Delegação da Decisão: Humana e, ou, IA

Um dos pontos fortes da Inteligência Artificial (IA) e seus algoritmos de aprendizado de máquina, aprendizagem profunda, aprendizagem por reforço e outros, é o de apoiar e facilitar a tomada de decisão pelos humanos (decision support systems – DSS) e até mesmo, em alguns casos decidir por si só. Dando sequência aos artigos que postei anteriormente sobre este tema, nesse post, resumo as diversas formas de delegação da tomada de decisão quando a IA está envolvida.

1 – Delegação total da Tomada de Decisão para IA

Os sistemas de recomendação, por exemplo, podem ser projetados para melhorar a si mesmos sem a compreensão de um designer humano do mecanismo subjacente à melhoria. O uso de grandes quantidades de dados em interações granulares do usuário e feedback instantâneo do usuário das plataformas digitais permite que os algoritmos de IA aprendam o comportamento do usuário, de modo que a eficiência e a precisão da tomada de decisão aumentem com o tempo.

Casos de recomendações de produtos da Amazon e de vídeo streaming do Youtube e Netflix

Observação: Nestes três casos: o Nível de Tomada de Decisão é operacional.

2 – Delegação de TD sequencial híbrida

2.1 De IA para Humana

Os concursos de inovação via crowdsourcing, por exemplo, permitem que as empresas envolvam grandes grupos de indivíduos de fora da empresa na busca de soluções para seus problemas. Ao formular um problema e transmiti-lo para a multidão, as empresas podem atrair um conjunto diversificado de soluções.

Ao fazer isso, o custo da solução de problemas muda da geração de soluções para a avaliação e seleção de soluções. Peneirar um grande conjunto de soluções é entediante, demorado e dispendioso. O uso da IA para categorizar soluções, diferenciar entre várias alternativas e sugerir um conjunto de alternativas mais restrito permite que os tomadores de decisão humanos avaliem as soluções com mais eficiência. Além disso, para cada decisão, o algoritmo pode ser configurado para calcular e informar o nível de confiança de suas sugestões.

Observação: Nestes concursos: o Nível de Tomada de Decisão é operacional.

2.2 De Humana para IA

Billy Beane, gerente do time de beisebol profissional Oakland Athletics, adotou essa estrutura de tomada de decisão para escolher seus jogadores.

Os gerentes de times de beisebol tradicionalmente confiam na experiência pessoal, no instinto e no conhecimento de olheiros e agentes profissionais ao escolher jogadores.

Billy Beane adotou uma abordagem orientada a dados e aplicou o poder preditivo dos algoritmos para ajudar na tomada de decisões, primeiro selecionando um pequeno conjunto de jogadores potencialmente adequados e, posteriormente, verificando esses candidatos usando grandes quantidades de dados granulares de desempenho e previsão algorítmica. Essa abordagem se tornou tão bem-sucedida que logo foi adotada em outras equipes e esportes, crescendo em um campo agora conhecido como Análise Esportiva.

Observação: No Exemplo da Oakland: O Nível de Tomada de Decisão é tático.

3 – Delegação de Agregação Humana-IA

Um cenário em que a agregação pode ser útil diz respeito a decisões tomadas por comitês de investimento.

Considere, por exemplo, a Deep Knowledge Ventures (DKV), uma empresa de capital de risco com sede em Hong Kong, focada em medicamentos para doenças relacionadas à idade e em empreendimentos de medicina regenerativa.

A DKV nomeou formalmente um algoritmo chamado VITAL (Validating Investment Tool for Advancing Life Sciences) em seu conselho. Como sexto membro do conselho, VITAL recebeu o direito de votar nas decisões de investimento. Diferentemente dos membros humanos do conselho, a VITAL baseia suas decisões em uma análise computacional de vastas quantidades de dados que cobrem o financiamento de empresas de investimento em potencial, ensaios clínicos, propriedade intelectual e financiamento anterior.

