Aprendizagem inteligente para uma cidade mais inteligente

Recentemente (em 31 de outubro) tive a oportunidade de ministrar a palestra “Introdução à Smart Cities com ênfase em Educação” no evento EduTech 2021.

Nele incluí um tópico sobre ambientes de aprendizagem em uma cidade inteligente, os quais decidi compartilhar um pouco mais em detalhes neste artigo que tem como base um artigo original chinês bastante interessante sobre este tema.

Introdução

Ambientes físicos e virtuais de aprendizagem são contextos sociais, psicológicos e pedagógicos em que a aprendizagem ocorre e que afetam o desempenho e as atitudes dos alunos. Eles envolvem professores, alunos, materiais de ensino e de avaliação, e tecnologia, bem como as interações entre esses elementos.

Os ambientes de aprendizagem devem ser considerados partes importantes de uma cidade, e ainda mais em uma cidade inteligente e interconectada – que possui dimensões de tecnologia, pessoas e instituições.

A cidade inteligente (smart city) é um novo conceito e um novo modo de promover a sabedoria do planejamento urbano, construção, gestão e serviço usando a Internet, computação em nuvem, big data, integração de informações geoespaciais e outras tecnologias de informação e comunicação (TIC) de nova geração para melhor utilizar os recursos em diferentes domínios urbanos.

Uma cidades inteligente no nível micro se concentra na criação de um ambiente habitável para os cidadãos, enquanto no nível macro se concentra na criação de um ambiente de desenvolvimento inovador, de melhoria contínua.

Nesse sentido, a aprendizagem inteligente desempenha um papel de liderança cultural para estimular a vitalidade para a inovação urbana e também fornece suporte científico para as experiências habitáveis ​​dos cidadãos.

E tal aprendizagem ocorre ao longo da vida do indivíduo em uma variedade de ambientes e situações diferentes, e não se limita apenas ao sistema educacional formal. A aprendizagem ao longo da vida cobre a aprendizagem formal, não formal e informal.

A aprendizagem formal é sempre organizada e estruturada, e tem objetivos de aprendizagem, que se realiza em instituições de ensino e formação. Para o aluno, ela é intencional e normalmente leva a diplomas e qualificações.

Por outro lado, a aprendizagem informal nunca é organizada, não tem um objetivo definido em relação aos resultados de aprendizagem e não é intencional da perspectiva do aluno. Ela ocorre no cotidiano, na família, no local de trabalho e assim por diante. A aprendizagem não formal é preferível em contraste com a aprendizagem formal, que também pode ser estruturada de acordo com arranjos educacionais e de treinamento, mas mais flexível.

Assim, a aprendizagem ao longo da vida inclui não apenas a aprendizagem em contextos formais, mas também a aprendizagem em diferentes contextos, como em casa, na escola, no local de trabalho, na comunidade, museus e outros. Tais aprendizagens devem promover a inclusão, a prosperidade e sustentabilidade das cidades.

Para uma cidade se tornar mais inteligente, é necessário ter uma visão de toda a cidade e inspecionar os papéis de apoio dos vários tipos de ambientes de aprendizagem na aprendizagem dos cidadãos.

Ambientes de aprendizagem

Grupos de diferentes estágios de idade têm diferentes tarefas e atividades de desenvolvimento. Na infância, as atividades de desenvolvimento incluem jogos e interações com os pais e outras pessoas.

  • Na infância e na adolescência, as tarefas de desenvolvimento incluem aceitar a educação formal, desenvolver habilidades e conceitos de conhecimento e desenvolver relações com pais, empresas e professores.
  • Na idade adulta, as tarefas de desenvolvimento incluem escolha de carreira, adaptação e desenvolvimento, construção e manutenção de famílias.
  • No período da terceira idade, as tarefas de desenvolvimento incluem a adaptação à aposentadoria e às mudanças familiares e o estabelecimento de contato com outros idosos.

Os campos de atividades principais podem refletir as características da aprendizagem ao longo da vida até certo ponto; eles podem incluir famílias, escolas, comunidades, locais de trabalho, locais públicos e assim por diante, conforme mostrado na Tabela 1.

