”, publicada pelo MIT Sloan Management Review, onde são mostrados casos de empresas que operam quase que totalmente sob supervisão de IA. Ainda exceções, mas será que sinalizam uma mudança para os próximos anos?

Não necessariamente teremos uma empresa autônoma. Mas, seguramente, teremos uma empresa onde IA e humanos estarão trabalhando em colaboração, cada um fazendo o que melhor sabe fazer. Máquinas fazendo trabalhos robotizados e nós usando de forma enfática características humanas, como empatia, socialidade, criatividade e imaginação.

 

Fonte: Portal CIO/Terra

VER TODOS OS POSTS

POSTS RELACIONADOS