Essa análise envolve observar e identificar o papel de centenas de variáveis ​​e suas interações nos resultados do investimento e pode capturar elementos do espaço de decisão que provavelmente serão ignorados pelos seres humanos. Como exemplo, Dmitry Kaminsky, sócio-gerente da DKV, sugere que a VITAL desempenhou um papel importante ao ajudar o conselho da DKV a evitar decisões irracionais de investimento em projetos “superestimados”.

Observação: No exemplo da DKV: O Nível de Tomada de Decisão é estratégico.

Considerações finais

Cada vez mais a tecnologia, em especial a Inteligência Artificial tem ajudado as empresas na implementação de suas estratégias de transformação digital, indústria 4.0, sociedade 5.0, principalmente no apoio e na tomada de decisões fundamentais para os negócios.

Para uma visão mais ampla sobre o tema, não deixe de ver os artigos relacionados abaixo.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência:

Com base em estudo, tradução e resumo do artigo “Organizational Decision-Making Structures in the Age of Artificial Intelligence” por Yash Raj Shrestha, Shiko M. Ben-Menahem, e Georg von Krogh. California Management Review, 2019.

Artigos Relacionados:

Blocos de Construção da Inteligência Artificial

Num campo de conhecimentos tão amplo quanto a Inteligência Artificial (IA), é importante, antes de nos aprofundarmos no tema, adquirir literacia buscando uma visão do todo, com várias perspectivas e abordagens de diversas fontes. Assim, estou publicando este post, para complementar o entendimento que procurei passar em posts anteriores, como: introdução à computação cognitivaas 4 ondas da inteligência artificial e Os 7 Padrões da Inteligência Artificial.

Vejamos então uma imagem resumo sobre os 10 blocos de construção da inteligência artificial proposto por consultores da Boston Consulting Group (BCG), seguidos das respectivas descrições.

Blocos relativos à Dados

1 – Visão de máquina é a classificação e rastreamento de objetos do mundo real com base em sinais visuais, raios-x, laser ou outros sinais. O reconhecimento óptico de caracteres foi um sucesso inicial da visão de máquina, mas decifrar texto manuscrito continua sendo um trabalho em andamento.

A qualidade da visão da máquina depende da rotulagem humana de uma grande quantidade de imagens de referência. A maneira mais simples de as máquinas começarem a aprender é através do acesso a esses dados rotulados. Nos próximos cinco anos, a visão computacional baseada em vídeo poderá reconhecer ações e prever movimentos – por exemplo, em sistemas de vigilância.

2 – O reconhecimento de fala envolve a transformação de sinais auditivos em texto. Em um ambiente relativamente silencioso, aplicativos como Siri e Alexa podem identificar a maioria das palavras em um vocabulário geral. À medida que o vocabulário se torna mais específico, tornam-se necessários programas personalizados, como o PowerScribe da Nuance para radiologistas. Ainda estamos a alguns anos de produzir um assistente virtual que pode fazer anotações precisas em ambientes ruidosos com muitas pessoas falando ao mesmo tempo.

3 – O processamento em linguagem natural (PLN) é a análise semântica e a interpretação do texto. Esse recurso reconhece spam, notícias falsas e até sentimentos como felicidade, tristeza e agressão. Hoje, o PLN pode fornecer resumos básicos de texto e, em alguns casos, inferir a intenção. Por exemplo, os chatbots tentam categorizar os chamadores com base no que eles percebem ser a intenção dos chamadores. É provável que o PLN melhore significativamente nos próximos anos, mas uma compreensão completa de textos complexos continua sendo um dos santos graal da inteligência artificial.

Blocos de Processamento

4 – O processamento de informações abrange todos os métodos de pesquisa, extração de conhecimento e processamento de texto não estruturado com o objetivo de fornecer respostas às consultas. Intimamente relacionado para o PLN, esse componente envolve pesquisar bilhões de documentos ou construir gráficos de conhecimento rudimentares que identificam relacionamentos no texto, além de poder envolver raciocínio semântico.

