A necessidade de dar respostas aos desafios que a pandemia trouxe forçou uma aceleração do uso da Inteligência Artificial em diversos contextos, levando as organizações a implantar em duas semanas o que levava dois meses
Nós já contamos aqui no blog sobre os dois lados da moeda que é a aceleração da produção científica por conta da pandemia do Coronavírus. E para a tecnologia, será que o cenário se modificou também?
O que o mundo percebeu de forma geral é que Inteligência Artificial e Big Data ajudam muito na resolução de problemas em grande escala, com diversas iniciativas no contexto da doença acontecendo nos negócios e em áreas como saúde e poder público. Houve uma aceleração dessas tecnologias por conta da necessidade de se trabalhar em um cenário de incertezas gigantesco e ter respostas rápidas aos inúmeros desafios.
As IAs precisaram ser retreinadas, pois a mudança de comportamento das pessoas foi tão grande que os dados históricos e os modelos de previsão não correspondiam mais aos padrões. Como analogia, podemos dizer que se os dados são o novo petróleo, algumas das plataformas pegaram fogo.
A aceleração necessária
O tempo de desenvolvimento para modelos de aprendizado de máquina ou modelos analíticos avançados geralmente é de quatro a oito semanas – após uma compreensão clara do escopo do projeto e dos dados necessários para treinamento, validação e testes. Se incluir a estratégia a ser criada antes do desenvolvimento do modelo, são três a quatro meses até a implantação da produção.
Com a pandemia, soluções mais rápidas foram necessárias, e modelos de IA Mínima Viável (MVAIM) tiveram que ser desenvolvidos em prazos muito mais curtos. A PwC nos EUA, por exemplo, utilizou metodologias ágeis de ciência de dados para construir um modelo SEIRD (Susceptible-Exposed-Infected-Recovered-Death) de progressão da Covid-19 para todos os 50 estados em uma semana. A testagem, validação e implantação ocorreu em outra semana e após implantar o modelo inicial, foi estendido a todos os condados dos EUA e depois aprimorado.
De muitas maneiras, a pandemia destacou as inadequações de nossos sistemas, processos, governança e comportamentos. Por outro lado, ofereceu uma oportunidade para cientistas de dados e profissionais de IA colocarem suas técnicas e ferramentas avançadas em uso, ajudando líderes de negócios a tomar decisões em um ambiente desafiador dominado pela velocidade, incerteza e falta de dados.
Anand Rao, líder Global de Inteligência Artificial da PwC e Kay Firth-Butterfield, chefe de Inteligência Artificial e Aprendizado de Máquina do Fórum Econômico Mundial, destacam que à medida que as organizações lidam com essa pandemia e se transformam, ficam alguns aprendizados importantes: concentrar-se em métodos ágeis de ciência de dados que tratam da velocidade, urgência e incerteza da tomada de decisão. Construir e gerenciar negócios usando modelos dinâmicos e resilientes que capturam as inter-relações de múltiplos domínios, como demanda, produção, suprimento, finanças e também o comportamento humano. E também combinar abordagens ricas em modelos e em dados para obter o melhor dos dois mundos ao construir sistemas de IA.
A IA pós-covid
Em artigo no Medium, David Lamb destaca que:
“Podemos estar vendo o fim da era da IA fácil agora. Ou, se não for isso, certamente estamos ouvindo o sinal de alerta de que seu tempo está quase acabando”.
Cientista de Dados e Futurista, Lamb entende que a previsão de padrões ainda será amplamente utilizada, mas serão mais sofisticadas do que o Aprendizado de Máquina atual. Os algoritmos exigirão um Big Data mais uniforme, bem rotulado e equilibrado para ser assertivo. Mais do que automatizar tarefas, o que vai realmente funcionar são modelos que captem a intuição humana e aumentem a gama de comportamentos de uma empresa, ao invés de acelerar o que existe até então. É Deep Learning, algo mais perto dos modelos de rede, modelos baseados em agentes, análise de decisões e inferência causal.
“Quase todas as ferramentas inteligentes que construímos na última década são projetadas para capitalizar em um mundo rico em informações homogêneas e gerenciáveis. Em muitos aspectos, eles são muito parecidos com os modelos de precificação de imóveis em voga antes da crise de crédito, em que o valor de uma casa só poderia subir”, diz Lamb.
Então, como será o cenário de IA após a pandemia? Será diferente, com certeza. Talvez o ponto não seja lamentar o fim da IA fácil e das empresas que dependem dela, porque a mudança sempre foi o que deu força para impulsionar a inovação técnica e, geralmente, as grandes disrupções vêm de episódios dolorosos e desafiadores como uma crise, seja ela sanitária, política ou econômica.
