Somos bombardeados com visões de uma IA superinteligente a dominar o mundo, mas será isso realista?
Nesta entrevista, o Dr. Eric Siegel, antigo professor da Universidade de Columbia, consultor líder em ML e autor de O Manual da IA: Dominar a Rara Arte da Implementação da Aprendizagem Automática, defende que a IA preditiva — também conhecida como aprendizagem automática empresarial — oferece um valor concreto que a IA generativa ainda não demonstrou.
Vamos explorar por que razão muitos projetos de ML falham e como colmatar o fosso entre as equipas de negócio e de dados. Descubra como as empresas utilizam o ML para enfrentar desafios do mundo real e obter uma vantagem competitiva.
Porque é que as pessoas acreditam erradamente que a IA se tornará tão capaz como os seres humanos — ou que poderá representar um risco mortal para a raça humana?
A realização dos desejos prometida pela inteligência artificial geral (AGI) — software capaz de executar qualquer tarefa intelectual que os seres humanos conseguem executar — é tão sedutora que é quase irresistível. Ao criarmos o poder supremo, alcançamos a satisfação máxima do ego enquanto cientistas e futuristas.
Ao construirmos um sistema que define os seus próprios objetivos e os persegue autonomamente com a mesma eficácia que uma pessoa, exteriorizamos a nossa vontade proativa, transplantando-a para um novo melhor amigo da humanidade, pelo qual sentimos a mais elevada consideração e com quem podemos potencialmente criar empatia. Ao criarmos uma nova forma de vida, concretizamos todo o potencial ainda não realizado das nossas máquinas de uso geral conhecidas como computadores. Ao recriarmo-nos, alcançamos a imortalidade.
Ao criarmos uma solução única para todos os problemas, transcendemos qualquer medida de recompensa financeira para obter riqueza infinita. Richard Heimann, líder de pensamento e executivo na área do ML, chama a isto a falácia da solução única. Em vez de resolvermos os muitos problemas do mundo um de cada vez, resolvemo-los todos de uma só vez com a solução milagrosa definitiva.
Não precisamos de nos preocupar com questões globais como as alterações climáticas, a instabilidade política, a pobreza ou as crises de saúde. Em vez disso, assim que um ser humano artificial passar a existir, continuará a desenvolver-se para se tornar tão capaz de resolver problemas quanto a raça humana alguma vez poderia ser.
Qual é uma boa estratégia para colmatar o fosso que separa os profissionais de negócio dos profissionais de dados, o qual impede habitualmente o sucesso do ML?
Eis o problema. O ML é a tecnologia de aplicação geral mais poderosa do mundo. No entanto, o ML só pode melhorar operações de grande escala alterando-as. Por isso, um projeto de ML não deve ser encarado como “um projeto tecnológico”. Em vez disso, para produzir impacto, deve ser reformulado como um projeto empresarial destinado a melhorar o desempenho operacional, tendo o ML apenas como um componente — necessário, mas não suficiente.
Com a atenção concentrada quase exclusivamente na componente técnica e na sua execução, o setor não conseguiu estabelecer uma prática empresarial amplamente adotada para executar a outra metade essencial de um projeto de ML bem-sucedido. Como resultado, as novas iniciativas de ML falham habitualmente na implementação.
A minha solução para isto é o bizML, uma disciplina em seis etapas para gerir um projeto de ML de modo a que seja implementado com sucesso. Pode ler mais sobre este tema no meu livro mais recente.
Como explica o facto de a maioria dos projetos empresariais de ML não conseguir ser implementada, enquanto alguns poucos têm um sucesso extraordinário?
A causa principal da maioria das falhas dos projetos de ML é a falta de um planeamento rigoroso da implementação — o planeamento da mudança operacional que a integração de um modelo preditivo iria desencadear. Uma vez que o mundo encara os projetos de ML como projetos técnicos que envolvem os cálculos numéricos mais avançados, presume-se que o projeto técnico irá gerar valor. Esta é uma conceção profundamente errada.
O valor só é obtido através da *alteração* — e, consequentemente, da melhoria — das operações de grande escala, orientadas pelas previsões fornecidas por um modelo de ML.
Tem uma avaliação contrária ao entusiasmo excessivo em torno da inteligência artificial e à razão pela qual quase ninguém pergunta — ou mede — quão boa é a tecnologia de IA?
São duas questões diferentes. Quanto ao entusiasmo, a narrativa popular é que estamos a caminhar em direção à AGI. Isto é um mito. É o romance que Mary Shelly teria escrito se soubesse da existência de algoritmos.
Quanto à razão pela qual não medimos quão *boa* é a IA — o seu desempenho quantitativo e o valor empresarial que poderia gerar, dependendo da forma como é implementada —, o foco está equivocado.
Author's Tip
“Ao avaliar modelos de ML, os cientistas de dados concentram-se quase inteiramente em métricas técnicas como precisão, revocação e ganho, uma espécie de multiplicador preditivo (por outras palavras, quantas vezes melhor do que adivinhar é a previsão do modelo?). Mas estas métricas são manifestamente insuficientes. Indicam o desempenho relativo de um modelo preditivo — em comparação com uma referência, como uma previsão aleatória —, mas não fornecem uma leitura direta do valor empresarial absoluto de um modelo. Até a métrica mais comum e mais utilizada, a exatidão, se enquadra nesta categoria. (Além disso, é geralmente inadequada e, muitas vezes, enganadora.)
Em vez disso, o foco deve estar nas métricas empresariais — como receitas, lucro, poupanças e número de clientes adquiridos. Estas métricas simples e relevantes avaliam as noções fundamentais de sucesso. Estão diretamente relacionadas com os objetivos empresariais e revelam o verdadeiro valor das previsões imperfeitas produzidas pelo ML. São essenciais para construir uma ponte há muito necessária entre as equipas de negócio e de ciência de dados.
Infelizmente, os cientistas de dados omitem regularmente as métricas empresariais dos relatórios e das discussões, apesar da sua importância. Em vez disso, as métricas técnicas dominam a prática de ML — tanto no que diz respeito à execução técnica como à comunicação dos resultados às partes interessadas.”
MIT Sloan Management Review
Como estão as organizações a utilizar ativamente a aprendizagem automática para potenciar as operações e criar vantagem competitiva em vários setores?
O ML promove a inovação de uma forma simples, embora disruptiva. Não deixe que o brilho emanado por esta tecnologia vistosa obscureça a simplicidade da sua função fundamental: na maioria das aplicações empresariais, o objetivo do ML é emitir previsões acionáveis — e é por isso que também é por vezes designado por análise preditiva ou IA preditiva.
Embora aprender com dados para gerar um modelo preditivo mereça tanta admiração e deslumbramento como qualquer outro feito científico ou de engenharia, essa capacidade traduz-se em valor tangível de uma forma simples: o modelo gera pontuações preditivas que, por sua vez, orientam milhões de decisões operacionais.
Desta forma, o ML combate alguns dos nossos riscos mais significativos — incluindo incêndios florestais, alterações climáticas, pandemias e abuso infantil. Aumenta as vendas, reduz os custos, evita fraudes, otimiza a produção e reforça os cuidados de saúde.
Para mais entrevistas esclarecedoras, subscreva o boletim informativo do The CTO Club.