5 – Aprender com dados é essencialmente aprendizado de máquina – a capacidade de prever valores ou classificar informações com base em dados históricos. Embora o aprendizado de máquina seja um elemento em outros componentes, como visão de máquina e PLN, também é um elemento essencial. É a base de sistemas como as recomendações de filmes da Netflix, programas de segurança cibernética que empregam detecção de anomalias e modelos de regressão padrão para prever a rotatividade de clientes.

Um desafio em aplicativos de negócios envolve a remoção do viés humano dos dados. Sistemas projetados para identificar fraudes, prever crimes ou calcular pontuações de crédito, por exemplo, codificam os preconceitos implícitos de agentes, policiais e funcionários de bancos. A limpeza dos dados pode ser um desafio.

Finalmente, muitos modelos de aprendizado de máquina hoje são inerentemente caixas pretas. Os cientistas de dados podem precisar projetar transparência nesses sistemas, especialmente em ambientes regulamentados, mesmo que isso envolva algumas compensações no desempenho. Devido à intensa pesquisa em andamento nesse campo, é provável que a transparência melhore nos próximos cinco anos.

6 – Agentes de planejamento e exploração podem ajudar a identificar a melhor sequência de ações para atingir uma meta. Os carros autônomos dependem muito desse componente básico da navegação. Identificar a melhor sequência de ações se torna muito mais difícil à medida que agentes e ações adicionais entram em cena. Um subcampo de rápido crescimento, o aprendizado por reforço, enfatiza o recebimento de uma dica ou recompensa ocasional, em vez de instruções explícitas. O aprendizado por reforço foi fundamental para o sucesso do Google DeepMind no jogo Go e está intimamente associado à maneira como o cérebro humano aprende por tentativa e erro.

Blocos com foco em Ação

7 – A geração de imagens é o oposto da visão de máquina; cria imagens com base em modelos. Ainda em sua infância, esse bloco de construção pode concluir imagens nas quais o plano de fundo está ausente, por exemplo, ou pode alterar uma fotografia para renderizá-la no estilo de, digamos, Vincent van Gogh. A geração de imagens é o mecanismo por trás das ferramentas de realidade virtual e aumentada, como as máscaras do Snapchat.

8 – A geração de fala abrange a geração de texto com base em dados e a síntese de fala com base em texto. Atualmente, o Alexa exemplifica os recursos da geração de conversão de texto em fala. Esse componente básico está começando a permitir que as organizações jornalísticas automatizem a redação de relatórios básicos de esportes e ganhos, como resumos de jogos e boletins financeiros. Nos próximos cinco anos, a geração da fala provavelmente poderá incorporar ritmo, estresse e entonações que fazem a fala parecer natural. A geração musical também se tornará mais personalizada em breve.

9 – Manipulação e controle se referem a interações com objetos do mundo real. Por exemplo, os robôs já aprendem com humanos no chão de fábrica, mas têm problemas com tarefas novas ou fluidas, como cortar pão ou alimentar idosos. À medida que as empresas lançam dinheiro globalmente nesse campo, os robôs devem se tornar muito melhores na captação de novos itens em armazéns e na exibição de movimentos e flexibilidade fluidos e humanos.

10 – A navegação e o movimento abrangem as maneiras pelas quais os robôs se movem através de um determinado ambiente físico. Carros e drones autônomos se saem razoavelmente bem com suas rodas e rotores, mas andar sobre as pernas – especialmente um único par de pernas – é um desafio muito mais difícil. Os robôs que conseguem subir escadas ou abrir portas com fluidez demorarão mais alguns anos para chegar. Os robôs de quatro patas exigem menos equilíbrio, no entanto, e os modelos atuais já são capazes de navegar em ambientes que são efetivamente inacessíveis aos veículos com rodas.

Considerações finais

Este é apenas mais um dos artigos que considero relevantes para a introdução ao tema Inteligência Artificial, mesmo que não sendo de origem acadêmica e sim de uma empresa consultoria de estratégica.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência

Este post é uma tradução resumida e adaptada do artigo da Boston Consulting Group (BCG): The Building Blocks Of Artificial Intelligence, escrito por Martin Hecker, Sebastian Steinhäuser, e Patrick Ruwolt, em 2017.

Artigos Relacionados:

Os 7 Padrões da Inteligência Artificial

Em 1979 na Universidade Estadual de Maringá (UEM), participei como aluno de um primeiro curso sobre Inteligência Artificial (IA), onde tive contato com uma linguagem chamada LISP. Fiquei encantado e disse para mim mesmo, este é um tema que quero me aprofundar. Assim, procurei acompanhar a evolução do tema e foi então que, em outubro de 1986, participei do “I Encontro Regional sobre Inteligência Artificial” em São Paulo, promovido pela “SUCESU – Sociedade dos Usuários de Computadores e Equipamentos Subsidiários”, quando aproveitei para fazer um Curso sobre a linguagem Prolog. Depois disso, houve um longo período onde o tema perdeu relevância. Mais tarde surgiu o aprendizado de máquina, redes neurais e ultimamente a aprendizagem profunda e aprendizagem por reforço. Com isso, big data, hardware e software muito mais poderosos, houve a volta dos encantos da IA e da computação cognitiva, agora com aplicações práticas para a vida e para o mundo dos negócios.

Em 2016, durante o meu mestrado, comecei a participar do Núcleo Decide da FEA-USP, que desenvolve pesquisas e seminários sobre Tomada de Decisão nas Organizações (TDO). Em 2017 participei do evento sobre Tomada de Decisão em Startups, em 2018, sobre o uso da Intuição na Tomada de Decisão, em 2019 sobre o uso da IA na TDO. Desde então estamos nos aprofundando numa pesquisa acadêmica sobre esse último tema.

Nesse ínterim compartilhei por aqui um artigo com uma introdução à computação cognitiva e outro sobre as 4 ondas da inteligência artificial.

Agora compartilho mais um artigo sobre o tema da IA, com foco em negócios.

Um universo de casos práticos de uso da IA

De veículos autônomos, aplicativos de análise preditiva, reconhecimento facial, chatbots, assistentes virtuais, automação cognitiva e detecção de fraude, os casos de uso para IA são muitos. No entanto, independentemente da aplicação de IA, há semelhanças para todas essas aplicações. Aqueles que implementaram centenas de projetos de IA percebem que, apesar de toda essa diversidade na aplicação, os casos de uso de IA se enquadram em um ou mais dos sete padrões comuns. Os sete padrões são: hiperpersonalização, sistemas autônomos, análise preditiva e suporte à decisão, interações conversacionais / humanas, padrões e anomalias, sistemas de reconhecimento e sistemas orientados a objetivos. Qualquer abordagem personalizada para IA exigirá sua própria programação e padrão, mas não importa em que combinação essas tendências são usadas, todas elas seguem seu próprio conjunto de regras padrão. Esses sete padrões são então aplicados individualmente ou em várias combinações, dependendo da solução específica à qual o AI está sendo aplicada.

Reconhecimento: máquinas que podem reconhecer o mundo

Significa usar o aprendizado de máquina e outras abordagens cognitivas para identificar e determinar objetos ou outras coisas desejadas a serem identificadas na imagem, vídeo, áudio, texto ou outros dados não estruturados principalmente.

Conversacional: máquinas que podem se comunicar como seres humanos

Quando máquinas e seres humanos interagem por meio de formas conversacionais de interação e conteúdo através de uma variedade de métodos, incluindo voz, texto e imagem. Inclui chatbots, assistentes de voz e análise de sentimentos, humor e intenção.

Análise preditiva: ajudando os humanos a tomarem melhores decisões

Implica no uso de aprendizado de máquina e outras abordagens cognitivas para entender como comportamentos passados ou existentes podem ajudar a prever resultados futuros ou ajudar os humanos a tomar decisões sobre resultados futuros com base nesses padrões.

Sistemas orientados a objetivos: resolvendo o quebra-cabeça

Com o poder do aprendizado por reforço e outras técnicas de aprendizado de máquina, as organizações podem aplicar o aprendizado de máquina e outras abordagens cognitivas para dar a seus sistemas a capacidade de aprender por tentativa e erro. Isso é útil para qualquer situação em que você deseja que o sistema encontre a solução ideal para um problema. Inclui jogos, otimização de recursos, solução iterativa de problemas e leilões de lances e em tempo real.

Sistemas autônomos: reduzindo a necessidade de trabalho manual

Sistemas autônomos são sistemas físicos e virtuais de software e hardware capazes de realizar uma tarefa, atingir uma meta, interagir com o ambiente e atingir um objetivo com o mínimo envolvimento humano. Inclui máquinas e veículos autônomos de todos os tipos, como carros, barcos, trens, aviões e muito mais. Também inclui sistemas autônomos, como documentação e geração autônoma de conhecimento, processos de negócios autônomos e automação cognitiva, podendo operar em estreita proximidade com humanos na tomada de decisão preferencial.

Identificando padrões e anomalias: descobre o que combina e o que não combina

Usa o aprendizado de máquina e outras abordagens cognitivas para aprender padrões nos dados e aprender conexões de ordem superior entre os pontos de dados para ver se ele se encaixa em um padrão existente ou se é um erro ou anomalia.  As aplicações incluem detecção de fraude e risco para verificar se as coisas estão fora do comum ou se as expectativas estão acontecendo. Pode encontrar padrões entre os dados e ajudar a minimizar ou corrigir erros humanos. Inclui ainda texto preditivo, onde ele pode analisar padrões de fala e gramática para ajudar a sugerir palavras para acelerar o processo de escrita.

Hiperpersonalização: trata cada cliente como um indivíduo

Significa usar o aprendizado de máquina para desenvolver um perfil de cada indivíduo e, em seguida, fazer com que esse perfil aprenda e se adapte com o tempo para vários propósitos, como exibir conteúdo relevante, recomendar produtos relevantes, fornecer recomendações personalizadas.

Combinando padrões para o sucesso do projeto de IA

Embora possam parecer padrões discretos que são implementados individualmente em projetos típicos de IA, na realidade, vimos organizações combinar um ou mais desses sete padrões para realizar seus objetivos. Ao pensar em projetos de IA em termos desses padrões, as empresas os ajudarão a abordar, planejar e executar melhor os projetos de IA. Na verdade, as metodologias emergentes estão se concentrando no uso desses sete padrões como uma forma de agilizar o planejamento de projetos de IA. Depois de saber que está fazendo um padrão de reconhecimento, por exemplo, você pode obter insights sobre uma ampla gama de soluções que foram aplicadas a esse problema, insights sobre os dados que são necessários para alimentar o padrão, casos de uso e exemplos de aplicativos do padrão, algoritmo e dicas de desenvolvimento de modelo e outros insights que podem ajudar a acelerar a entrega de projetos de IA de alta qualidade.

Considerações finais

Embora a IA ainda esteja na fase inicial de adoção na maioria das empresas, está claro que a identificação e o uso desses padrões ajudarão as organizações a realizar seus objetivos de projeto de IA mais rapidamente, com menos reinvenção da roda e com muito melhores chances de sucesso.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência

Este post é uma tradução resumida e adaptada do artigo da Forbes: The Seven Patterns Of AI, escrito por Kathleen Walch

Artigos Relacionados: