Como é a Tomada de Decisão orientada pela IA

Dando sequência a série de artigos que decidi compartilhar sobre a importância do uso da Inteligência Artificial (IA) na transformação digital das organizações, preparei este post com base em um conteúdo que acho extremamente relevante sobre o tema. As informações que seguem consideram a importância do uso dos dados abundantes que atualmente temos disponíveis (Big Data), a importância que eles têm para que os líderes e gestores das organizações possam tomar decisões de qualidade que vão além de poucas variáveis e a intuição, bem como o uso do poder da IA como parceira nessas questões estratégicas e táticas, pois como vimos em artigos anteriores, nas questões operacionais ela pode até decidir por si só.

Um número mais que considerável de empresas se adaptaram a uma abordagem “orientada a dados” para a tomada de decisões operacionais. Os dados podem melhorar as decisões, mas requer o processador certo para obter o máximo destes dados. Aqui, a maioria das pessoas ainda assumem que o processador é humano, onde o termo “orientado a dados” implica até que os dados sejam selecionados e resumidos para as pessoas processarem.

Mas, para alavancar totalmente o valor contido nos dados, as empresas precisam trazer a Inteligência Artificial (IA) para seus fluxos de trabalho e, às vezes, até mesmo, tirar os humanos do caminho, precisamos evoluir de fluxos de trabalho orientados a dados para orientados por IA.

A distinção entre “orientado a dados” e “orientado a IA” não é apenas semântica. Cada termo reflete ativos diferentes, o primeiro com foco em dados e o segundo com capacidade de processamento. Os dados contêm os insights que podem permitir melhores decisões; o processamento é a maneira de extrair essas ideias e executar ações. Humanos e IA são processadores, com habilidades muito diferentes. Para entender a melhor forma de alavancar cada um, é útil revisar nossa própria evolução biológica e como a tomada de decisões evoluiu na indústria.

Entre cinquenta a setenta e cinco anos atrás, o julgamento humano era o processador central da tomada de decisões de negócios. Os profissionais confiaram em suas intuições altamente ajustadas, desenvolvidas a partir de anos de experiência e uma quantidade relativamente pequena de dados em seu domínio, para, por exemplo, escolher as ideias criativas certas para uma campanha publicitária, determinar os níveis de estoque certos para estocar ou aprovar os investimentos financeiros certos. A experiência e o instinto eram a maior parte do que estava disponível para discernir o bem do mal, o alto do baixo e o arriscado versus o seguro.

Talvez fosse humano demais. Nossas intuições estão longe de serem os instrumentos ideais para a tomada de decisão. Nossos cérebros são infligidos por muitos vieses cognitivos que prejudicam nosso julgamento de maneiras previsíveis. Este é o resultado de centenas de milhares de anos de evolução em que, como primeiros caçadores-coletores, desenvolvemos um sistema de raciocínio que se baseia em heurísticas simples – atalhos ou regras práticas que contornam o alto custo do processamento de muitas informações. Isso permitiu decisões rápidas (intuitivas), quase inconscientes, para nos livrar de situações potencialmente perigosas. No entanto, “rápido e quase inconsciente” nem sempre significava o ideal ou mesmo a precisão.

Imagine um grupo de nossos ancestrais caçadores-coletores amontoados em volta de uma fogueira quando um arbusto próximo sussurra de repente. É necessário tomar uma decisão do tipo “rápido e quase inconsciente”: concluir que é um predador perigoso e fugir, ou solicitar mais informações para ver se é uma presa em potencial – digamos, um coelho que possa fornecer nutrientes ricos. Nossos ancestrais mais impulsivos – aqueles que decidiram fugir – sobreviveram a uma taxa mais alta do que seus pares mais curiosos. O custo do voo e a perda de um coelho era muito menor do que o custo de ficar por perto e arriscar perder a vida para um predador. Com tal assimetria nos resultados, a evolução favorece a característica que leva a consequências menos dispendiosas, mesmo com o sacrifício da precisão. Portanto, a característica de tomada de decisão mais impulsiva e menos processamento de informações se tornou predominante na população descendente.

