O que é inteligência artificial (IA)? Na perspectiva de negócios, a Inteligência Artificial pode ser dividida por seus paradigmas: simbólico, conexionista, evolucionista, swarm (de enxame) e ensemble (composta). Cada paradigma leva a um conjunto de possibilidades de aplicação e consequentemente de negócios por conta de seus níveis de determinismo, generalização, reconhecimento de padrões, criatividade e autonomia.

Iremos entender neste artigo o que é inteligência artificial, as diferenças de cada paradigma – ilustrados por exemplos de aplicações –, e suas possibilidades na composição de novos negócios de transformação digital rumo à Indústria 4.0.

Para entendermos os paradigmas, precisamos primeiro discutir e esclarecer algumas dúvidas a respeito de alguns conceitos em torno da IA.

O que é Inteligência Artificial (IA)?

Inteligência artificial é a automação do comportamento inteligente, sendo dividida em cinco paradigmas (simbólico, conexionista, evolucionista, swarm e ensemble), cada um com diferentes possibilidades de gerar valor nos negócios da Indústria 4.0.

Dentre as diversas definições e IA, a que mais faz sentido no ponto de vista de negócios é justamente essa adaptação da citação de Luger e Stubblefield, feita em 1993:

“Inteligência artificial trata-se da automação do comportamento inteligente.”

Entendendo que produtos ou serviços geram negócios por meio da entrega de valor ao cliente final via encapsulamento do trabalho de alguém ou de algo. Por exemplo: a maioria das pessoas gosta de sorvete, entretanto produzir sorvete em casa é uma tarefa bastante complicada, que exige muitos ingredientes, processos e equipamentos; assim, terceirizar esse processo a partir da operação de compra, permitiu estabelecer toda uma cadeia de valor em torno do desejo de se tomar sorvete versus a dificuldade de se preparar isso por conta própria.

Da mesma forma que empacotamos toda a complexidade da produção de sorvete, vestuário, ou celulares em produtos e serviços, a possibilidade de automatizar o comportamento inteligente tem o mesmo apelo com relação à percepção de valor pelo cliente.

Por exemplo, invés de ter que dirigir e se orientar em meio à complexidade de nossas cidades modernas, muitos de nós terceirizamos esse comportamento inteligente através de aplicativos como o Waze e Google Maps, e TomTom.

Há ainda exemplos mais mundanos e não menos importantes como o uso de calculadoras e planilhas. Por exemplo, durante a segunda guerra mundial criou-se uma nova profissão que, por conta dos avanços tecnológicos, não durou muito: a profissão de Calculador.

À esquerda mulheres Calculadoras na segunda guerra mundial, à direita calculadora eletrônica moderna.

À esquerda mulheres Calculadoras na segunda guerra mundial, à direita calculadora eletrônica moderna.

Na figura vemos mulheres calculando a trajetória balística para canhões do exército aliado em 1940 (fonte), a direita vemos uma calculadora moderna, que é mais rápida e precisa.

Com isso podemos dizer que uma calculadora, apesar de soar estranho, trata-se de um mecanismo de Inteligência Artificial, rudimentar, mas aderente à nossa definição.

Talvez essa estranheza se dê por quê a maioria de nós já nasceu em meio a calculadoras portáteis em nossas casas e escolas, entretanto, como mecanismo que automatiza o comportamento inteligente, sim, pode ser considerada como um aparato  de IA simbólica.

Da mesma forma, quando a câmera de seu celular realiza o cálculo do foco a partir do reconhecimento da posição de seu rosto em uma selfie, um sistema de Inteligência Artificial (IA) operando dentro dos chips de seu celular faz o reconhecimento da sua face, calcula a distância focal necessária para o melhor foco e informa aos mecanismos de ajuste das lentes, isso tudo na fração de milésimos de segundo após seu clique, tempo suficientemente curto para capturar seu sorriso de forma espontânea.

O que diferencia o mecanismo de reconhecimento de faces e uma calculadora é o paradigma predominante em que cada tipo de Inteligência Artificial está inserido, e consequentemente, as características naturais de cada paradigma.

A seguir apresentamos uma tabela mostrando os paradigmas de IA, suas características naturais e exemplos de aplicação.

Tabela de paradigmas e suas características naturais

Tabela de paradigmas e suas características naturais

Notem que ao classificarmos os mecanismos de IA com relação às dimensões determinismo, generalização, reconhecimento, criatividade e autonomia, conseguimos entender melhor tudo aquilo que cabe dentro da definição de o que é Inteligência Artificial (IA), e automaticamente ficam mais claras suas potencialidades e usos.

A seguir faremos um breve resumo de cada paradigma e suas respectivas aplicações de negócio.

Paradigmas de Inteligência Artificial (IA)

1. O Paradigma Simbólico

Trata-se dos mecanismos de IA que efetuam transformações simbólicas (números, letras, palavras e símbolos), dentre estes mecanismos estão os programas de uso geral como sistemas ERP, workflows, planilhas, calculadoras (todos com alto determinismo, baixa generalização, baixo reconhecimento e nenhuma criatividade).

Há ainda os sistemas de raciocínio que operam sobre as regras canônicas da lógica proposicional, os chamados Reasoners, onde bases de conhecimento lógico processual previamente preparada por especialistas (Ontologias Computacionais) são capazes de níveis superiores de generalização e reconhecimento se comparados aos sistemas mencionados no parágrafo anterior.

Tais sistemas vêm se mostrando muito úteis em aplicações nas mais variadas áreas, entre elas: cálculo de rotas em aplicações como Google Maps, diagnóstico médico, composição de respostas a questões jurídicas.

Exemplos de Paradigma Simbolico

Exemplos de Paradigma Simbólico

Aplicações de negócio para a Inteligência Artificial Simbólica:

Uma vez que se trata de um paradigma bastante pragmático, onde praticamente não existe o efeito caixa preta, ou seja todas as regras são claramente codificadas e sua validação é de fácil comprovação, sua aplicação em áreas conservadoras como Saúde, Judiciária e Fiscal configuram uma ótima oportunidade de aplicação imediata uma vez que mitiga eventuais riscos de compliance.

Há ainda grandes oportunidades nas áreas de óleo e gás, energia,  aeroespacial e mineração, na geração e automação de planos de ações a serem tomadas em caso de incidentes em operações de risco como aeroportos, estações de extração de petróleo e minério;

O seu uso pode ser bem aplicado em negócios mais tradicionais na automação das regras de negócio para criação de sistemas de precificação dinâmica para produtores e distribuidores de commodities.

2. O Paradigma Conexionista

Trata-se da inspiração do funcionamento dos neurônios, as chamadas redes neurais ou neuronais. Tais mecanismos simulam o funcionamento dos componentes do cérebro de uma forma simplificada em ambientes computacionais.

Há vários tipos de redes neurais e métodos de uso e treinamento, cujo detalhamento foge do escopo deste artigo; entretanto há uma abordagem que vêm chamando bastante a atenção, o chamado Deep Learning é a aplicação de redes neurais complexas em grandes volumes de dados em infraestruturas colossais de servidores.

O uso desse tipo de IA começou a ser bastante difundido com a publicação de frameworks Open Source de programação como o TensorFlow da Google e o Torch da Facebook.

Suas aplicações são variadas, indo de reconhecimento de face nos celulares, reconhecimento de voz, textos, até os complexos carros autônomos.

Exemplos de uso do paradigma Conexionista

Exemplos de paradigma Conexionista

Aplicações de negócio para a Inteligência Artificial Conexionista:

Este é um dos paradigmas mais explorado atualmente por grandes empresas como Google, Facebook e Tesla em seus produtos e serviços. Sua versatilidade é bastante grande, entretanto com com um custo e risco alto na criação de aplicações por conta da complexidade dos  processos e treinamento dos modelos e suas possíveis configurações.

Seguem algumas oportunidades de aplicação e negócio que este paradigma possibilita:

  • Controle de qualidade de produtos industrializados: com uso de imagens fotográficas ou espectrométricas (fotografia em cores que o olho humano não vê, como infravermelhos e raios-X, por exemplo) é possível, com pouco esforço, criar sistemas que aprendam: textura, aspecto, força e sabor de produtos e sejam capazes de gerar ganhos significativos na redução de custos do controle de qualidade e confiabilidade;
  • Detecção de crises e oportunidades de investimento e desinvestimento para o mercado financeiro; e
  • Uso de detecção de faces no monitoramento de áreas controladas, detectando possíveis invasores.

3. O Paradigma Evolucionista

O paradigma evolucionista ou evolucionário é composto por uma série de algoritmos que usam como inspiração a evolução natural, os chamados algoritmos genéticos.

Igualmente como ocorreu na natureza, a evolução do design de seres vivos, os algoritmos genéticos usam conceitos como Fenótipo, Genótipo, Cruzamento, Seleção, Perpetuação, Ambiente e Morte para simular ecossistemas digitais, onde “seres” ou “partes de seres” evoluem de forma muito rápida em Ambientes criados por uma grande quantidade de computadores interligados na forma de Cluster, e da mesma forma como nossos olhos e mãos evoluíram, mecanismos como antenas, turbinas, pontes e microchips são desenhados a partir de milhões e bilhões de interações em um processo darwiniano.

Aplicações de negócio para a Inteligência Artificial Evolucionista:

A principais oportunidades de negócio para esse paradigma se encontram no desenvolvimento e design de novos produtos e serviços.

Na figura a seguir são mostrados alguns exemplo de design de produtos onde a IA Evolucionista gerou um design completamente novo com ganhos de durabilidade, desempenho e economia de materiais. (fonte)

Exemplos de Paradigma Evolucionista

Exemplos de Paradigma Evolucionista

Outras aplicações mais intangíveis, entretanto não menos importantes que o design industrial são passíveis de alcançar grande valor organizacional com poder criativo da IA Evolucionista são enumeradas a seguir:

  • No desenvolvimento de experiências do usuário em sistemas de compras online;
  • Definição de planos de incentivo baseados na estratégia e os valores organizacionais;
  • Na criação de políticas de venda e precificação dinâmica;
  • Na melhoria contínua de processos de Customer Success;
  • No design de produtos financeiros; e
  • Na criação de estratégias de direção defensiva para carros autônomos.

4.O Paradigma Swarm (Enxame)

O paradigma de IA – Swarm Intelligence faz uso de  algoritmos de convergência baseados em fenômenos emergentes da natureza como: colônias de insetos, estratégicas coletivas de peixes e pássaros e ainda comportamento auto-organizativo de partículas atômicas e subatômicas.

Este é um paradigma relativamente pouco explorado ainda em aplicações de negócio e caracteriza uma oportunidade de se obter uma grande vantagem competitiva.

Uma das característica marcantes dos algoritmos de enxame (swarm) está na possibilidade de aprendizado e geração de valor a partir de quantidades limitadas de dados de treino.

Por exemplo, as técnicas de deep learning necessitam de uma grande quantidade de amostras para se evitar o fenômeno de Underfitting; já os algoritmos genéticos (paradigma evolucionista) necessitam de muita computação para se alcançar resultados satisfatórios. Por sua vez, os algoritmos de enxame são capazes de aprender com uma quantidade relativamente reduzida de dados e demandam muito menos computação, tornando economicamente viável aplicações em ambientes de negócio.

Exemplos de paradigma Swarm

Exemplos de paradigma Swarm

Aplicações de negócio para a Inteligência Artificial do tipo Enxame:

Como os enxames consomem menos energia e aprendem mais rápido, isso torna as aplicações que usam esse paradigma mais ágeis e adaptáveis em tempo real. A seguir são enumeradas algumas aplicações possíveis para esse tipo de paradigma:

  • Otimização de rotas logísticas para carga em malha viária ou em ambientes urbanos complexos;
  • Criação de sistemas de precificação dinâmica com alta capacidade de adaptabilidade e respostas em tempo real, permitindo assim a maximização do markup em mercados de alta velocidade e variância como bolsas de valores, commodities, passagens aéreas e leilões invertidos;
  • Definição ótima de categorias de SKUs e balanceamento do mix de produtos para otimização do marketing
  • Definição dos melhores termos para uso em para campanhas de marketing tradicional ou digital; e
  • Mapeamento de pontos cegos de patentes em estratégias de cobertura de propriedade industrial.

5. Paradigma Ensemble

Trata-se da aplicação combinada dos paradigmas apresentados anteriormente, seja de forma previamente determinada, seja em combinação dinâmica, onde se usa a própria Inteligência Artificial para gerar a configuração ótima para atacar o problema alvo.

Mais novo e menos explorado que a Swarm Intelligence, a IA do tipo Ensemble já ocupa seu lugar em produtos futuristas como os carros autônomos da Tesla e da Waymo (Google), bem como dentro do coração Watson da IBM e também de plataformas em ascensão como o Aquarela VORTX.

A maior virtude dessa abordagem está na otimização das características naturais dos paradigmas de Inteligência Artificial combinados na busca dos melhores níveis de determinismo, generalização, reconhecimento, criação e autonomia de acordo com os objetivos do produto de IA a ser criado.

Além da otimização da características naturais, esse tipo de abordagem consegue lidar com problema comuns e de difícil solução pelo uso de soluções de “paradigmas puros” a seguir:

Overffiting: problema relacionado quando se têm dados em quantidade satisfatória, entretanto há viés nos mesmos, ou pouca homogeneidade de distribuição de padrões. Essa situação pode fazer o modelo perder sua capacidade de generalizar, ou introduzir respostas com viés.

Underfitting: problema relacionado quando não se têm dados em quantidade suficiente para um aprendizado satisfatório;

Cold Start: quando se deseja criar um sistema de predição ou de prescrição de ações de uma novo produto, e ainda não se tem dados de operação (por exemplo, um avião que começou a ser recentemente vendido).

Non-linear separable: trata-se de situações em que a resposta de um problema não é simples como conjunto de condições lineares (por exemplo uma tabela de preços) e sim possui um relacionamento complexo de difícil visualização e compreensão humana;

Unified type model: trata-se do problema de se processar dados de origens heterogêneas como: datas, intervalos, categorias, números e hierarquias em um único modelo integrado.

Além de poder lidar melhor com esses problemas, ainda o uso de IA sobre a própria IA pode ajudar na definição de parâmetros técnicos complexos, e assim reduzir o risco da iniciativa de IA falhar.

Aplicações de negócio para Inteligência Artificial do tipo Ensemble:

Exemplos deParadigma Ensemble

Exemplos de Paradigma Ensemble

As possibilidades para esse tipo de abordagem são virtualmente infinitas, a seguir apresentamos algumas já exploradas por nossa equipe e outras em vias de exploração:

  • Descoberta de fatores que levam ao desenvolvimento de doenças que vão desde a problemas do fígado ao surgimento de células cancerígenas;
  • Criação de sistemas de manutenção preditiva e prescritiva com abordagem de aprendizado adaptativo para setores como: Aeroespacial, Óleo e Gás, Energia, Siderurgia, Metalurgia, Automobilístico, Extrativismo mineral, Agro, Alimentos e Têxtil;
  • Otimização de recuperação de crédito por meio da predição e a prescrição da melhor abordagem de negociação;
  • Recomendação prescritiva a partir da predição das preferências de clientes do sistema bancário de produtos financeiros;
  • Recomendação de compra e venda de ativos financeiros de forma adaptativa por meio de predição de cenários futuros;
  • Descoberta dos perfis de clientes com maior fidelização, assim permitir direcionar o esforço comercial e marketing para esses clientes e dessa forma trabalhar com uma abordagem pró-ativa de redução de Churn (perdas de clientes);
  • Gerar recomendações de ações pró-ativas de relacionamento no combate ao Churn; e
  • Criar testes AB com centenas e milhares de possibilidades combinatórias na busca da melhor abordagem de experiência de usuário na maximização da conversão de clientes;

A lista de casos de uso e de possibilidades é bastante grande e citamos apenas algumas, provavelmente isso será tema de futuras publicações em nosso blog.

Conclusões e recomendações

O uso dos paradigmas de Inteligência Artificial serão os grandes impulsionadores da Indústria 4.0. Isso já é uma realidade para empresas com produtos e processos com maior maturidade de uso dos dados em direção ao nível exponencial, como muitas empresas do Vale do Silício, e agora também no Brasil, graças a forte influência das Startups e da corajosa atitude de empresas de grande porte vanguardistas como Embraer, DHL, Votorantim, Algar Telecom, entre outras.

É sabido pela história do mercado, que no processo de mudança de paradigma, surgem várias oportunidades, e normalmente muitas marcas somem e outras marcas emergem, como na mudança da fotografia de filme para digital; quem se lembra das câmeras e filmes da Kodak?

Assim, estar atento às novas ferramentas e principalmente às oportunidades que estas podem criar de novos produtos e serviços é instrumental para a sustentabilidade, bem como para o atingimento das metas de crescimento e expansão definidas em sua estratégia.

Esperamos que com a leitura desse artigo, você tenha conseguido estabelecer as pontes entre a operação de seu negócio, sua estratégia e as possibilidades que a Inteligência Artificial pode oferecer em seus paradigmas.

 

Autores
Marcos Santos
Fundador da Aquarela, CEO e arquiteto da plataforma VORTX. Mestre em Engenharia e Gestão do Conhecimento, entusiasta de novas tecnologias, tendo expertise em linguagem funcional Scala e em algoritmos de Machine Learning e IA.

Informações para referenciação: Gostou do material? Caso queira enriquecer sua pesquisa ou relatório (seja blog post ou artigo acadêmico), referencie nosso conteúdo como: Aquarela 2018 - Inteligência Artificial para negócios (www.aquare.la).