Em diferentes ambientes de aprendizagem, pessoas com tarefas de desenvolvimento e características semelhantes podem interagir com os fatores circundantes no processo de aprendizagem. As pessoas também podem fazer uso dos recursos de conteúdo, ferramentas técnicas, métodos de aprendizagem e a comunidade de relacionamento, que pode ser o pano de fundo geral do contexto do ambiente físico e social.

Ambientes de aprendizagem referem-se aos diversos locais físicos e virtuais, contextos e culturas, nos quais os alunos aprendem, eles podem ser, como salas de aula, locais de trabalho, laboratórios, museus, locais naturais, meios de transporte, a própria casa, espaços de co-working e co-living e outros.

Assim, ambientes de aprendizagem em uma cidade incluem principalmente ambiente de aprendizagem escolar, ambiente de aprendizagem familiar, ambiente de aprendizagem comunitário, ambiente de aprendizagem no local de trabalho e ambiente de aprendizagem em espaço público, como por exemplo em museu. Veja a figura que segue.

Ambientes de aprendizagem inteligentes

Ambientes de aprendizagem inteligente são baseados na tecnologia de comunicação da informação, centrados nos alunos e com as seguintes características: o ambiente pode se adaptar ao estilo de aprendizagem e capacidade de aprendizagem de diversos alunos; pode apoiar os alunos para a aprendizagem ao longo da vida; pode apoiar os alunos no seu desenvolvimento. O ambiente de aprendizagem inteligente é um ambiente digital de alto nível, aprimorado para promover uma aprendizagem melhor e mais rápida. Ele pode oferecer suporte a aprendizagem fácil, envolvente e eficaz – em qualquer lugar, a qualquer hora, de qualquer maneira e em qualquer ritmo – que pode contar com a orientação necessária de forma ativa com dicas, ferramentas de apoio ou sugestões para alunos.

Ambiente de aprendizagem escolar

Durante toda a vida, a educação escolar confere às pessoas uma influência geral, sistemática e profunda, e esse período é um processo importante para a aprendizagem e a autoformação das pessoas.

Com a integração da tecnologia à educação, um número crescente de pesquisadores tem se concentrado em um ambiente de aprendizagem em sala de aula inteligente e novas formas de ambiente de aprendizagem em sala de aula, como ambiente de aprendizagem em sala de aula invertida nos últimos anos.

Ambiente familiar de aprendizagem

A família, como primeiro grupo de indivíduos, fornece as condições mais básicas para a socialização, para a aprendizagem básica e o desenvolvimento cognitivo das pessoas.

O ambiente de aprendizagem familiar consiste em uma série de características, incluindo estimulação da linguagem, materiais de aprendizagem disponíveis em casa, como livros e computadores, bem como comportamentos dos pais, como envolver as crianças em atividades de aprendizagem e proporcionar às crianças experiências de aprendizagem.

Além disso, pessoas de todas as idades podem estudar em casa para apoiar sua aprendizagem escolar, trabalho, desenvolvimento pessoal ou familiar etc.

Ambiente de aprendizagem da comunidade

A comunidade é a unidade social básica e a base vital para os membros sociais majoritários, com múltiplas funções, incluindo política, economia, cultura e gestão social.

As comunidades desempenham um papel importante no apoio à aprendizagem e ao ensino de conhecimentos e habilidades confiança que ocorrem fora das escolas e às atividades de educação cultural nas comunidades, que têm influência significativa sobre os adolescentes, adultos e idosos.

Ambiente de aprendizagem no local de trabalho

O desenvolvimento das tarefas de trabalho, a promoção do desempenho, o treinamento no local de trabalho e assim por diante, têm um papel importante na promoção do desenvolvimento individual dos funcionários em serviço, e o ambiente de aprendizagem no local de trabalho é um dos campos importantes para as atividades de aprendizagem de adultos.

Este ambiente inclui a criação de oportunidades de aprendizagem contínua, promoção da equidade e do diálogo, apoio aos indivíduos na manutenção de uma abertura para novas experiências e reflexão e tradução da aprendizagem em prática, incentivando a aprendizagem e colaboração em equipe, capacitar as pessoas para uma visão coletiva e conectar a organização ao seu ambiente.

As novas tecnologias têm um valor muito importante para a aprendizagem no local de trabalho, por eliminar o conflito entre o tempo de trabalho e o tempo de aprendizagem, e beneficia os funcionários com a aprendizagem informal e com o bom hábito de aprender a qualquer hora e em qualquer lugar.

