Inteligência Artificial: a galera comenta, mas ainda não entendi.

Era uma vez um executivo que analisava os dados através de um relatório gerado a partir de informações referentes as vendas do último mês, trimestre, semestre ou ano. 

Nos últimos 10 anos a Inteligência Artificial – IA, trouxe vantagens incríveis e empolgantes, estimulando startups a lançar novos produtos e plataformas, por vezes, até competindo com grandes empresas. 

Existem alguns significados para IA, assim como, para a palavra inteligência, mas de forma geral podemos afirmar que Inteligência Artificial é:  

“Uma ferramenta construída para ajudar ou substituir o pensamento humano. É um programa de computador, que pode estar numa base de dados ou num computador pessoal ou embutido num dispositivo como um robô, que mostra sinais externos de que é inteligente — como habilidade de adquirir e aplicar conhecimento e agir com racionalidade neste ambiente

(URWIN, 2016).” 

Uma explicação é que a IA é uma subárea da Ciência da Computação podendo gerar autonomia (capacidade de executar tarefas em ambientes complexos sem orientação constante de um usuário) e adaptabilidade (capacidade de melhorar o desempenho aprendendo com a experiência). 

A Inteligência Artificial possui alguns tópicos relacionados: 

Aprendizado de máquina (Machine Learning) – é uma subárea de Inteligência Artificial e tem como objetivo melhorar o desempenho de uma determinada tarefa adquirindo cada vez mais e mais experiências. 

Aprendizado profundo (Deep Learning) – subárea do Aprendizado de Máquina e refere-se à complexidade de um modelo matemático.  

“Os produtos de aprendizagem profunda identificam a probabilidade de algo pertencer a uma classe: por exemplo, “80% de chance de que isso seja uma vaca” (qualitativo) em vez do “retorno esperado = 12,5%” (quantitativo). Com a aprendizagem profunda, o treinamento geralmente leva muitos dias de tempo de computador. Depois de concluído, apenas pequenas modificações são possíveis e todo o treinamento deve ser executado novamente para acomodar novos dados. Os erros de saída causados por erros nos dados de entrada são extremamente difíceis de corrigir, porque as correlações geralmente são invisíveis para os humanos (POPKIN e MCMULLEN, 2018). “

Ciência de dados (Data Science) – trata-se de um termo recente e abrange várias subdisciplinas como: aprendizado de máquina; matemática e estatística; ciência da computação (algoritmos, armazenamento de dados e programação). Além disso, ciência de dados requer compreensão do ambiente de negócios que está inserida. As soluções de ciência de dados geralmente envolvem um pouco de Inteligência Artificial. 

Para que a empresa seja realmente competitiva, é necessário realizar uma reengenharia da arquitetura de sistemas da empresa ou da Inteligência Artificial para que ela seja escalável dentro das empresas, com isso, alcançar eficiência e inovações que antes eram impossíveis e incapazes de fornecerem valor. 

Mas aí a seguinte pergunta deve ser feita para “o tiro não sair pela culatra”: 

Existem dados suficientes?  

Os dados precisam ser bons para que a solução seja viável comercialmente. Porém, “suficientemente bons” pode ter como base a regulamentação (para que a IA faça diagnósticos médicos, é preciso atender a padrões governamentais) e usabilidade (o chatbot tem que funcionar corretamente para que os usuários recebem da máquina respostas satisfatórias antes de terem que falar com uma pessoa da central de atendimento). Portanto, um obstáculo é a quantidade de tempo e esforço necessários para criar ou acessar dados suficientes para a geração de previsões boas o bastante. 

Importante ficar atento a possíveis anomalias, pois, assim como o ser humano, a IA pode ter comportamentos diferentes do habitual. Quanto mais sofisticado for o aplicativo de IA, mais poder para realizar o bem ou o mal existirá. Quanto maior o valor de negócios que um aplicativo de IA pode criar, maiores os danos que ele pode causar se mal gerenciado. Logo, você pode se meter em sérios problemas! 

Podemos ou não confiar na Inteligência Artificial para tomada de decisões automáticas?  

De quem será a culpa por um acidente com um carro autônomo?

Os algoritmos podem gerar resultados que serão incompreensíveis e socialmente inaceitáveis. Muitos defendem que a Inteligência Artificial é a resposta para diversos problemas da sociedade, porém, pessoas como Elon Musk declara que “IA é uma ameaça existencial para a vida na Terra”. 

Bem, cada um escolhe, ou não, como lidar com a Inteligência Artificial. 

REFERÊNCIAS 

AGRAWAL, Ajay; GANS, Joshua; GOLDFARB, Avi. Como vencer com o machine learning. Harvard Business Review. 9 de outubro de 2020  

BRETHENOUX, Erick. Primer de Inteligência Artificial para 2020. Gartner. 24 de janeiro de 2020 

CHEATHAM, Benjamin; COSMAS, Alex; MEHTA, Nehal; SHAH, Dhruv. How to build AI with (and for) everyone in your organization. Publicado em 04/05/2020. Disponível em: <https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-to-build-ai-with-and-for-everyone-in-your-organization> Acesso em 25 de outubro de 2020. 

POPKIN, Jamie; MCMULLEN, Leigh. An Artificial Intelligence Reality. Gartner. 2018 

URWIN R. Artificial Intelligence: The Quest for the Ultimate Thinking Machine. London: Arcturus, 2016  

VEALE, Michael; BURT, Andrew; WILLIAMS, Rebecca. Machine Learning no mundo real. InfoQ 

Linkedin da professora: https://www.linkedin.com/in/lindythiengo/

#IA #dados #AI