A Inteligência Artificial (IA) tem se consolidado como uma das tecnologias mais promissoras e disruptivas da era digital, revolucionando a forma como empresas e organizações conduzem seus negócios, entregam valor aos clientes e enfrentam desafios complexos.
Com a capacidade de analisar grandes volumes de dados, identificar padrões e tendências, realizar previsões precisas e tomar decisões automatizadas, a IA tem o potencial de impulsionar a inovação, aumentar a eficiência operacional e transformar setores inteiros.
No entanto, a implementação bem-sucedida da IA não é uma jornada fácil. Requer uma abordagem estratégica, investimentos substanciais e uma cultura organizacional orientada para a transformação digital. Além disso, o sucesso da implementação da IA está intimamente ligado à maturidade analítica e à governança em Tecnologia da Informação (TI) de uma organização.
Neste contexto, surge a pergunta: O que é preciso para implementar a IA de forma efetiva e responsável? A resposta a essa pergunta envolve uma série de elementos-chave que se entrelaçam e se fortalecem mutuamente, criando uma base sólida para a jornada de IA da organização.
Pilares da implementação bem-sucedida de uma IA
A seguir, exploraremos os principais pilares que sustentam uma implementação bem-sucedida de IA, baseada nas melhores práticas de maturidade analítica e governança em TI.
Estratégia clara e alinhada
O primeiro passo para a implementação bem-sucedida da IA é ter uma estratégia clara e alinhada com os objetivos organizacionais. Isso envolve identificar os problemas ou oportunidades específicas que a IA pode resolver, bem como os resultados desejados. Uma estratégia sólida permitirá que a organização alocar recursos adequadamente e medir o progresso ao longo do tempo.
Dados de qualidade e acessíveis
A IA é altamente dependente de dados. Portanto, é fundamental garantir que os dados estejam limpos, precisos e acessíveis. Isso pode exigir a implementação de políticas de gerenciamento de dados eficazes, a fim de coletar, armazenar e processar os dados de forma adequada. Além disso, é essencial garantir a conformidade com as regulamentações de privacidade de dados para proteger informações sensíveis.
Infraestrutura e tecnologia adequadas
A implementação da IA requer uma infraestrutura robusta e tecnologia adequada para suportar o processamento de grandes volumes de dados e o treinamento de modelos de IA. Isso pode envolver investimentos em hardware, software e plataformas específicas de IA. Além disso, é importante considerar a escalabilidade da infraestrutura para atender às necessidades futuras da organização.
Equipe qualificada e capacitada
Contar com uma equipe qualificada e capacitada é essencial para implementar a IA com sucesso. Isso inclui cientistas de dados, engenheiros de IA, especialistas em aprendizado de máquina e profissionais de TI. Além disso, é importante investir em treinamento e desenvolvimento para garantir que a equipe esteja atualizada com as últimas tendências e técnicas de IA.
Governança
A IA pode ter um impacto significativo nas operações e na tomada de decisões da organização. Portanto, é essencial estabelecer uma governança sólida em torno do uso da tecnologia. Isso inclui a definição de políticas e diretrizes para o uso responsável e ético da IA, bem como a identificação e mitigação de possíveis vieses algorítmicos.
Cultura Organizacional e Liderança
A implementação bem-sucedida da IA começa com a construção de uma cultura organizacional que abraça a inovação, a aprendizagem contínua e a experimentação. É essencial que os líderes da organização demonstrem um compromisso claro com a transformação digital e a adoção da IA, pois seu envolvimento é fundamental para engajar toda a equipe. A liderança deve ser visionária e inspirar a mudança, promovendo uma mentalidade orientada para dados e incentivando a colaboração entre as diferentes áreas da empresa.
Governança em TI e Maturidade Analítica
A governança em TI é essencial para garantir a gestão adequada dos dados e da infraestrutura tecnológica necessária para a implementação da IA. Uma organização com alta maturidade analítica é aquela que possui uma estratégia clara de dados, processos bem definidos para coleta, armazenamento e análise de informações, além de contar com ferramentas e plataformas robustas de Business Intelligence (BI). Uma alta maturidade analítica permite que a organização tome decisões baseadas em dados, identifique oportunidades de melhoria e otimize seus processos internos.
Ética e Responsabilidade
A implementação da IA traz consigo questões éticas e de responsabilidade que não podem ser negligenciadas. É fundamental estabelecer diretrizes claras para o uso ético dos dados e garantir a privacidade e segurança das informações dos usuários. Além disso, é necessário mitigar os possíveis preconceitos e vieses presentes nos algoritmos de IA, garantindo que as decisões tomadas sejam justas e imparciais.
Conclusão – Maturidade analítica para implementar Inteligência Artificial
A implementação da IA é uma jornada desafiadora e emocionante para as organizações que buscam impulsionar a inovação e melhorar sua vantagem competitiva. Para garantir o sucesso nessa jornada, é fundamental ter uma cultura organizacional orientada para a inovação, governança em TI robusta e alta maturidade analítica. Além disso, é importante investir em infraestrutura e tecnologia, desenvolver talentos internos e garantir a ética e responsabilidade no uso dos dados. Ao seguir essas diretrizes, as organizações estarão mais bem preparadas para implementar a IA de forma efetiva, colhendo os benefícios de uma tomada de decisão baseada em dados, insights valiosos e processos otimizados. A IA continuará a moldar o futuro dos negócios e da sociedade como um todo, e as organizações que adotarem essa tecnologia com responsabilidade e visão estratégica estarão na vanguarda da inovação e do sucesso.
Python Developer Data Science na Aquarela. Doutorando em Física Teórica no Instituto de Física (CAPES 7) da Universidade Federal do Rio Grande do Sul (UFRGS), com experiência em dinâmica molecular do processo de dessalinização da água. Possui Mestrado em Física Teórica e Bacharelado em Engenharia Física pela mesma instituição. Durante sua graduação, realizou um ano de período sanduíche na Politécnico de Turim, na Itália, onde estudou Física de Sistemas Complexos. Também realizou um período de estágio no Centro Nacional de Tecnologia Electrônica Avançada S.A (CEITEC) como desenvolvedor python e cientista de dados.
Para exemplificar do que o ChatGPT é capaz, nada melhor que o próprio ChatGPT se expressando. Para contextualizar, o ChatGPT é um modelo de linguagem grande treinado pela OpenAI. Ele foi treinado usando uma grande quantidade de dados de texto e é capaz de gerar texto de forma autônoma, responder perguntas e realizar outras tarefas relacionadas à linguagem natural.
A ferramenta é usada principalmente para aplicações de conversação, como chatbots e assistentes virtuais. Fiz a ele a seguinte requisição: Escreva uma introdução de um texto que vai explicar o ChatGPT no blog da Aquarela Advanced Analytics, uma empresa que produz soluções em inteligência artificial.
“Bem-vindo ao mundo da inteligência artificial avançada! Hoje, gostaríamos de apresentar a você o ChatGPT, um modelo de linguagem de ponta desenvolvido pela OpenAI. Com sua capacidade de gerar textos humanos-como, o ChatGPT é capaz de realizar uma variedade de tarefas, desde a geração de conteúdo até a interação com os usuários. Neste post, vamos explicar como o ChatGPT funciona e como ele pode ser usado para melhorar sua empresa e seus negócios.“
Diferente de outros chatbots que surgiram ao longo dos anos, o ChatGPT é baseado em aprendizado de máquina profundo, enquanto muitos outros chatbots são baseados em regras ou algoritmos específicos.
Isso significa que o ChatGPT é capaz de aprender e se adaptar a partir de dados de exemplo, enquanto outros chatbots são programados com respostas específicas para diferentes entradas. Isso geralmente permite que o ChatGPT tenha uma capacidade de compreensão e geração de linguagem natural mais avançada do que outros chatbots.
Nesse artigo iremos trazer exemplos do que o ChatGPT é capaz e como ele pode mudar profundamente a maneira como construímos conteúdo.
“Explique o que é o ChatGPT?”
ChatGPT: “ChatGPT é um modelo de linguagem grande treinado pela OpenAI. Ele foi treinado usando uma grande quantidade de dados de texto e é capaz de gerar texto de forma autônoma, responder perguntas e realizar outras tarefas relacionadas à linguagem natural. Ele é usado principalmente para aplicações de conversação, como chatbots e assistentes virtuais.”
“Como funciona o ChatGPT?”
ChatGPT: “O ChatGPT funciona usando o que é conhecido como “aprendizado profundo“. Ele foi treinado em um grande conjunto de dados de texto, o que permitiu que ele aprendesse as relações entre palavras e frases em inglês. Ele usa essas relações para gerar texto de forma autônoma, responder perguntas e realizar outras tarefas relacionadas à linguagem natural.
O modelo é baseado em uma arquitetura chamada “Transformer“, que é composta por camadas de processamento de linguagem natural (NLP) como camadas de atenção e camadas de codificação/decodificação. A camada de atenção permite que o modelo preste atenção nas palavras específicas no contexto dado, enquanto as camadas de codificação/decodificação permitem que o modelo entenda e gere texto, respectivamente.
Quando o ChatGPT é alimentado com um pedaço de texto (como uma pergunta ou uma frase de contexto), ele usa essa informação para prever a próxima palavra ou frase com base nas relações aprendidas durante o treinamento. Isso permite que ele complete frases ou gere texto autônomo. Ele também pode ser usado para responder perguntas, resumir textos, entre outras tarefas.”
Para quem tem interesse, uma introdução ao assunto de redes neurais, tópico de aprendizado profundo, pode ser encontrado aqui: www.aquare.la/ia-na-tomada-de-decisao.
Aproveitamos para perguntar que informações o ChatGPT possui sobre a empresa Aquarela Advanced Analytics.
“Fale sobre a empresa Aquarela Avanced Analytics.”
ChatGPT: “Aquarela é uma empresa de análise avançada de dados com sede em Florianópolis, Brasil. Eles fornecem soluções de inteligência artificial e análise de dados para ajudar as empresas a tomar decisões melhores e mais informadas. Eles trabalham com uma variedade de setores, incluindo financeiro, varejo, saúde e energia.
Os serviços da Aquarela incluem coleta e limpeza de dados, modelagem estatística, aprendizado de máquina, visualização de dados e implementação de soluções. Eles também oferecem treinamento e consultoria para ajudar as empresas a se tornarem mais proficientes em análise de dados e inteligência artificial.
A Aquarela tem uma equipe de especialistas em dados e tecnologia, incluindo cientistas de dados, engenheiros de dados, engenheiros de software e especialistas em inteligência artificial. Eles se esforçam para entender as necessidades dos clientes e fornecer soluções personalizadas para atender a essas necessidades.”
Na mosca! Agora…
“ChatGPT, fale um pouco sobre previsão de demanda.”
ChatGPT: “Previsão de demanda é o processo de estimar a quantidade de um produto ou serviço que será necessário para atender às necessidades dos clientes em um período futuro.
É uma ferramenta importante para as empresas, pois ajuda a planejar e gerenciar suas operações, incluindo produção, estoque, logística e vendas. Com uma previsão precisa da demanda, as empresas podem evitar problemas como falta de estoque ou sobras de inventário, o que pode resultar em perdas financeiras.
A previsão de demanda geralmente é baseada em dados históricos, como vendas passadas, tendências de mercado e informações demográficas. Existem várias técnicas e ferramentas que podem ser usadas para prever a demanda, incluindo:
Modelos estatísticos: Esses modelos utilizam técnicas estatísticas, como regressão linear e séries temporais, para prever a demanda com base em dados históricos.
Aprendizado de máquina: Esses modelos utilizam técnicas de aprendizado de máquina, como redes neurais e algoritmos de árvore de decisão, para prever a demanda com base em dados históricos e outras variáveis.
Modelos híbridos: Esses modelos combinam técnicas estatísticas e de aprendizado de máquina para prever a demanda.”
“Agora fale um pouco sobre previsão de falhas de sistemas HVAC.”
ChatGPT: “Previsão de falhas de sistemas HVAC (aquecimento, ventilação e ar-condicionado) é o processo de usar técnicas de análise de dados e inteligência artificial para prever quando um componente ou equipamento HVAC pode falhar ou precisar de manutenção. Isso ajuda as empresas a planejar e programar manutenções preventivas, evitando falhas inesperadas e interrupções no funcionamento dos sistemas HVAC.
Existem várias técnicas e ferramentas que podem ser usadas para prever falhas de sistemas HVAC, incluindo:
Análise de dados históricos: Essa técnica usa dados históricos de operação e manutenção dos sistemas HVAC para identificar padrões e tendências que podem indicar falhas futuras.
Modelagem estatística: Essa técnica usa modelos estatísticos, como regressão linear e séries temporais, para prever quando um componente ou equipamento HVAC pode falhar com base em dados históricos.
Aprendizado de máquina: Essa técnica usa algoritmos de aprendizado de máquina, como redes neurais e árvores de decisão, para prever falhas futuras com base em dados históricos e outras variáveis.
Monitoramento em tempo real: Essa técnica usa sensores e outros dispositivos para monitorar a operação dos sistem”
“E qual importância desses projetos para a indústria, ChatGPT?“
ChatGPT: “A importância da Aquarela para a transformação da indústria do Brasil é que ela fornece ferramentas para que as empresas possam acessar e analisar grandes volumes de dados, o que pode ajudar a melhorar a eficiência operacional, aumentar a receita e tomar decisões estratégicas mais precisas.
A análise de dados é cada vez mais importante para as empresas em todos os setores, e a Aquarela oferece uma ampla gama de soluções para atender às necessidades específicas de cada cliente. Isso inclui análise de dados preditiva, análise de sentimento, análise de texto, entre outras. Essas soluções podem ajudar as empresas a identificar tendências, entender melhor seus clientes e fornecedores, e tomar decisões com base em dados concretos em vez de intuição ou suposição.
Em resumo, a Aquarela Advanced Analytics oferece soluções valiosas para ajudar as empresas a obter uma visão mais profunda dos seus dados, a tomar decisões informadas e a se adaptar às regulamentações. Isso pode ajudar a transformar a indústria do Brasil, tornando-a mais eficiente e competitiva a nível mundial.”
É nítida como essa tecnologia é assertiva na criação de conteúdo qualificado. Sendo uma ferramenta poderosa assim, preocupações sobre a necessidade de maturidade no uso entram em jogo.
Os primeiros problemas de se utilizar a ferramenta de maneira maliciosa já estão gerando polêmica. Um exemplo, que veio à tona recentemente, se trata de um caso na Northern Michigan University em que um dos alunos utilizou o ChatGPT para escrever seu artigo. A qualidade do artigo chamou a atenção do professor. Questionado, o aluno afirmou que havia de fato utilizado o chat para escrever o artigo.
Para evitar tais problemas, o Professor decidiu que iria mudar a forma com que o teste de escrever os artigos é aplicado em sala de aula. A ideia que surgiu foi de solicitar aos alunos construírem um primeiro rascunho do artigo em sala de aula utilizando browsers que monitoram e restringem atividades maliciosas.
Cada aluno deve explicar no rascunho seguinte o processo de revisão do anterior até chegar no artigo final. Para ampliar ainda mais o campo de conhecimento, o Professor pretende confrontar as versões com respostas do Chatbot.
Essa é uma postura madura que concilia o exercício intelectual do aluno ao criar o conteúdo e, ao mesmo tempo, exercita a sua criticidade no ato de revisão do conteúdo trazido pela IA.
Várias abordagens têm surgido para lidar com o uso malicioso da tecnologia chatbot no ambiente de ensino. Algumas escolas públicas, como as de New York City e Seattle, baniram o ChatGPT da rede Wi-Fi.
Já na educação superior, colégios e universidades estão relutantes. Os administradores vêm dúvidas sobre qual seria a ação mais efetiva em termos de liberdade acadêmica e construção do conhecimento.
Em contraste, mais de seis mil professores de Harvard University, Yale University, University of Rhode Island e outras universidades assinaram um manifesto contrário ao uso da ferramenta nesses ambientes, a favor do GPTZero, criado na Princeton University, que seria um programa que promete detectar rapidamente textos gerados por uma inteligência artificial.
Enfim, o que todos concordam de fato é que a maneira com que os professores ensinam está mudando e precisa discutir o uso dessas novas ferramentas de produção de conteúdo.
Aproveitando, vamos ver como o ChatGPT capta essa percepção.
“Como tem sido o uso do ChatGPT nas escolas e no ambiente de trabalho e quais as possíveis mudanças surgirão a partir disso?”
ChatGPT: “O uso do ChatGPT nas escolas e no ambiente de trabalho tem sido principalmente como assistente virtual, auxiliando professores e alunos em tarefas de pesquisa, respondendo perguntas e ajudando em tarefas de escrita. Ele também pode ser utilizado como ferramenta para ensino de língua inglesa, ajudando os alunos a praticar a escrita e a compreensão de textos em inglês.
Além disso, o ChatGPT também tem sido usado em ambientes de trabalho para automatizar tarefas de escrita, como redigir relatórios, cartas e outros documentos. Isso pode economizar tempo e esforço dos funcionários e aumentar a eficiência das empresas.
Em ambos os casos, é esperado que o uso de assistentes virtuais como o ChatGPT continue a crescer e se expandir para novas áreas, como ensino de idiomas e geração automatizada de relatórios e documentos.
Isso pode levar a mudanças no ensino e na educação, como uma maior personalização e interatividade, além de melhorias na eficiência e eficácia das tarefas de escrita.”
Não obstante, o ChatGPT ou versões superiores irão mudar não só o processo de ensino, mas o ambiente de trabalho. A ferramenta tende a ficar cada vez mais embutida em outros serviços. Inclusive o próprio CEO do Google afirma ter acendido “sinal vermelho” por entender que o Google possa estar a poucos anos de uma disrupção total em termos de tecnologia de busca de conteúdo, pois o ChatGPT pode eliminar a necessidade de um mecanismo de busca tradicional. Ademais, a Microsoft já demonstrou sinais de que estaria a poucos meses de integrar o ChatGPT ao Bing.
Conclusão
Fica evidente como a ferramenta ChatGPT é poderosa. O poder dela não fica só no campo da tecnologia, como a interessante pergunta sobre como o aprendizado de máquina consegue criar conteúdo de forma automatizada e natural. Seu poder se estende a reflexões profundas de como o ensino, o aprendizado e as relações de trabalho humanas podem ser modificadas e afetadas pelo uso da ferramenta.
Python Developer Data Science na Aquarela. Doutorando em Física Teórica no Instituto de Física (CAPES 7) da Universidade Federal do Rio Grande do Sul (UFRGS), com experiência em dinâmica molecular do processo de dessalinização da água. Possui Mestrado em Física Teórica e Bacharelado em Engenharia Física pela mesma instituição. Durante sua graduação, realizou um ano de período sanduíche na Politécnico de Turim, na Itália, onde estudou Física de Sistemas Complexos. Também realizou um período de estágio no Centro Nacional de Tecnologia Electrônica Avançada S.A (CEITEC) como desenvolvedor python e cientista de dados.
Cientistas de dados estão ganhando popularidade em diversos campos de atuação, como esportes, arte, medicina, indústria e finanças. Muitos concordariam que se o renascimento (séc 14 ao 17) foi a força cultural, econômica e política responsável por instigar a construção do conhecimento e carregar a humanidade da idade média para a idade moderna. Hoje são os dados a força responsável por empurrar a humanidade adiante na direção da inovação tecnológica. E um dos profissionais que agregam nessa força é o cientista de dados. Mas afinal, quais são os desafios que um cientista de dados encontra no dia-a-dia?
Qualidade dos dados
Com frequência vemos memes na internet relacionados aos desafios dos cientistas de dados e sobre o tempo que dedicam para cada atividade. O imaginário popular enxerga somente atividades super complexas acontecendo durante o processo criativo de um cientista. Porém sempre nos deparamos com o engraçado fato de que limpar os dados e fazer a análise exploratória deles. O que de antemão não parece ser uma tarefa tão complexa, acaba sendo a tarefa que mais toma tempo desse profissional. De uma maneira divertida, esses memes acabam retratando a realidade dessa profissão. É um pouco cômico como uma atividade tão dependente da qualidade dos dados tenha que lutar tanto para deixá-los usáveis de alguma forma. Mas existe beleza nisso, afinal de contas o mundo nem sempre se comporta com a teoria que esperamos, e entender as complexas relações que levam os dados a chegarem desse jeito também traz consigo informação.
Esse é o primeiro desafio que encontramos no dia-a-dia: lidar com a expectativa de encontrarmos dados tão bonitos e limpos como aqueles que lidamos durante os cursos/estudos. Com frequência gastamos um bom tempo não só entendendo que dados estamos observando, mas também como limparmos eles, tratarmos conjuntos faltantes, achar o balanço ideal utilizando técnicas de undersampling ou oversampling, lidar com outliers e ainda como automatizar esse processo para fazer parte da nossa pipeline de modelo.
Mudança de contexto
O próximo desafio que faz parte da atividade de um cientista é ser astuto o suficiente para lidar com diferentes contextos em diferentes projetos. A amplitude de áreas em que a ciência de dados se aplica é muito extensa. Às vezes é complexo migrar de uma atividade em que previsão de série temporal de sensores é o foco para áreas de mercado de ações. A gama de ferramentas de análise disponíveis também é algo que muitas vezes deixam os cientistas ansiosos. Nesses casos é sempre o conhecimento básico sobre qual algoritmo está por traz dela, qual técnica ou quais equações de previsão de séries temporais estão envolvidas que será o guia da decisão. Por fim, vale ressaltar que ferramentas novas surgem o tempo todo, e é impossível ficar atento a todas. Portanto, o melhor amigo do cientista continua sendo as técnicas clássicas e o conhecimento em estatística.
Adequação ao negócio
Outro ponto importante é estar atento à solução proposta e sua conexão com a proposta de valor do negócio. Pouco adianta utilizar técnicas super complexas e robustas como redes neurais se a necessidade do negócio é conseguir analisar um conjunto de dados muito grande com uma boa frequência. O fato é que sempre existem soluções sofisticadas para solucionar o problema que você precisa, mas que usualmente não são escaláveis dentro da proposta. Estar atento como a atividade de cientista de dados impacta na solução final do software é fundamental para ter ideia do todo e buscar a melhor solução possível.
Gestão de tempo
A atividade de cientista de dados leva o nome de cientista não por acaso. É um exercício de descobrimento e criatividade. Acontece que muitas vezes esse exercício entra em conflito com as necessidades ágeis de entregas de resultado. É comum vermos cientistas que muitas vezes se sentem ansiosos por não concluírem atividades que estão atreladas a esse processo criativo dentro dos prazos ágeis que se esperaria. É importante reconhecer que a atividade às vezes leva mais tempo do que se imaginava. Também é importante reconhecer a demora e se preciso mudar de estratégia, ou seja, não se apegar às rotas escolhidas inicialmente e que estejam demorando muito para trazer conclusões necessárias, sempre existe um plano B a ser seguido. A intermediação desses conflitos internos também faz parte da atividade.
Escopo do cargo de cientista de dados
Quando falamos de dados, estamos falando da fonte de trabalho de diversos tipos de profissionais. O cientista de dados é somente um deles. Apesar de às vezes as fronteiras entre as atividades serem um pouco difusas, é importante conhecer o papel de outros ramos como o Engenheiro de Dados, o Analista BI e ainda o Engenheiro de Machine Learning. Entender os diversos papéis é importante até mesmo para descobrir talvez novas paixões do que se gostaria de fazer, além de que acaba sendo imprescindível no sentido de que são papéis cuja interação com o cientista precisa ser eficiente para tudo andar da melhor forma possível. As entregas de cada ponta precisam estar alinhadas para o fluxo do dado seguir em harmonia até criar a informação que se deseja.
Comunicação
Nesse sentido, torna-se imprescindível para um bom cientista de dados saber se comunicar de maneira assertiva e eficiente. É através de uma boa comunicação que a maioria dos problemas são evitados. Mas mais importante que isso, é através de uma boa comunicação que os demais integrantes da sua equipe podem entender e auxiliar da melhor forma possível a construir a melhor solução que se possa. Afinal de contas, não pense que a atividade de cientista é uma atividade isolada, como muitas vezes o estereótipo prega. É somente através da interação de diferentes e diversas mentes pensantes que podemos alcançar o potencial máximo para encontrar a melhor solução para o desafio proposto.
Conclusão – Os desafios do cientista de dados
Como o cientista passa a maior parte do tempo programando e explorando os dados, muitas vezes ele se enxerga como fazendo parte de um fluxo de informações, como se fosse quase uma peça de uma máquina maior. Mas a chave para transformarmos o que os dados dizem em novas ideias está exatamente no que a humanidade sabe ser e que a máquina simplesmente não o é. A humanidade sabe ser curiosa, o que nos leva a buscar novos entendimentos sobre as coisas.
É a curiosidade por emoções que nos leva a tentar entender pontos de vista diferentes, que ascendem nossa empatia. Também é a curiosidade por ideias e soluções que desperta a criatividade, que é o motor da inovação e articulação de novas soluções. A curiosidade por influenciar é a faísca que leva ao entendimento do poder da comunicação, que leva a instigar novas mentes. E, por fim, é a curiosidade pelo resultado que desperta a liderança.
A habilidade mais crucial para um cientista de dados ter é fazer as perguntas certas para os dados. É a curiosidade do cientista de dados que guia a busca por essas perguntas. É através das perguntas corretas e das soluções criativas que tornamos os dados em conhecimento significativo. E a boa notícia é que essas são exatamente as habilidades que nenhuma inteligência artificial poderia ter… ainda. “A fool with a tool is still a fool”. Os dados ainda precisam de mentes curiosas para fazer a diferença.
Python Developer Data Science na Aquarela. Doutorando em Física Teórica no Instituto de Física (CAPES 7) da Universidade Federal do Rio Grande do Sul (UFRGS), com experiência em dinâmica molecular do processo de dessalinização da água. Possui Mestrado em Física Teórica e Bacharelado em Engenharia Física pela mesma instituição. Durante sua graduação, realizou um ano de período sanduíche na Politécnico de Turim, na Itália, onde estudou Física de Sistemas Complexos. Também realizou um período de estágio no Centro Nacional de Tecnologia Electrônica Avançada S.A (CEITEC) como desenvolvedor python e cientista de dados.
Normalmente quando as pessoas pensam em inteligência artificial (IA), elas pensam nos casos mais extremos. Por exemplo, ou a IA está aqui para nos substituir ou está aqui para resolver nossos problemas quase que magicamente. Usualmente, não apreciamos como merece a grande oportunidade que existe entre esses extremos, que nada mais é do que entender os benefícios e limitações de uma IA e trabalhar em conjunto com ela. Nessa perspectiva, a aliança entre as partes têm um potencial muito maior que a soma das partes isoladas. E é exatamente por meio dessa aliança que potencializamos a tomada de decisão no nosso negócio.
Obtendo decisões otimizadas com IA e a capacidade humana
A aliança entre as capacidades humanas e a inteligência artificial abre potenciais incríveis. É sobre deixarmos cada jogador fazer o que sabe fazer melhor. Uma IA é extraordinária em lidar com quantidade de dados gigantescos, encontrar padrões utilizando métodos estatísticos robustos e algoritmos eficientes. Já a mente humana é incrível em usar a criatividade, empatia e ética.