Ambiente de aprendizagem de museus

Em locais públicos, as pessoas podem realizar várias atividades sociais, como trabalho, aprendizagem, cultura, comunicação social, entretenimento, esportes, descanso e viagens, e o ambiente de aprendizagem em locais públicos é uma parte importante constituinte dos ambientes de aprendizagem para os cidadãos.

É uma janela para refletir as condições materiais sociais e a civilização espiritual de um país ou nação.

A estrutura de avaliação e sistema de indicadores

Cinco ambientes de aprendizagem típicos fornecem o espaço e a atmosfera para as pessoas aprenderem em uma cidade, o que é essencial para cultivar talentos criativos para lidar com todas as inovações na cidade inteligente.

Com base no que foi exposto acima, foi construído um quadro de avaliação e sistema de indicadores. No sistema de indicadores, existe um indicador para cada tipo de ambiente de aprendizagem, e cada indicador possui alguns indicadores de subnível a ele relacionados, mostrados na Tabela 2.

Considerações Finais

Este artigo mostrou um pouco sobre a relação entre os temas educação e smart cities.

Para conhecer um pouco mais sobre cidades inteligentes, te convido a acessar os links indicados nas referências abaixo.

Se gostou do artigo, por favor, compartilhe.

Sobre mim: aqui, Contato: aqui.

Abraço, @neigrando

Referências

Este artigo foi traduzido, reduzido e adaptado do original, em inglês, “Smart learning environments for a smart city: from the perspective of lifelong and lifewide learning”, de Rongxia Zhuang, Haiguang Fang, Yan Zhang, Aofan Lu & Ronghuai Huang (2017).

A palestra que comentei no início deste artigo, contemplou parte do conteúdo de mais três artigos adicionais sobre Cidades Inteligentes, a saber:

Para melhores decisões: Use Algoritmos

Iniciando com um resumo: O surgimento da tomada de decisão algorítmica é uma coisa boa? Parece haver um quadro crescente de autores, acadêmicos e jornalistas que responderia negativamente. No cerne deste trabalho está a preocupação de que os algoritmos são frequentemente ferramentas opacas, tendenciosas e inexplicáveis ​​utilizadas no interesse do poder institucional. Essas críticas e investigações costumam ser perspicazes e esclarecedoras, e fizeram um bom trabalho em nos desiludir da noção de que algoritmos são puramente objetivos. Mas há um padrão entre esses críticos, que raramente perguntam se os sistemas que analisam funcionariam bem sem algoritmos. E essa é a questão mais relevante para profissionais e formuladores de políticas: como o viés e o desempenho dos algoritmos se comparam aos dos seres humanos? Não é segredo que os algoritmos são tendenciosos. Mas os humanos que eles estão substituindo são significativamente mais tendenciosos. Afinal, de onde vêm os preconceitos institucionais se não dos humanos que tradicionalmente estiveram no comando?

Uma revolução silenciosa está ocorrendo

Em contraste com grande parte da cobertura da imprensa sobre inteligência artificial, essa revolução não é sobre a ascensão de um exército androide consciente. Em vez disso, é caracterizado por um aumento constante na automação de processos de decisão tradicionalmente baseados em humanos em todas as organizações em todo o país. Embora avanços como AlphaGo Zero tornem as manchetes cativantes, é o aprendizado de máquina bastante convencional e as técnicas estatísticas – mínimos quadrados comuns, regressão logística, árvores de decisão – que estão agregando valor real aos resultados financeiros de muitas organizações. As aplicações do mundo real variam de diagnósticos médicos e sentenças judiciais a recrutamento profissional e alocação de recursos em órgãos públicos.

Esta revolução é uma coisa boa? Parece haver um quadro crescente de autores, acadêmicos e jornalistas que responderia negativamente. Os títulos de livros desse gênero incluem “Weapons of Math Destruction“, “Automating Inequality” e “The Black Box Society“. Também houve uma enxurrada de artigos de formato longo, como “Machine Bias“, “Austerity Is an Algorithm” e “Are Algorithms Building the New Infrastructure of Racism?” No cerne deste trabalho está a preocupação de que os algoritmos são frequentemente ferramentas opacas, tendenciosas e inexplicáveis ​​utilizadas no interesse do poder institucional. Então, até que ponto devemos nos preocupar com a ascensão moderna dos algoritmos?

