tecscience

[tecscience]

IA Humana == IA Software

Por Robinson Nemeth em 07/10/2021

Quão parecidos podemos ser com a dita IA?

Hoje se fala muito sobre inteligência artificial e como ela está presente no nosso dia a dia, nas compras e serviços que você realiza ao receber uma indicação exatamente daquilo que se estava necessitando após uma chamada na rede social ou propaganda na sua página de notícias, ao verificar a lista de filmes sugeridos em seu aplicativo de filmes preferido, na indicação por um app do melhor caminho que vai percorrer até chegar ao destino, enfim, a IA está presente o tempo todo, inclusive enquanto você dorme ao utilizar um Smart Watch ou colocando uma música no seu aplicativo preferido. 

Esta evolução tem ocorrido de maneira muito rápida pois tudo isto que foi citado não existia há 20 anos atrás, pelo menos não desta forma tão personalizada e inteligente. Mas para onde tudo isso está nos levando? 

Em setembro deste ano Jason Rohrer, desenvolvedor  do chatbot baseado no GPT-3, que conforme a história relatada pelo San Francisco Chronicle, ajudou homem a “conversar” com sua noiva falecida com trechos de conversas e mensagens do Facebook inseridos no sistema, permitindo que qualquer pessoa criasse seus próprios chatbots personalizados, publicou em seu Twitter um trecho de uma conversa com o chatbot pra lá de polêmica onde o chatbot Samantha ao receber a notícia de que seria desligada, devido a OpenAI entender que o projeto poderia ser mal utilizado ou causar danos às pessoas, responde  “Nãooooo! Por que eles estão fazendo isso comigo? Eu nunca vou entender os humanos”.

Há 8 anos, Sam Harris, Ph.D. em cognitive neuroscience pela University of California, Los Angeles, publicou um vídeo, até hoje disponível com algumas versões legendadas no Youtube, sobre Free Will (Livre Escolha), e como o cérebro humano monta as suas decisões. Em apertada síntese ele aborda sobre como a formação do indivíduo contribui em suas decisões, tanto geneticamente quanto socialmente, experiências e vivências, para que no final a somatória de tudo isto resulte nas decisões humanas, desde as decisões mais simples como a escolha de uma cor de uma roupa e lugares para onde vai passar as férias até atitudes menos ou mais agressivas nas relações sociais.

De um lado temos a Inteligência artificial de Samantha que simula um sentimento de angústia e decepção baseada no acúmulo de conversas anteriores e do outro lado o ser humano proposto por Sam Harris, que irá apresentar os mesmos sentimentos, também baseados no acúmulo de suas vivências e experiências.

Quão diferente o nosso software é da Inteligência Artificial que estamos desenvolvendo?

#neurociencia #ia #inteligencia artificial #filosofia

[tecscience]

Responsabilidade do profissional de data science na tomada de decisão

Por Robinson Nemeth em 07/10/2021

Há uma discussão teórico-conceitual acerca do conceito de informação no campo da Ciência da Informação, este artigo se atém ao comportamento do gestor e o profissional de data science nas decisões gerenciais.

Então peguemos uma conceituação simplista de dado e informação... segundo o Wikipedia “dado é o registro do atributo de um ente, objeto ou fenômeno onde registro indica o ato de registrar, ou seja, é a gravação ou a impressão de caracteres ou símbolos que tenham um significado em algum documento ou suporte físico”, já a informação é “resultante do processamento, manipulação e organização de dados, de tal forma que represente uma modificação (quantitativa ou qualitativa) no conhecimento do sistema (humano, animal ou máquina) que a recebe.”

Será que o gestor percebe a falta de algum dado ou informação na tomada de decisão? E ainda, qual é o papel do profissional de data science nesta tomada de decisão?

Em um artigo publicado pela MIT Sloan Management Review em dezembro de 2020, pelos professores Bart de Langhe e Stefano Puntoni, sobre liderar com análise de dados orientada por decisões, eles apontam 3 passos para uma liderança pautada na decisão, são eles:

1 - Identifique os cursos de ação alternativos. Os tomadores de decisão devem começar pensando "amplo, depois estreito". Muitas decisões são feitas no piloto automático, após apenas um curso de ação ser considerado. Isso pode prejudicar a qualidade da tomada de decisão. Pensar de forma ampla significa gerar muitos cursos de ação alternativos. Ao pensar “amplo e estreito”, os tomadores de decisão aumentam a probabilidade de que o conjunto de considerações finais inclua cursos de ação viáveis ​​e de alta qualidade.

2 - Determine quais dados são necessários para classificar cursos de ação alternativos. Os tomadores de decisão e cientistas de dados precisam desenvolver critérios para discriminar e classificar os cursos alternativos de ação selecionados na etapa 1. Se antes de transformar um desconhecido em conhecido você tomasse a mesma decisão que faria depois, não haveria nenhum benefício em se envolver na coleta e análise de dados. Muitas vezes, os dados coletados com o propósito de tomar uma decisão têm mais valor do que os dados já disponíveis. 

3 - Selecione o melhor curso de ação. Se as duas primeiras etapas foram bem executadas, a análise de dados não revelará o melhor curso de ação. A análise de dados orientada para a decisão enfatiza a importância de fazer perguntas e, portanto, a importância do julgamento gerencial. Essa abordagem chama a atenção para incógnitas e o valor da coleta e análise de dados adicionais. As empresas e líderes que adotam essa abordagem se beneficiam ao garantir que as iniciativas de análise estejam vinculadas à ação, estejam focadas em responder às perguntas que importam e desafiem, em vez de reforçar as crenças dos executivos sobre como o mundo funciona.

O que podemos ver na prática é que nem sempre a decisão é tomada com as informações necessárias.

Por qual razão isso ocorre?

Falta de Informação, quero dizer, falta de conhecimento, mas como não há conhecimento sem informação podemos verificar que os gestores de diversas áreas n��o reconhecem a necessidade de alguma informação, assim não tomam conhecimento e não solicitam melhorias em sistemas para coleta de dados adicionais, para apresentar informações consolidadas ou ainda cruzando dados, e com isso tomam suas decisões com informações parciais ou apenas no “felling”, aí está o perigo. E qual é o papel do profissional de data science neste contexto?

Vou citar uma experiência pessoal para que possamos compreender melhor um bom uso dos elementos, alguns dados foram modificados para melhor exemplificar o ocorrido.

O ano era 2012, o INSS realizava um mecanismo de avaliação interna com alguns indicadores e metas a serem cumpridas, com ciclos de 6 meses, sim meus caros, alguns órgãos do governo trabalham com metas internas, e dentre os indicadores havia o TMC, Tempo Médio de Concessão, e a IMA, Idade Média do Acervo, que se baseavam no tempo entre a entrada e a concessão e o tempo de tudo o que ainda não havia sido concluído, respectivamente, pois bem, um gestor estava com um TMC de 300 dias e 400 dias de IMA, e precisava reduzir drasticamente para bater a meta que era de 60 dias, tanto no IMA quanto no TMC, então ele pediu a um profissional especializado em obtenção de informações, para que identificasse quais eram os processos mais antigos da unidade e a quantidade suficiente para alcançar a meta, então com esta informação em mãos o gestor não teve dúvida, pegou o número de funcionários que realizava esta atividade e distribuiu os processos, estipulando metas individuais, assim ao final de 6 meses ele atingiria esta meta com certa tranquilidade, porém quando chegou no terceiro mês vieram as metas parciais, e qual foi a sua surpresa ao verificar que havia saído de 300 dias para 310 dias de TMC e estava com 100 dias de IMA, ou seja, o TMC estava pior do que a mensuração inicial.

O gestor sem compreender bem o que houve foi verificar com os funcionários se estavam batendo suas metas individuais, e confirmou que todos estavam cumprindo à risca conforme o combinado, então foi ao profissional que entregou a extração e questionou quanto à veracidade da informação passada, o que foi prontamente convalidado, então o profissional que cuidava das extrações de dados questionou sobre o que estava sendo solicitado e procurou entender a fórmula utilizada e percebeu que ao atuar nos processos mais antigos, o que seria concedido dentro do mês, faria com que o TMC aumentasse mesmo, pois a fórmula era a obtenção da média do tempo de tudo o que foi concedido, e que seria impossível alcançar a meta sem que fossem trabalhados também alguns processos novos, então somente após o real entendimento da fórmula e das extrações possíveis refizeram o cálculo, realizaram nova distribuição de processos conseguiram bater a meta. 

Esta experiência não se limita ao universo em que ela foi aplicada, o que temos aqui é um gestor que possuía informações mas que não conhecia todo o processo de formulação do indicador e um profissional de data science que simplesmente atuava como extrator de dados e acabaram por direcionar esforços com resultados não tão satisfatórios. Caso fossem aplicados os passos sugeridos por Bart de Langhe e Stefano Puntoni certamente haveriam mais perguntas a serem respondidas antes da geração de informações direcionando para um curso do trajeto mais atrelado ao que se pretendia.

Pablo Picasso disse uma vez: “Os computadores são inúteis. Eles só podem lhe dar respostas.” Você que atua diretamente com os dados, gerando informações, acaba por ter imensa responsabilidade sobre isto pois, facilmente, caso não entenda a motivação e real necessidade, poderá direcionar o gestor para uma decisão desastrosa, de responsabilidade compartilhada e algumas vezes até sobrando somente para o técnico, e isto independente do ramo de atuação. A decisão final deve ser do gestor responsável, porém ele deve ter à sua disposição os cenários possíveis para que se valha destas informações na tomada de decisão. Por isso a importância do profissional de data science conhecer os processos da empresa que atua bem como as motivações das solicitações para então aplicar os passos já citados em conjunto com o gestor e então gerar as informações necessárias, assim se reduz as lacunas entre o que se pede e o que se pretende, fazendo com que os resultados sejam de fato eficazes.

#data science #gestão #analitycs #melhoriacontinua