Com tantas descobertas inovadoras e o uso de incalculáveis algorítmos pelo Google ou de tecnologias como o Watson, da IBM, para criar modelos de deep learning em ambientes integrados, alguém tem ainda alguma dúvida sobre o imenso potencial da Inteligência Artificial (IA)? Criada para melhorar a produtividade e o crescimento, possibilitando o gerenciamento dos fluxos de trabalho, a IA vem ganhando manchetes por ser anunciada como a salvação econômica de muitos mercados.
Há desafios que precisam ser enfrentados para garantir que a sociedade usufrua dos benefícios do que chamam de impacto disruptivo, mas já se sabe que ela gera crescimento por meio de uma série de recursos diferentes das soluções tradicionais de automação.
As pessoas podem ser muito mais produtivas quando apoiadas por máquinas e não serem substituída por elas, como se temia décadas atrás. Um dos benefícios da inteligência artificial é a sua capacidade de impulsionar inovações à medida que se propaga pela economia. Novas profissões surgem disso, por meio de novas oportunidades.
Se a IA produz condições para ir além da atual capacidade que capital e trabalho têm de criar crescimento econômico, pesquisas revelam oportunidades significativas de criação de valor.
Entre as aplicações atuais da inteligência artificial estão a análise de dados tradicional (que são as técnicas de Business Intelligence (BI), que monitoram, analisam ações ocorridas no passado, identificam novas oportunidades e implementam estratégias baseadas nos dados) e o deep learning (sistema que requer milhares e milhares de dados para que modelos executem satisfatoriamente suas tarefas complexas de registro). Em alguns casos, são necessários milhões desses dados para performar no nível das redes neurais de um ser humano.
Um estudo da McKinsey mostra como diversos segmentos da economia já entenderam o que é inteligência artificial e a usaram para diversas aplicações. Para os próximos anos, o estudo indica que a fonte primária para o valor de negócio da IA será a experiência dos clientes, com o uso de ferramentas como agentes virtuais e chatbots para dar suporte à interação com as pessoas.
Após 2020, a Gartner, outra consultoria de pesquisa, espera que o uso mais comum da tecnologia seja de suporte à decisão, com a inteligência artificial sendo usada para a ciência de dados e outras aplicações baseadas em algoritmos, permitindo classificar informações que antes precisavam de um humano.
Ainda conforme o estudo, outra fonte significativa para a valorização da IA é a área de sistemas de automação de decisão. Isso envolve programas de inteligência artificial capazes de transformar voz em texto, de processar textos escritos à mão ou de avaliar a dificuldade de classificar informações. Imagine isso na área do mercado magistral, sendo possível automatizar as tarefas e otimizar os processos. Este setor de IA deve atingir 16% do total em 2022.
É preciso preparar uma próxima geração para um futuro com inteligência artificial, integrando a inteligência humana e inteligência artificial para que elas tenham uma co-existência bem-sucedida e reforcem o papel das pessoas como motores do crescimento. Isso fortalece seus ecossistemas e funciona assim também quando usada na gestão das empresas, melhorando processos de automação e gerando reflexos até no atendimento.
Não há dúvida de que a computação cognitiva seja a bola da vez. Os computadores estão mesmo aprendendo e rapidamente. Lá nos primórdios, os processadores eram capazes de efetuar cálculos, depois evoluíram para a utilização de sistemas programáveis e agora já são capazes de processar informações baseadas em aprendizado de experiências anteriores. É um funcionamento semelhante ao do nosso cérebro, uma vez que vamos recebendo informações e processando-as para adquirir aprendizados.
Inteligência artificial na gestão:
Quando se trata de inteligência artificial na gestão, existem algumas limitações, porque as máquinas são mais “treinadas” do que “programadas”. Por conta disso, os diversos processos geralmente exigem imensas quantidades de dados rotulados para executarem tarefas complexas de forma precisa. Isso leva tempo. As três principais limitações são:
- Catalogação de dados: obter esses dados pode ser muito difícil, porque a maior parte dos modelos é treinada por meio de “aprendizado supervisionado”, o que significa os humanos precisam catalogar e categorizar os dados. Por outro lado, novas técnicas estão surgindo para otimizar esse enorme trabalho.
- Obtenção de grandes conjuntos de dados para treinamento: o modelo atual de machine learning exige não apenas dados catalogados, mas uma imensa quantidade deles. Um processo de deep learning requer milhares e milhares de registros para que modelos executem satisfatoriamente suas tarefas complexas de registro e, em alguns casos, milhões deles para performarem no mesmo nível de um ser humano.
- Explicabilidade: o grande desafio está aí, quando complexos maiores tornam-se mais difícil de explicar, em termos humanos, porque uma certa decisão foi tomada. Este é um dos motivos pelos quais a adoção de algumas ferramentas é restrita em áreas nas quais a necessidade de explicar é útil, ou mesmo exigida.