Essas críticas e investigações são frequentemente perspicazes e esclarecedoras, e fizeram um bom trabalho em nos desiludir da noção de que algoritmos são puramente objetivos. Mas há um padrão entre esses críticos, que raramente perguntam se os sistemas que analisam funcionariam bem sem algoritmos. E essa é a questão mais relevante para profissionais e formuladores de políticas: como o viés e o desempenho dos algoritmos se comparam ao status quo? Em vez de simplesmente perguntar se os algoritmos têm falhas, devemos perguntar como essas falhas se comparam às dos seres humanos.

O que a pesquisa diz?

Há um grande número de pesquisas sobre tomada de decisão algorítmica que remonta a várias décadas. E todos os estudos existentes sobre esse tópico têm uma conclusão notavelmente semelhante: os algoritmos são menos tendenciosos e mais precisos do que os humanos que estão substituindo. Abaixo está uma amostra da pesquisa sobre o que acontece quando algoritmos recebem o controle de tarefas tradicionalmente realizadas por humanos:

  • Em 2002, uma equipe de economistas estudou o impacto dos algoritmos de subscrição automatizados no setor de empréstimos hipotecários. Suas principais descobertas foram “que os sistemas [de subscrição automatizada] preveem com mais precisão a inadimplência do que os subscritores manuais” e “que essa maior precisão resulta em taxas de aprovação de mutuários mais altas, especialmente para candidatos mal atendidos”. Em vez de marginalizar os compradores residenciais tradicionalmente mal atendidos, o sistema algorítmico, na verdade, beneficiou mais esse segmento de consumidores.
  • Uma conclusão semelhante foi alcançada por Bo Cowgill, da Columbia Business School, quando estudou o desempenho de um algoritmo de seleção de empregos em uma empresa de software (pesquisa futura). Quando a empresa implementou o algoritmo para decidir quais candidatos deveriam obter entrevistas, o algoritmo na verdade favoreceu os candidatos “não tradicionais” muito mais do que os rastreadores humanos. Em comparação com os humanos, o algoritmo exibiu significativamente menos preconceito contra candidatos que estavam sub-representados na empresa (como aqueles sem referências pessoais ou diplomas de universidades de prestígio).
  • No contexto das audiências de fiança pré-julgamento da cidade de Nova York, uma equipe de proeminentes cientistas da computação e economistas determinou que os algoritmos têm o potencial de alcançar decisões significativamente mais equitativas do que os juízes que atualmente tomam decisões sobre fiança, com “reduções nas taxas de prisão [de ] até 41,9% sem aumento nas taxas de criminalidade.” Eles também descobriram que em seu modelo “todas as categorias de crime, incluindo crimes violentos, mostram reduções [nas taxas de prisão]; e esses ganhos podem ser alcançados ao mesmo tempo em que reduz as disparidades raciais”.
  • A revista New York Times publicou recentemente uma longa história para responder à pergunta: “Um algoritmo pode dizer quando as crianças estão em perigo?” Acontece que a resposta é “sim” e que os algoritmos podem realizar essa tarefa com muito mais precisão do que os humanos. Em vez de exacerbar os preconceitos raciais perniciosos associados a alguns serviços do governo, “a experiência de Allegheny sugere que sua ferramenta de triagem é menos ruim para avaliar preconceitos do que os rastreadores humanos”.
  • Por fim, examinando dados históricos sobre empresas de capital aberto, uma equipe de professores de finanças começou a construir um algoritmo para escolher os melhores membros do conselho para uma determinada empresa. Os pesquisadores não apenas descobriram que as empresas teriam um desempenho melhor com membros do conselho selecionados por algoritmos, mas em comparação com o algoritmo proposto, eles “descobriram que as empresas [sem algoritmos] tendem a escolher conselheiros que têm muito mais probabilidade de serem homens, têm uma grande rede , tem muita experiência em conselhos, atualmente serve em mais conselhos e tem experiência em finanças”.

Em cada um desses estudos de caso, os cientistas de dados fizeram o que parece uma coisa alarmante: eles treinaram seus algoritmos em dados passados ​​que certamente são influenciados por preconceitos históricos. Então, o que está acontecendo aqui? Como é possível que em tantas áreas diferentes – aplicativos de crédito, triagens de empregos, justiça criminal, alocação de recursos públicos e governança corporativa – os algoritmos possam reduzir o preconceito, quando muitos comentaristas nos dizem que os algoritmos deveriam fazer o oposto?

Seres humanos são tomadores de decisão notavelmente ruins

Um segredo não tão oculto por trás dos algoritmos mencionados acima é que eles realmente são tendenciosos. Mas os humanos que eles estão substituindo são significativamente mais tendenciosos. Afinal, de onde vêm os preconceitos institucionais se não dos humanos que tradicionalmente estiveram no comando?
Mas os humanos não podem ser tão ruins, certo? Sim, podemos ser tendenciosos, mas certamente há alguma medida de desempenho em que somos bons tomadores de decisão. Infelizmente, décadas de pesquisa psicológica em julgamento e tomada de decisão demonstraram repetidamente que os humanos são notavelmente maus julgadores de qualidade em uma ampla gama de contextos. Graças ao trabalho pioneiro de Paul Meehl (e trabalho de acompanhamento de Robyn Dawes), sabemos desde pelo menos os anos 1950 que modelos matemáticos muito simples superam supostos especialistas em prever resultados importantes em ambientes clínicos.

Em todos os exemplos mencionados acima, os humanos que costumavam tomar decisões eram tão ruins que substituí-los por algoritmos aumentava a precisão e reduzia os preconceitos institucionais. Isso é o que os economistas chamam de melhoria de Pareto, em que uma política vence a alternativa em todos os resultados com que nos importamos. Embora muitos críticos gostem de sugerir que as organizações modernas buscam a eficiência operacional e maior produtividade em detrimento da equidade e justiça, todas as evidências disponíveis nesses contextos sugerem que não existe tal compensação: os algoritmos oferecem resultados mais eficientes e mais equitativos. Se algo deveria alarmar você, deveria ser o fato de que tantas decisões importantes estão sendo tomadas por seres humanos que sabemos serem inconsistentes, tendenciosos e extremamente ruins.

Melhorando o Status Quo

É claro que devemos fazer todo o possível para erradicar o preconceito institucional e sua influência perniciosa nos algoritmos de tomada de decisão. As críticas à tomada de decisão algorítmica geraram uma rica nova onda de pesquisas em aprendizado de máquina que leva mais a sério as consequências sociais e políticas dos algoritmos. Existem novas técnicas emergentes em estatística e aprendizado de máquina que são projetadas especificamente para abordar as preocupações em torno da discriminação algorítmica. Há até uma conferência acadêmica todos os anos em que os pesquisadores não apenas discutem os desafios éticos e sociais do aprendizado de máquina, mas também apresentam novos modelos e métodos para garantir que os algoritmos tenham um impacto positivo na sociedade. Este trabalho provavelmente se tornará ainda mais importante à medida que algoritmos menos transparentes, como o aprendizado profundo, se tornarem mais comuns.

Mas mesmo que a tecnologia não consiga resolver totalmente os males sociais do preconceito institucional e da discriminação preconceituosa, as evidências analisadas aqui sugerem que, na prática, ela pode desempenhar um papel pequeno, mas mensurável, na melhoria do status quo. Este não é um argumento para absolutismo algorítmico ou fé cega no poder das estatísticas. Se descobrirmos em alguns casos que os algoritmos têm um grau inaceitavelmente alto de viés em comparação com os processos de tomada de decisão atuais, então não há mal nenhum em seguir as evidências e manter o paradigma existente. Mas o compromisso de seguir as evidências tem um viés e devemos estar dispostos a aceitar que – em alguns casos – os algoritmos farão parte da solução para reduzir os vieses institucionais.

Portanto, da próxima vez que você ler uma manchete sobre os perigos do viés algorítmico, lembre-se de olhar no espelho e lembre-se de que os perigos do viés humano são provavelmente ainda piores.

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

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

Sobre mim: aqui, Contato: aqui.

Referências

Observação: Este artigo trata-se de uma versão traduzida e adaptada do artigo original:

  • Want Less-Biased Decisions? Use Algorithms, by Alex P. Miller (HBR, July 2018)

Alguns livros interessantes sobre IA:

  • LEE, Kai-Fu. AI Super-Powers: China, Silicon Valley, New World Order.
  • BOSTROM, Nick. Superinteligência: Caminhos, perigos e estratégias para um novo mundo.

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: