Inteligência Artificial: Hype versus realidade

Isaac Sacolick, InfoWorld/EUA

Publicada em 18 de janeiro de 2018  em CIO

Forbes

Como você pode saber se vale a pena investir tempo em uma tecnologia emergente, como a Inteligência Artificial, quando há tantos exageros publicados diariamente? Estamos todos apaixonados por alguns dos resultados surpreendentes, como o AlphaGo batendo o jogador campeão Go , os avanços em veículos autônomos , os avanços em reconhecimento de voz da  Alexa e da  Cortana e o reconhecimento de imagem realizado pelo Google Photos, o Amazon Rekognition e outros aplicativos de compartilhamento de imagens.

Quando empresas grandes e tecnicamente fortes como Google, Amazon, Microsoft, IBM e Apple mostram sucesso com uma nova tecnologia, e a mídia o glorifica, as empresas geralmente acreditam que essas tecnologias estão disponíveis para seu próprio uso. Mas é verdade? E, em caso afirmativo, onde é verdade?

Este é o tipo de pergunta que os CIO fazem cada vez que uma nova tecnologia começa a se tornar mainstream:

• 1 - É uma tecnologia em que precisamos investir, pesquisar, prestar atenção ou ignorar? Como explicamos aos nossos líderes empresariais onde a tecnologia tem aplicabilidade ao negócio e se representa uma oportunidade competitiva ou uma ameaça potencial?
•  2 - Como simplificamos o que a tecnologia faz em termos compreensíveis para os funcionários mais curiosos e separar o hype, a realidade atual e o potencial futuro?
• 3 - Quando determinados funcionários da equipe mostram interesse em explorar essas tecnologias, devemos apoiar? Como devemos orientá-los e em quais aspectos da tecnologia eles devem investir tempo de aprendizado?
• 4 - Como avaliar, entre as ofertas dos fornecedores,  o que tem potencial real de negócio versus aqueles serviços ainda muito incipientes para alavancar versus outros que são realmente hype?

O que realmente é a Inteligência Artificial e como chegamos lá?

A IA já tem algum tempo , mas para mim, ele teve seu grande começo em 1968-69, quando o  sistema de processamento de linguagem natural SHRDLU (NLP) saiu. Na época, foram publicados artigos de pesquisa sobre perceptrons e backpropagation, e o mundo tomou conhecimento da IA através do HAL, em 2001: Uma Odisséia do Espaço. Os avanços importantes, bem posteriores, podem ser fixados no final da década de 80, com a propagação de uso dos algoritmos de aprendizagem e, em seguida, a sua aplicação a problemas como o reconhecimento de escrita . A IA assumiu desafios em larga escala no final da década de 90 com o primeiro chatbot (ALICE ) e Deep Blue batendo Garry Kasparov, o campeão mundial de xadrez.

Tive minha primeira experiência prática com a AI nesta época. Na escola de pós-graduação da Universidade do Arizona, vários de nós estavam programando redes neurais em C para resolver problemas de reconhecimento de imagem em áreas médicas, astronômicas e outras áreas de pesquisa. Experimentamos vários algoritmos de aprendizagem, técnicas para resolver problemas de otimização e métodos para tomar decisões em torno de dados imprecisos.

No caso das redes neurais, programávamos a matemática do perceptron à mão e passávamos para as camadas da rede para produzir a saída. Em seguida,aplicávamos os algoritmos de backpropagation para ajustar a rede. Então esperávamos longos períodos de tempo para que o sistema estabilizasse sua saída.  Quando os resultados iniciais falhavam, nunca tínhamos certeza se as falhas tinham sido provocadas por termos aplicados os algoritmos de aprendizado errados, não ajustarmos a nossa rede adequadamente para o problema que estávamos tentando resolver ou simplesmente se havíamos cometido erros de programação nos algoritmos perceptron ou backpropagation.

Pensando nisso, é fácil ver por que há um salto exponencial nos resultados de IA nos últimos anos, graças a vários avanços tecnológicos.

Primeiro, há computação em nuvem, que permite o gerenciamento de grandes redes neurais em um conjunto de máquinas. Em vez de fazer um loop através de perceptrons, um de cada vez, e trabalhar com apenas uma ou duas camadas de rede, a computação é distribuída em uma grande variedade de nós de computação. Isso permite algoritmos de aprendizagem profunda , que são essencialmente redes neurais com um grande número de nós e camadas que permitem o processamento de problemas em larga escala, em quantidades razoáveis ​​de tempo.

Em segundo lugar, há o surgimento de bibliotecas e serviços comerciais e de código aberto, como TensorFlow , Caffe , Apache MXNet e outros serviços que fornecem aos cientistas de dados e desenvolvedores de software facilidades na implementação de algoritmos de aprendizado de máquina e aprendizagem profunda em seus conjuntos de dados sem terem que programar a matemática subjacente ou habilitar a computação paralela. As aplicações futuras da IA serão conduzidas pela AI em um chip ou à bordo, impulsionadas pela inovação e competição entre a Nvidia, Intel, AMD e outros.

Não confunda o hype de IA com as realidades em IA

Uma vez que você tenha uma compreensão da história e uma compreensão da tecnologia, muitas vezes é útil rever onde uma tecnologia emergente está em seu ciclo de vida.

O Gartner alocou o Machine Learning e o Deep Learning no topo de seu Hype Cycle e prevê que "IA geral" (AI aplicada a qualquer problema de inteligência) surgirá após 2020.

A Venture Scanner mostra que cerca de dois terços do financiamento de startups de IA está em rodadas iniciais (sementes, série A e série B), indicando que muitas empresas que vendem ou comercializam soluções de IA ainda estão no início do desenvolvimento de produtos e ciclos de vendas.

A McKinsey afirma que apenas 20 por cento das empresas conscientes do potencial da IA estão adotando a tecnologia e que mais de metade dos investimentos em IA é provenientesde gigantes tecnológicos e startups versus empresas que passaram a usar a tecnologia.

Essas estatísticas devem dar a qualquer executivo de Ti ou das áreas de negócio um sinal de alerta antes de decidir por investimentos maiores em IA. Embora a IA certamente demonstre muita promessa, a aplicação comercial desses algoritmos em escala ainda é relativamente nova.

E os primeiros vencedores são grandes empresas de tecnologia e startups com talento, financiamento e paciência para experimentar novas tecnologias. A maioria das empresas usuárias simplesmente não podem se dar a esses luxos e estão apenas começando suas viagens em IA.

A Inteligência Artificial é uma tecnologia altamente disruptiva, então você não deve ignorá-la. Apenas prossiga judiciosamente e evite ficar hipnotizado pelo exagero da IA.

Por exemplo, quando a voz se torna uma interface de máquina humana melhor do que as telas e teclados, para algumas aplicações, ou quando os chatbots se tornam mais inteligentes e rápidos do que os agentes humanos de atendimento ao cliente, muitas empresas precisarão atualizar suas experiências de usuário com essas tecnologias. Então, vale mantê-las no radar, mas em ambientes controlados.

Da mesma forma, quando os algoritmos de Deep Learning melhoram na detecção de fraude, transações de risco ou ameaças de segurança, as empresas precisam estar prontas para usar essas abordagens.

E quando começarmos a extrair inteligência da linguagem falada, do áudio e do vídeo, da forma mais eficaz possível, com dados mais estruturados, o uso desses recursos proporcionará vantagens competitivas significativas para uma grande variedade de negócios.

Quando é a palavra aqui. Estamos no condicional.

A maioria das empresas deve ter como objetivo ser seguidora rápida, não early adopter precoce. Isso significa prestar atenção e até mesmo experimentar com IA nestes primeiros dias, esperando  para confiar na AI até que a tecnologia esteja suficientemente madura, comprovada e capaz de entregar em escala.

À medida que você aprender sobre as capacidades de IA, deve procurar por ferramentas e exemplos práticos para ajudar a avaliar as aplicações e sua maturidade. Exemplos:

• - A Forrester aponta nove tecnologias IA como essenciais e propõe um modelo de construção que começa com hipóteses e pesquisas e termina com três níveis de aplicação pragmática.
• - A Workday publicou seu modelo de maturidade que aplica IA à automação e informa às pessoas antes da descoberta e da transformação da aplicação. Isso faz sentido porque é mais fácil avaliar os resultados da IA quando aplicada a problemas que as pessoas já estão resolvendo.
• - Há vários exemplos da indústria, incluindo seguros , cuidados de saúde , bancos , agricultura , legislação, publicidade , construção , instituições de caridade e mídia .

O hype em torno da IA e do Machine Learning está levando alguns líderes de tecnologia e negócios a mergulhar em uma estratégia de primeira tecnologia. Se você está iniciando sua jornada e experimentando bibliotecas de aprendizado de máquina ou selecionando vendedores que estão batendo os tambores da IA, você está faltando de cumprir algumas etapas iniciais importantes.

Comece por analisar os problemas e as oportunidades de negócios com significativa vantagem para compensar os custos de pesquisa e desenvolvimento. Essas oportunidades devem ser apoiadas por conjuntos de dados muito grandes que você já possui ou que você pode adquirir e  dados que se integrem facilmente. E procure conhecer casos de sucesso.

Um dos motivos para começar com uma oportunidade de negócio definida é que você pode encontrar soluções que não exigem ter que lidar com as tecnologias mais recentes de IA. Se for necessária alguma forma de IA, essa abordagem de oportunidade de negócios permite classificar o tipo de solução e avaliar a maturidade geral da IA necessária para resolver o problema.

Por exemplo, se você estiver tentando automatizar um processo de negócio altamente manual envolvendo inspeção visual de peças que saem de uma linha de montagem, você pode optar por uma combinação de reconhecimento de imagem e automação de processos robotizados como parte do conjunto de soluções. Ambas são áreas de IA mais maduras, como evidenciado pela variedade de cases de sucesso e soluções de fornecedores nesta área.

Por outro lado, se a solução requer uma avaliação e pensamento cognitivo significativo, você está indo para um espaço de IA imaturo.

Uma maneira de avaliar a maturidade da IA é analisar as várias opções de fornecedores trabalhando com as startups de IA. Analisando essas listas, você verá que muitas startups têm soluções focadas em conjuntos discretos de problemas, em vez de soluções cognitivas generalizadas.

Não se deixe enganar quando um vendedor disser algo como: "Basta lançar seus dados na nossa IA" e esperar que a inteligência especializada seja devolvida. Isso não acontecerá.

Para realmente trabalhar, sua IA precisará de muitos dados

Isso traz o segundo pré-requisito para executar IA com sucesso: você precisa de grandes quantidades de dados relativamente limpos para treinar soluções de IA e avaliar saídas.

Uma razão pela qual os veículos autônomos são possíveis são os 4mil GBytes gerados a partir de uma hora de condução por sensores encontrados nesses carros. Isso é uma grande quantidade de dados usados ​​para tomar o que realmente são apenas um punhado de decisões fundamentais sobre se o carro deve girar, acelerar, diminuir a velocidade ou parar completamente.

Muitas soluções de IA bem sucedidas se enquadram nesta mesma categoria de grandes quantidades de dados em um número finito de decisões. No reconhecimento de imagem, por exemplo, estou olhando uma imagem que contém você, ou não? Na filtragem colaborativa, um artigo recém-publicado é mais relevante para você com base em suas experiências de leitura passadas versus outras opções de leitura? Ao avaliar uma transação, ela possui padrões semelhantes a transações fraudulentas?

A IA "dentro da caixa" está tentando aproximar uma curva para tomada de decisões. No Deep Learning, por exemplo, o número de camadas e neurônios na rede pode aproximar curvas altamente complexas para diferenciar os resultados. Para desenvolver esta rede, você precisa de um conjunto de Big Data e marcadores para que a rede possa ser treinada comparando seus resultados em relação ao resultado etiquetado com o resultado desejado. Os erros são então usados ​​para ajustar a rede usando backpropagation ou outros algoritmos de aprendizagem, e o exercício é repetido várias vezes em todos os dados marcados até que a rede se estabilize em uma curva otimizada. Estas são soluções de aprendizagem supervisionadas, desenvolvidas usando um conjunto de treinamento.

Se os dados não são marcados, as redes podem usar abordagens de aprendizagem sem supervisão que dependem de expressões de entropia que avaliem o resultado. Por exemplo, quando o Google DeepMind foi usado para aprender a jogar o jogo Atari Breakout. Ele usou a pontuação para avaliar os resultados.

Além dos conjuntos de dados, sua organização precisa de integração de dados e capacidade de automação para que você possa mover dados para dentro e fora de qualquer mecanismo de processamento de IA. Se a sua organização necessita que as pessoas executem scripts manualmente para empurrar os dados, sugiro fortemente investir primeiro na automação antes de mergulhar em soluções de AI.

Suas opções para experimentar com AI

Uma vez que você tenha oportunidades de negócios identificadas e conjuntos de dados limpos disponíveis, você está pronto para considerar o uso de IA. Essas duas etapas são pré-requisitos para preparar sua organização para Inteligência Artificial . Os principais passos a seguir são considerar os tipos de solução e de implementação de IA. Se você tem os talentos necessários, você pode experimentar o TensorFlow ou um dos outros motores de IA. Se você não tem experiência, pense duas vezes sobre tentar recrutar para isso. Os gigantes da tecnologia estão pagando enormes salários pelo talento escasso de IA , e os custos para entrar no jogo são enormes.

Uma segunda opção é usar fornecedores que incorporaram IA em suas soluções. Um exemplo é o Salesforce Einstein , uma plataforma de IA que pode executar a previsão e outras funções em cima dos dados de CRM armazenados nas soluções Salesforce. Da mesma forma, você pode analisar soluções específicas do setor, como o Neo, da Synechron,para tecnologia financeira (fintech).

Uma vez que você tenha adotado uma ou mais abordagens, é importante estabelecer expectativas realistas com as partes interessadas. Investir em IA requer um compromisso com a experimentação ágil, porque é provável que você encontre muitas faltas e experiências que exigem muitas corridas antes de serem otimizadas. Defina essas expectativas para o orçamento, o prazo e o talento, antecipadamente.

(*) Isaac Sacolick é o autor da  Driving Digital: The Leader’s Guide to Business Transformation through Technology, que abrange muitas práticas como agilidade, devol e ciência de dados que são críticas para programas de transformação digital bem-sucedidos. Sacolick é um reconhecido CIO social superior, um blogueiro de longa data em Social, Agile and Transformatio e CIO.com , e presidente da StarCIO .