No contexto moderno, as heurísticas de sobrevivência tornam-se inúmeros vieses cognitivos pré-carregados em nossos cérebros herdados. Esses vieses influenciam nosso julgamento e tomada de decisão de maneiras que se afastam da objetividade racional. Damos mais peso do que deveríamos a eventos vívidos ou recentes. Classificamos grosseiramente os sujeitos com estereótipos amplos que não explicam suficientemente suas diferenças. Ancoramos na experiência anterior, mesmo quando é completamente irrelevante. Tendemos a invocar explicações ilusórias para eventos que são realmente apenas ruídos aleatórios. Essas são apenas algumas das dezenas de maneiras pelas quais o viés cognitivo atormenta o julgamento humano e, por muitas décadas, foi o processador central da tomada de decisões de negócios. Agora sabemos que confiar apenas na intuição humana é ineficiente, caprichoso, falível e limita a capacidade da organização.

Tomada de decisão com suporte de dados

Graças a Deus, então, pelos dados. Os dispositivos conectados agora capturam volumes impensáveis de dados: toda transação, todo gesto do cliente, todo indicador micro e macroeconômico, todas as informações que podem fundamentar melhores decisões. Em resposta a esse novo ambiente rico em dados, adaptamos nossos fluxos de trabalho. Os departamentos de TI dão suporte ao fluxo de informações usando máquinas (bancos de dados, sistemas de arquivos distribuídos e similares) para reduzir os volumes incontroláveis de dados em resumos digeríveis para consumo humano. Os resumos são posteriormente processados por humanos, usando ferramentas como planilhas, painéis e aplicativos de análise. Eventualmente, os dados altamente processados e agora gerenciáveis e pequenos são apresentados para a tomada de decisões. Este é o fluxo de trabalho “orientado a dados”. O julgamento humano ainda é o processador central, mas agora usa dados resumidos como uma nova entrada.

Embora seja indubitavelmente melhor do que confiar apenas na intuição, os humanos que desempenham o papel de processador central ainda criam várias limitações.

  1. Não aproveitamos todos os dados. Os dados resumidos podem ocultar muitas das ideias, relacionamentos e padrões contidos no conjunto de dados original (grande). A redução de dados é necessária para acomodar a taxa de transferência de processadores humanos. Por mais que sejamos adeptos de digerir nosso ambiente, processando sem esforço grandes quantidades de informações ambientais, somos notavelmente limitados quando se trata de processar os dados estruturados manifestados como milhões ou bilhões de registros. A mente pode lidar com números de vendas e preço médio de venda acumulado até um nível regional. Ele entra em conflito ou é encerrado quando você começa a pensar na distribuição completa de valores e, crucialmente, nos relacionamentos entre elementos de dados – informações perdidas em resumos agregados, mas importantes para a tomada de decisões. (Isso não é para sugerir que os resumos de dados não sejam úteis. Com certeza, eles são ótimos, fornecendo visibilidade básica dos negócios. Mas fornecerão pouco valor para o uso na tomada de decisões. Muito se perde na preparação para seres humanos.) Em outros casos, os dados resumidos podem ser totalmente enganosos. Fatores de confusão podem dar a aparência de um relacionamento positivo quando, na verdade, é o contrário. E uma vez que os dados são agregados, pode ser impossível recuperar os fatores contribuintes para controlá-los adequadamente. (A melhor prática é usar ensaios clínicos randomizados, ou seja, testes A/B. Sem essa prática, mesmo a IA pode não ser capaz de controlar adequadamente fatores de confusão.) Em resumo, usando humanos como processadores centrais de dados, ainda precisamos de negociação para contornar o alto custo do processamento de dados humanos.
  2. Os dados não são suficientes para nos isolar do viés cognitivo. Os resumos de dados são dirigidos por seres humanos de uma maneira que é propensa a todos esses preconceitos cognitivos. Dirigimos a sumarização de uma maneira que é intuitiva para nós. Pedimos que os dados sejam agregados aos segmentos que consideramos serem arquétipos representativos. No entanto, temos essa tendência de classificar de forma grosseira os sujeitos que apresentam estereótipos amplos que não explicam suficientemente suas diferenças. Por exemplo, podemos acumular os dados em atributos como geografia, mesmo quando não há diferença discernível no comportamento entre as regiões. Os resumos também podem ser considerados como um “grão grosso” dos dados. É uma aproximação mais áspera dos dados. Por exemplo, um atributo como geografia precisa ser mantido em um nível de região onde há relativamente poucos valores (ou seja, “leste” versus “oeste”). O que importa pode ser melhor do que isso – cidade, CEP e até dados no nível da rua. É mais difícil agregar e resumir para o cérebro humano processar. Também preferimos relacionamentos simples entre elementos. Nós tendemos a pensar nos relacionamentos como lineares porque é mais fácil para nós processarmos. A relação entre preço e vendas, penetração no mercado e taxa de conversão, risco de crédito e receita – tudo é assumido linear mesmo quando os dados sugerem o contrário. Até gostamos de inventar explicações elaboradas para tendências e variações de dados, mesmo quando elas são explicadas de forma mais adequada por variações naturais ou aleatórias.