Para Shervin Khodabandeh, o fato de que apenas 10% das empresas que investem em IA conseguem extrair impacto financeiro significativo em seus negócios é bastante representativa de como a maioria das empresas ainda trabalha com visões distorcidas de aliança entre IA e mente humana. O que os 10% possuem de diferente não é exatamente algoritmos mais sofisticados e eficientes. São pessoas que entendem como trabalhar em conjunto e harmonia com essas tecnologias. Ou seja, pessoas que entendem como tomar decisões da melhor maneira a partir do auxílio de sugestões de uma IA.
Shervin traz outros dados interessantes: empresas que entendem como trabalhar com IA, ao invés de simplesmente utilizar IA para substituir trabalhadores, acabam gerando 5 vezes mais valor financeiro e produzem um ambiente de trabalho de alta performance e motivação.
A pergunta que fica é, como uma IA pode nos ajudar nesse sentido? A sugestão de uma IA é o ponto de partida. Entender como ela pode ter chegado nessa sugestão é algo que empodera o tomador de decisões.
IA na tomada de decisão – Como a IA pode auxiliar nesse processo?
Peguemos o exemplo clássico de redes neurais artificiais. Uma rede neural nada mais é que um arcabouço de técnicas estatísticas robustas aliadas à programação computacional capaz de aprender com dados observados. A Figura 1 consiste em um diagrama de uma rede neural simples. Mas o que queremos dizer com “aprender”? A ideia por trás da técnica se baseia em treinar a rede para ter como saída o resultado desejado uma vez que conhecemos a entrada. No caso, cada entrada de dados causa um certo padrão de pesos estatísticos na hidden layer e esse padrão específico gera uma probabilidade de ocorrência para cada uma das dez saídas conhecidas (output layer).
O processo de treinamento de uma rede neural se baseia na ideia de ajustar todos os pesos de cada possibilidade de conexão para atingir o resultado desejado. Tecnicamente, esse processo se chama backpropagation e envolve etapas iterativas de avaliação da função de custo com base nos exemplos de treinamento e exploração de mínimos locais nessa função via algoritmos de descida de gradiente.
A tarefa clássica de uma rede neural é classificar a partir de imagens de dígitos escritos à mão qual seria o dígito de fato. Por exemplo:
Depois de treinada, nesse exemplo a técnica possui altíssima acurácia (>96%), o que é incrível de se imaginar. É interessante notar que, ao mesmo tempo em que a técnica é super assertiva, ela pode nos dar respostas totalmente sem sentido se alimentadas de uma maneira diferente. Por exemplo, podemos alimentar a rede com a seguinte imagem aleatória:
No exemplo citado, a rede nos dá com um resultado estatístico significativo que essa imagem representa o número 5. Claro que estamos falando de uma rede neural simples. A ideia principal por trás do exemplo é mostrar que existem limitações no uso da IA e que somente o olhar humano, por meio do entendimento da técnica, consegue tirar o melhor proveito da resposta da IA.
Ou seja, entender como a IA chegou nessa sugestão é algo que empodera o tomador de decisões a enxergar além, não somente por conseguir visualizar se a sugestão tem sentido ou não, mas por conseguir vislumbrar o potencial de uma decisão baseada em uma sugestão robusta.
Uma IA pode ser um recomendador.
Uma IA pode ser um previsor.
Uma IA pode ser uma exploradora de diferentes cenários.
Em todas essas opções, uma IA pode dar como resultado opções que escapam do olhar humano. Extrair sentido da sugestão fica a cargo do agente decisório, mas o ponto crucial aqui também é que uma IA pode nos ajudar a navegar no mar de incertezas que circunda um problema complexo e direcionar a melhor rota.
Aliás, na Aquarela Analytics trabalhamos assim. Desenvolvemos ferramentas de IA que extraem o que há de mais complexo no comportamento das séries de dados ao mesmo tempo que avaliam o sentido da informação e empoderam o tomador de decisão. Somente assim, conseguimos utilizar uma IA para auxiliar na tomada de decisões, seja por meio de detecção de anomalias no comportamento de equipamentos ou de previsões de demanda com base em modelos de precificação, além de inúmeros outros exemplos.
Considerações finais – IA na tomada de decisão
Enfim, fica claro que os negócios realmente virtuosos são aqueles que não investem somente em peças de alta tecnologia, mas também nas pessoas. E na fronteira estão as empresas que desbravam essa aliança, aprendendo assim como extrair mais valor a partir dessa frutífera relação de aprendizado mútuo entre as partes. Não sobra dúvidas que é o olhar humano que é capaz de extrair o melhor de uma IA. Pois, conforme Shervin bem trouxe, a produtividade de uma IA avançada consegue ganhar qualquer partida de xadrez contra os maiores campeões mundiais, mas o conjunto IA e tomada de decisão humana consegue bater não somente qualquer jogador humano, mas também qualquer outra IA que não tenha a ajuda humana. Assim, é sob esse potencial que extraímos o melhor.
Python Developer Data Science na Aquarela. Doutorando em Física Teórica no Instituto de Física (CAPES 7) da Universidade Federal do Rio Grande do Sul (UFRGS), com experiência em dinâmica molecular do processo de dessalinização da água. Possui Mestrado em Física Teórica e Bacharelado em Engenharia Física pela mesma instituição. Durante sua graduação, realizou um ano de período sanduíche na Politécnico de Turim, na Itália, onde estudou Física de Sistemas Complexos. Também realizou um período de estágio no Centro Nacional de Tecnologia Electrônica Avançada S.A (CEITEC) como desenvolvedor python e cientista de dados.
Hoje é muito difícil imaginarmos um mundo sem internet. A rede mundial de computadores, ou www, foi desenvolvida no CERN, dada a necessidade de cientistas comunicarem seus dados entre si. Ou seja, o berço da internet está nas pessoas, pois ela surgiu para conectá-las. Podemos chamá-la de Internet das Pessoas.
Nesse mundo digital, nós podemos fazer qualquer dispositivo conversar com qualquer outro. Isto é, podemos fazer nossos celulares se comunicarem com os outros celulares. Podemos fazer nossos computadores se comunicarem com outros computadores, e assim por diante. Mas, no mundo físico, as conexões entre diferentes dispositivos eram bastante limitadas até pouco tempo atrás. Afinal, não havíamos pensado em fazer a internet para coisas. Ao mesmo tempo, hoje é difícil imaginar como dispositivos comuns estariam conectados uns aos outros, não é mesmo?
Pense no seu microondas, por exemplo. Apesar de possuir um hardware no seu interior, ele não se comunica com outro microondas para aprender com os dados que esse outro microondas gerou. Ele também não se comunica com sua geladeira para aprender quais são os possíveis alimentos que você vai tentar cozinhar e para sugerir o melhor balanço entre tempo e controle de temperatura de preparo do alimento. Apesar de parecer distante, esse novo mundo está crescendo e está dentro do que chamamos de Internet das Coisas (IoT). Mas como isso funciona e quais são as possibilidades dessa nova realidade?
O que compreende a Internet das Coisas e por que agora estamos vivendo essa realidade?
A Internet das Coisas compreende o conjunto de dispositivos eletrônicos que, incorporados de sensores responsáveis por converter uma grandeza física em dados, são capazes de se comunicar entre si e adaptar seu comportamento de acordo com comandos ou aprendizados. Esses dispositivos variam desde objetos domésticos simples, como uma chaleira elétrica inteligente, até um dispositivo industrial mais sofisticado.
Sendo assim, podemos considerar um objeto IoT todo aquele dispositivo que, por meio de um hardware, possui transdutores que capturam alguma medida do ambiente e são capazes de, fazendo uso de um software, gerenciar essa informação e se conectar com alguma rede para passar ou receber dados e comandos.
Muitas vezes, o software desenvolvido para a solução IoT é capaz de extrair informação a partir dos dados e construir uma base de conhecimento por meio da experiência. Nesses casos, esse dispositivo passa a ser capaz de prever comportamentos do usuário e melhorar a situação em que está inserido.
Como exemplo, existem ares-condicionados inteligentes que aprendem com o padrão de clima local e com as preferências do usuário. Podemos dizer que a realidade do IoT fica engrandecida com o aprendizado de máquina, afinal de contas é esse aprendizado que extrai conhecimento dos dados para predição de comportamento futuro.
O acesso à tecnologia de sensores de baixo custo e baixa potência.
2 – Baixo nível de dificuldade de conectar esses dispositivos:
Um conjunto de novos protocolos de rede facilitou a conexão de sensores à nuvem e outros dispositivos para transferência eficiente de dados.
3 – O aumento da disponibilidade de plataformas em nuvem.
Alta necessidade de monitoramento em tempo real do nosso mundo físico.
O avanço de temas relacionados à inteligência artificial, machine learning e análise de dados avançada disparou uma sede por quantidades grandes e variadas de dados, uma vez que se entendeu o valor da predição para obter insights de maneira mais rápida e fácil.
O número estimado de dispositivos IoT para o ano de 2025 no mundo é de 30.9 bilhões, enquanto que, no ano de 2019, sabe-se da existência de 10 bilhões de dispositivos espalhados pelo globo.
Segmentos que se beneficiam com o uso de IoT
Além dos exemplos já citados de uso de IoT em aplicações residenciais, existem outros segmentos em que esses dispositivos são muito bem-vindos. São eles:
Internet das Coisas na Indústria
Diversas indústrias têm inovado em termos de monitoramento inteligente de dados de operação do dia a dia por meio de dispositivos IoT. As implicações são gigantescas e estão relacionadas, por exemplo, à criação de novas eficiências em manufatura por meio de monitoramento de equipamentos e qualidade do produto. Outra grande aplicação diz respeito ao poder de previsão de falhas de máquinas quando se associa monitoramento em tempo real IoT com Inteligência Artificial.
O rastreamento de lotes de ativos por meio de identificação via RFID permite que as empresas determinem rapidamente a sua localização. Também pode-se utilizar dispositivos IoT para monitorar a qualidade de trabalho de indivíduos por meio de análises avançadas da saúde humana. Por exemplo: tempo de permanência sentado, postura e conforto térmico, e as condições ambientais, como exposição a agentes tóxicos.
Internet das Coisas nas Cidades
Nas cidades, o uso de dispositivos IoT vão na direção do conceito de Cidades Inteligentes, cuja ideia se baseia em deixar a cidade mais confortável e com otimização no uso dos seus recursos. Barcelona é um excelente exemplo. Em 2016, a cidade já tinha um forte planejamento de interligação de fibra óptica visando à implementação de diversos dispositivos IoT espalhados pela cidade. Um exemplo deles é um dispositivo que monitora o nível de lixeiras na cidade. Assim, agrega informação crucial para a coleta a fim de otimizar sua rota e economizar energia. Além disso, as paradas de ônibus possuem pontos de acesso para visualização do horário da chegada de ônibus e dicas turísticas. A cidade também conta com uma infraestrutura de dispositivos que monitoram a ocupação de estacionamentos, a qual pode ser utilizada para otimizar a busca por vagas disponíveis.
Os exemplos de melhorias nas cidades são inúmeros. Podemos pensar na redução do consumo de energia elétrica otimizando o tempo de liga-desliga de postes da cidade; jardins inteligentes que economizam água entendendo a necessidade do jardim quanto ao nível de rega e intervalo certeiro; e se programarmos sinaleiras interligadas de forma inteligente para modificar o tempo do sinal para otimizar o fluxo de veículos?
Pensando em Florianópolis, e se tivéssemos uma câmera de praia treinada por AI e um app em que eu seleciono meu nível de habilidade e ela indica quais as melhores ondas do dia? Ou ainda mais importante, se tivéssemos hidrômetros inteligentes subterrâneos para monitorar de maneira rápida e eficiente possíveis vazamentos? E monitoramento em tempo real da qualidade de águas banháveis na ilha? As possibilidades são inúmeras e tendem a agregar na otimização do uso de recursos, bem como na qualidade da vida humana.
Internet das Coisas na Saúde Humana
O monitoramento de sinais vitais bem como a possibilidade de compartilhamento dessas informações em tempo real com seu médico podem ser de extrema importância em momentos de acidentes ou eventos inesperados, como um infarto. De fato, a união entre tecnologias IoT, big data analytics, AI e tecnologia blockchain abre uma janela de possibilidades para a medicina digital dessa década. Afinal, essas tecnologias estão todas interconectadas e possibilitam coletar dados em tempo real em uma escala ainda não observada. Esses dados podem ser interpretados para se entender tendências nos sistemas de saúde com uma rapidez não vista ainda.
Não obstante, o monitoramento contínuo de agentes danosos à saúde humana, como exposição a gases tóxicos ou radiação ionizante, ou ainda, o monitoramento em tempo real de tendências de surgimento de novas epidemias podem ajudar a prevenir muitas doenças e impactos evitáveis na sociedade. Isso acaba por se refletir não somente em uma redução no custo de vida, mas também nos custos do sistema de saúde local.
Preocupações
As preocupações mais recorrentes com o novo mundo IoT se concentram no valor e na privacidade dos dados que esses dispositivos geram e a possível facilidade em se hackear uma gama deles. Segundo Ken Munro, que é um especialista em ethical hacking, o boom dos dispositivos IoT foi acompanhado de um relaxamento no sentido de pensar a segurança deles. A grande pergunta que fica é: como podemos usá-los de maneira segura?
De modo bastante assertivo, Ken Munro cita o exemplo de cadeados por impressão digital. Eles podem ser facilmente hackeados por bluetooth e, ainda mais surpreendente, podiam ser facilmente encontrados por dispositivos próximos. Ou seja, para alguém com experiência em tecnologia, esse cadeado seria a mesma coisa que você usar um cadeado comum e deixar as chaves do lado, e ainda avisar às pessoas ao redor que aquele cadeado está lá.
Outra preocupação diz respeito ao fato de que os dispositivos IoT em casa, por exemplo, teriam acesso à sua senha do Wifi. Sendo facilmente hackeados, alguém poderia não só utilizar a sua rede, como também monitorar seu dia-dia à espreita de informações valiosas. Ken Munro usa o exemplo de uma chaleira inteligente que ele mesmo possui, que não só é possível extrair a senha do seu wifi a partir do hackeamento dela, mas também descobrir outras pessoas que possuem a mesma chaleira inteligente pronta para ser hackeada. E ele brinca: “é um risco que vale a pena correr para conseguir aquecer minha água pro café 30 segundos antes de eu chegar na cozinha?”
Internet das Coisas (IoT) e o berço de uma nova era – Conclusão
O mundo IoT traz para a realidade algo que ainda é difícil de imaginarmos completamente, assim como era difícil imaginarmos os desdobramentos da internet há 40 anos. As possibilidades são inúmeras, que vão desde aprimorar tarefas domésticas básicas, até monitoramento de qualidade de processo de manufatura na indústria, ou até mesmo a otimização de recursos em cidades inteligentes que tendem a melhorar muito a vida das pessoas.
As oportunidades em termos de desenvolvimento de Inteligência Artificial, Data Science e Big Data são enormes uma vez que os próprios dispositivos IoT nascem da necessidade de alimentar esses poderosos algoritmos inteligentes para nos ajudar a prever comportamentos futuros de forma assertiva, eficiente e automatizada.
Apesar de todos os benefícios da nova era IoT, temos que ter consciência de toda a responsabilidade que o valor das informações geradas traz consigo. Como Mark Weiser afirmou “The most profound technologies are those that disappear. They weave themselves into the fabric of everyday life until they are indistinguishable from it.” Ou ainda “As mais profundas tecnologias são aquelas que desaparecem. Elas se entranham na fábrica da vida cotidiana até que não sejam mais distinguíveis da mesma.” Para que a transformação IoT esteja completa de fato, necessariamente, precisamos amadurecer a tecnologia no que concerne à sua segurança e privacidade dos dados. Somente desse modo, ela poderá de fato se tornar indistinguível da vida cotidiana, assim como a internet é para nossa geração.
Python Developer Data Science na Aquarela. Doutorando em Física Teórica no Instituto de Física (CAPES 7) da Universidade Federal do Rio Grande do Sul (UFRGS), com experiência em dinâmica molecular do processo de dessalinização da água. Possui Mestrado em Física Teórica e Bacharelado em Engenharia Física pela mesma instituição. Durante sua graduação, realizou um ano de período sanduíche na Politécnico de Turim, na Itália, onde estudou Física de Sistemas Complexos. Também realizou um período de estágio no Centro Nacional de Tecnologia Electrônica Avançada S.A (CEITEC) como desenvolvedor python e cientista de dados.