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.

 

(*) Cezar Taurion é presidente do I2A2- Instituto de Inteligência Artificial Aplicada, head de Digital Transformation da Kick Ventures e autor de nove livros sobre Transformação Digital, Inovação, Open Source, Cloud Computing e Big Data