Infelizmente, estamos acomodando nossos vieses quando processamos os dados.

Trazendo a IA para o fluxo de trabalho

Precisamos evoluir ainda mais e trazer a IA para o fluxo de trabalho como um processador primário de dados. Para decisões de rotina que dependem apenas de dados estruturados, é melhor delegar as decisões à IA. A IA é menos propensa ao viés cognitivo humano. (Existe um risco muito real de usar dados tendenciosos que podem fazer com que a IA encontre relações ilusórias que são injustas. É necessário entender como os dados são gerados, além de como são usados.) A IA pode ser treinada para encontrar segmentos na população que melhor explica a variação nos níveis de finos de granularidade, mesmo que não sejam intuitivos para nossas percepções humanas. A IA não tem problemas em lidar com milhares ou até milhões de agrupamentos. E a IA é mais do que confortável em trabalhar com relacionamentos não lineares, sejam eles exponenciais, leis de potência, séries geométricas, distribuições binomiais ou outras.

Esse fluxo de trabalho aproveita melhor as informações contidas nos dados e é mais consistente e objetivo em suas decisões. Ele pode determinar melhor qual anúncio criativo é mais eficaz, os níveis ideais de inventário a serem definidos ou quais investimentos financeiros serão feitos.

Embora os humanos sejam removidos desse fluxo de trabalho, é importante observar que a mera automação não é o objetivo de um fluxo de trabalho orientado por IA. Claro, isso pode reduzir custos, mas isso é apenas um benefício incremental. O valor da IA ​​é tomar decisões melhores do que o que os humanos sozinhos podem fazer. Isso cria uma melhoria gradual na eficiência e permite novos recursos.

Aproveitando os processadores IA e Humanos no fluxo de trabalho

Remover humanos de fluxos de trabalho que envolvem apenas o processamento de dados da estrutura não significa que eles sejam obsoletos. Existem muitas decisões de negócios que dependem mais do que apenas dados estruturados. Declarações de visão, estratégias da empresa, valores corporativos, dinâmica de mercado são exemplos de informações disponíveis apenas em nossas mentes e transmitidas através da cultura e de outras formas de comunicação não digital. Essas informações são inacessíveis à IA e extremamente relevantes para as decisões de negócios.

Por exemplo, a IA pode determinar objetivamente os níveis de estoque corretos para maximizar os lucros. No entanto, em um ambiente competitivo, uma empresa pode optar por níveis mais altos de estoque, a fim de proporcionar uma melhor experiência ao cliente, mesmo à custa dos lucros. Em outros casos, a IA pode determinar que investir mais dinheiro em marketing terá o maior ROI entre as opções disponíveis para a empresa. No entanto, uma empresa pode optar por moderar o crescimento para manter os padrões de qualidade. As informações adicionais disponíveis para os seres humanos na forma ou estratégia, valores e condições de mercado podem merecer um afastamento da racionalidade objetiva da IA. Nesses casos, a IA pode ser usada para gerar possibilidades das quais os humanos podem escolher a melhor alternativa, dadas as informações adicionais às quais têm acesso. A ordem de execução desses fluxos de trabalho é específica do caso. Às vezes, a IA é a primeira a reduzir a carga de trabalho em humanos. Em outros casos, o julgamento humano pode ser usado como entrada para o processamento da IA. Em outros casos ainda, pode haver iteração entre a IA e o processamento humano.

A chave é que os humanos não estão interagindo diretamente com os dados, mas com as possibilidades produzidas pelo processamento dos dados pela IA. Valores, estratégia e cultura são a nossa maneira de conciliar nossas decisões com racionalidade objetiva. É melhor fazer isso explicitamente e totalmente informado. Ao alavancar a IA e os seres humanos, podemos tomar melhores decisões do que usar apenas uma delas.

A próxima fase da nossa evolução

Passar de orientado a dados para orientado a IA é a próxima fase de nossa evolução. Adotar a IA em nossos fluxos de trabalho permite um melhor processamento de dados estruturados e possibilita que humanos contribuam de maneiras complementares.

É improvável que essa evolução ocorra dentro da organização individual, assim como a evolução por seleção natural não ocorre dentro dos indivíduos. Pelo contrário, é um processo de seleção que opera em uma população. As organizações mais eficientes sobreviverão a taxas mais altas. Como é difícil para empresas maduras se adaptarem às mudanças no ambiente, suspeito que veremos o surgimento de novas empresas que adotam contribuições de IA e humanas desde o início e as incorporam nativamente em seus fluxos de trabalho.

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.

Referência:

  • What AI-Driven Decision Making Looks Like, by Eric Colson, Harvard Business Review, 2019.

Artigos Relacionados:

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:

Racionalidade Limitada e Vieses Cognitivos

A limitação da racionalidade procura compreender aspectos que influenciam a tomada de decisão do indivíduo baseada em sua limitação de informação. Essa teoria, desenvolvida primeiramente por Herbert Simon, propõe a complementação da racionalidade como “otimização”, que vê a tomada de decisão como um processo totalmente racional de encontrar uma opção ideal dada a informação disponível.

Para Herbert Simon, a racionalidade pessoal está limitada por três dimensões:

  1. A informação disponível;
  2. A limitação cognitiva da mente individual;
  3. O tempo disponível para tomada de decisão.

Herbert Simon assinala que a maioria das pessoas são só parcialmente racionais e que elas agem através de impulsos emocionais não totalmente racionais em muitas de suas ações.

Ao deparar-se com algum tipo de problema que seja mais complexo dos que ocorrem no dia a dia, a reação natural de todo indivíduo é reduzir o problema a um modelo que seja mais fácil de compreender. Isso ocorre devido à limitação na absorção de todas as informações e o tempo necessário para sintetizá-las e processá-las. Por isso, contenta-se com as decisões que sejam satisfatórias o suficiente e que atendam as devidas expectativas, porém a decisão tomada não necessariamente é a ideal.

Vieses Cognitivos

A limitação cognitiva se dá pelos vieses cognitivos, tendências psicológicas que levam o cérebro humano a tirar conclusões incorretas. Tais preconceitos são considerados uma forma de “atalho cognitivo”, geralmente baseado em regras práticas, e incluem erros no julgamento estatístico, na atribuição social e na memória. Esses vieses são um resultado comum do pensamento humano e muitas vezes distorcem drasticamente a confiabilidade de evidência anedótica e legal. O fenômeno é estudado em ciência cognitiva e psicologia social.

Existem dezenas de vieses cognitivos. Segue uma lista de 12 vieses mais comuns no processo decisório, conforme o quadro que resume o capítulo 2 do livro “Processo Decisório” de Max H. Bazerman e Don Moore.

Vieses Cognitivos no Processo Decisório

Vieses que emanam da Heurística da Disponibilidade

  1. Facilidade de lembrança – Indivíduos julgam que eventos que são mais facilmente recuperados da memória, com base na vivacidade ou recência, são mais numerosos do que os eventos de igual frequência cujas instâncias são menos facilmente lembradas.
  1. Recuperabilidade – Os indivíduos são tendenciosos em suas avaliações da frequência de eventos com base em como as suas estruturas de memória afetam o processo de pesquisa.

Vieses que emanam da Representatividade Heurística

  1. Insensibilidade aos índices básicos – Ao avaliar a probabilidade de eventos, as pessoas tendem a ignorar os índices básicos, caso qualquer outra informação descritiva seja fornecida, mesmo que seja irrelevante.
  1. Insensibilidade ao tamanho da amostra – Ao avaliar a confiabilidade das informações de amostra, os indivíduos frequentemente deixam de apreciar o papel do tamanho da amostra.
  1. Interpretações erradas da chance – Indivíduos esperam que uma sequência de dados gerados por um processo aleatório pareça “randômica”, mesmo quando a sequência é demasiadamente curta para essas expectativas sejam estatisticamente válidas.
  1. Regressão à média – Indivíduos tendem a ignorar o fato de que eventos extremos tendem a regredir à média em ensaios subsequentes.
  1. A falácia da conjunção – Indivíduos falsamente julgam que conjunções (dois eventos que ocorrem concomitantemente) são mais prováveis de acontecer do que um conjunto mais global de ocorrências do qual o conjunto é um subconjunto.

Vieses que emanam da Heurística da Confirmação

  1. A armadilha de confirmação – Os indivíduos tendem a buscar informações de confirmam o que eles acham que é verdade e deixam de procurar evidências que não confirmam.
  1. Ancoragem – Indivíduos fazem estimativas para valores com base em um valor inicial (derivado de eventos passados, a atribuição aleatória, ou qualquer informação estiver disponível) e, normalmente, fazem ajustes insuficientes a partir da âncora ao estabelecer um valor final.
  1. Vieses de eventos conjuntivos e disjuntivos – Indivíduos mostram uma tendência para superestimar a probabilidade de eventos conjuntivos e subestimar a probabilidade de eventos disjuntivos.
  1. O excesso de confiança – Os indivíduos tendem a ser excessivamente confiantes na infalibilidade de seus julgamentos ao responder a perguntas extremamente difíceis.
  1. Previsão retrospectiva (hindsight) e a maldição do conhecimento – Depois de descobrir se ou não um evento ocorreu, as pessoas tendem a superestimar o grau em que eles teriam previsto o resultado correto. Além disso, os indivíduos não conseguem ignorar informações que possuem, mas que os outros não tem ao prever o comportamento dos outros.

Considerações finais:

Ao tomar decisões, precisamos estar cientes de nossa racionalidade limitada, manifesta através de vieses cognitivos, padrões de distorção de julgamento que ocorrem em situações particulares, levando à distorção perceptual, julgamento pouco acurado, interpretação ilógica, ou o que é amplamente chamado de irracionalidade.

Mais detalhes sobre os vieses podem ser encontrados no capítulo 2 do livro de Bazerman & Moore.

“Nosso conhecimento só pode ser finito, mas nossa ignorância deve ser necessariamente infinita.  … Vale a pena lembrar que, embora haja uma vasta diferença entre nós no que diz respeito aos fragmentos que conhecemos, somos todos iguais no infinito de nossa ignorância.” – Karl Popper

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

Referências:

  • Baserman, Max H., & Moore, Don. (2010). Processo Decisório. Tradução de Daniel Vieira. Rio de Janeiro: Elsevier. p. 55-56.
  • Haselton, Martie G., Nettle Daniel, & Andrews Peter W. (2005). “The evolution of cognitive bias” in Buss DM (ed.). The Handbook of Evolutionary Psychology. Hoboken, NJ, US: John Wiley & Sons Inc. p. 724–746.
  • Simon, Herbert.(1957). “A Behavioral Model of Rational Choice” in Models of Man, Social and Rational: Mathematical Essays on Rational Human Behavior in a Social Setting. New York: Wiley.

Mais informações em:

Outros artigos relacionados: