A inteligência artificial (IA) deveria ser a solução ideal para suprir uma variedade de lacunas nos negócios, mas nem sempre produz resultados positivos e acionáveis.
Qual a razão disso? Cada vez mais, organizações estão adotando recursos de IA, machine learning (ML) ou análise de dados em seus processos, mas o valor comercial dessas iniciativas continua inatingível.
Existem diversos fatores que impedem empresas de avançar com a IA.
As pessoas têm dificuldades para entender o seu verdadeiro potencial, incluindo suas limitações. Geralmente essas confusões são motivadas pela mídia, com reportagens sensacionalistas ou extremamente simples. Entretanto, esses mitos da data science também são desvendados por inúmeras pessoas que alegam entender sobre o assunto.
8 mitos sobre IA
1. A IA resolve todos os problemas de forma mágica
A IA proporciona benefícios surpreendentes como aumentar a receita, reduzir custos, detectar fraudes com antecedência ou ainda, eliminar qualquer trabalho repetitivo e desgastante. Contudo, algumas empresas que adotam a IA e o ML com sonhos ambiciosos, acabam descobrindo que a realidade costuma ser bem diferente.
A inteligência artificial deve ser um processo gradativo e contínuo.Organizações devem começar com projetos para aprimorar o desempenho, aumentar a satisfação do cliente ou automatizar processos de negócios. À medida que as competências e conhecimentos sobre a IA aumentarem, ela pode ser aproveitada para enfrentar desafios financeiros mais complexos.
Lembre-se também do princípio de Pareto, que afirma que 80% das consequências são resultado de 20% das causas. Não há necessidade de investigar detalhes granulares e problemas incapazes de gerar retornos mensuráveis. Eles simplesmente bloqueiam o sistema — assim como toda a sua equipe.
2. Machine learning significa "pensar como seres humanos"
As pessoas são criaturas complexas e nossos cérebros são extremamente complicados. Utilizamos heurísticas o tempo todo, as chamadas "regras do polegar", que aprendemos durante anos de experiência. Estudamos estereótipos que nos permitem fazer julgamentos de forma rápida, mas nem sempre estão corretos.E não queremos que computadores pensem como humanos, já que as pessoas tendem a apresentar falhas de raciocínio.
A verdade é que o processo de machine learning envolve previsões baseadas em dados. Se a informação tiver baixa qualidade, os resultados serão ineficazes.
O machine learning simplesmente descobre os vieses nos dados e as suposições das equipes.Qual a importância disso? O viés de algoritmos, dados e equipes pode causar prejuízos significativos nos negócios.
Por exemplo, instituições bancárias recorrem à IA para a tomada de decisões relacionadas a empréstimos. Quem representa riscos? Quem tem maior probabilidade de quitar as dívidas no prazo?Sabemos que muitos dados podem ser tendenciosos, então o machine learning com base em tais dados também será distorcido.
Antigamente, os homens eram titulares de hipotecas. Em geral, os pedidos de empréstimos feitos por mulheres eram rejeitados por razões sem qualquer relação com recursos financeiros ou capacidades de reembolsar o banco. Se a IA observasse esses dados, não diria "o setor financeiro é historicamente patriarcal", mas sim "as mulheres são reprovadas com mais frequência e, portanto, aplicações de créditos imobiliários deveriam ser recusadas".Lembre-se do fiasco do cartão de crédito Apple que dava ao marido uma linha de crédito 20 vezes mais alta que a da esposa?
Na realidade, as mulheres representam um risco de crédito inferior aos homens, seja qual for a escala. Mulheres pagam empréstimos em dia e apresentam menos problemas de inadimplência. Por isso, se um banco implementar recursos de ML com irregularidades, eles farão empréstimos para homens de maior risco, como também deixarão de contabilizar o rendimento proporcionado por mulheres de baixo risco.
Além disso, a legislação proíbe a discriminação de gênero, ou seja, é ilegal considerar o sexo ao avaliar a credibilidade. Mas a prática abusiva da concessão com base no gênero discrimina mulheres.
O machine learning é sobre o aprendizado de dados, que muitas vezes apresenta falhas, é tendencioso e longe de ser objetivo. Normalmente, não é explícito, mas com sutilezas e substituições no conjunto de dados de treinamento.
3. A IA é só conectar e explorar
Com tantos programas de SAAS e promessas grandiosas feitas por empresas de software, é possível pensar que a IA é algo simples. Basta introduzir os dados, e as máquinas vão processar as informações e dizer o que você deseja descobrir.Sem precisar de nenhum conhecimento de codificação!
Mas mesmo quando a equipe entende o processo, há muito trabalho a ser feito primeiro.
Limpeza de dados: existem dados e dados de qualidade. Não adianta acrescentar grandes volumes de informações se estiverem erradas, incompletas, com amostras mínimas, ou então se o registro de dados estiver totalmente inadequado.
Compreensão sobre o resultado do trabalho: quando uma empresa ou cliente afirma que precisa de uma broca, um bom cientista de dados sabe que, na verdade, necessitam fazer um furo.Além disso, ele também sabe se os dados serão capazes de oferecer tal informação.
Conhecimento de domínio: o verdadeiro desafio da data science é a escassez de talentos no setor, simplesmente faltam analistas e cientistas de dados qualificados. Ainda há um grande déficit de profissionais com capacitação e experiência, o que prejudica a aplicação e eficácia da IA no mercado.Empresas não possuem (ou não conseguem encontrar) cientistas de dados com as competências necessárias e, por isso, acabam contratando fornecedores terceirizados. Mas recorrer a provedores externos é apenas uma solução de curto prazo. O conhecimento de domínio é imprescindível para gerar resultados confiáveis.
4. Machine learning pode prever o futuro
Isso é verdade, se o futuro for exatamente igual ao passado.O ML traça dados históricos e faz previsões baseadas na teoria em que as situações vão acontecer da mesma forma novamente.
Porém, o ML vai muito além de fazer previsões.Você pode usá-lo para promover insights de negócios e simplificar processos, para adicionar novos produtos ou recursos, assim como para prever o futuro.Se o ML não for aproveitado para influenciar as decisões comerciais, qual é o propósito?
5. As previsões são aperfeiçoadas automaticamente com o tempo
O ML emprega diferentes algoritmos, chamados de modelos, para criar seus prognósticos.Assim que você inicia a produção de um modelo, ele começa a se degradar. Isso acontece porque os dados e o ambiente podem mudar, e as pessoas mudam. O modelo é consistente. Por isso, é necessário ajustar os padrões desde o início ou criar modelos mais adequados.
O problema da degradação do modelo é consequência do desvio de dados.Isso ocorre quando as tentativas de previsão do modelo são alteradas por fatores imprevistos. Por exemplo, se você estiver prevendo vendas em uma loja física, outras variáveis precisam ser consideradas, como o clima, os feriados do calendário e as ações da concorrência.
Um exemplo claro do desvio de conceito é quando um sistema para diagnosticar câncer de pele falha devido às variáveis omitidas. A máquina sabe identificar extremidades elevadas, formas irregulares e mudanças ao longo do tempo, que alertam o profissional de saúde sobre a suspeita de câncer. Entretanto, se a máquina não considerar a cor da pele (devido à exposição ao sol ou à raça), os resultados serão falsos negativos.
A generalização ou mudanças covariáveis são outro aspecto que afetam os modelos. Se os dados usados para treinar um modelo são de uma população, talvez de um país ocidental rico, ele se adapta perfeitamente a esse grupo específico. A existência de outros conjuntos e valores ocultos significa que as previsões são imprecisas, pois não apresentam resultados generalizados.
É necessário adotar algumas medidas para evitar a degradação do modelo. O desempenho do ML deve ser monitorado após a implementação. Se o modelo degradar, reestruture o modelo ou tente outro mais eficaz. Ele pode precisar de recursos adicionais ou alterações nos parâmetros. Isso é chamado de aprendizado contínuo, portanto para fazer previsões precisas, elas necessitam ser controladas e corrigidas.
6. Machine learning consiste em oferecer maior precisão
Acurácia é um excelente sinal, mas não representa um bom desempenho. Um modelo com 51% de precisão poderia prever os números da loteria corretamente e ganhar dez milhões de dólares. Um modelo com 99% de acurácia seria capaz de produzir um falso negativo ao prever um pedido de empréstimo fraudulento, que resultaria em prejuízos consideráveis.
O ML trabalha com probabilidades, não com certezas.
Assim como a necessidade da constante reavaliação dos modelos, a precisão dos resultados também precisa ser controlada. Qual a proporção de falsos negativos contra falsos positivos? Qual é o valor comercial desses possíveis desvios? Qual é o potencial valor da receita perdida?O sistema é insuficiente e a equipe de vendas está sobrecarregada com muitos leads, ou será que eles estão cruzando os dedos porque o sistema é muito complicado e rejeita uma grande quantidade de leads?
7. A IA e o ML estão substituindo pessoas
Sim, e o céu está desabando para os pessimistas.Toda vez que uma grande mudança pode representar uma ameaça, as pessoas entram em pânico de perder seus empregos.Isso gera resistência para a adoção da IA, enquanto muitos se esforçam para enfrentar a insegurança no trabalho.Um estudo revelou que 38% da população acredita que a tecnologia vai excluir os postos de trabalho nos próximos três anos.A estimativa é que até 2030, cerca de 20 milhões de vagas serão ocupadas por robôs no setor de manufatura. São números alarmantes.
A verdade é que a IA e o ML estão potencializando pessoas.
Eles estão assumindo tarefas repetitivas e maçantes, permitindo que profissionais continuem desempenhando funções criativas, imprevisíveis e complexas.A IA deve caminhar lado a lado com humanos para promover mudanças positivas no ambiente de trabalho.
Podemos observar a revolução industrial para entender o que o futuro nos reserva para a revolução da IA. Essa transformação radical de quase tudo em torno do trabalho nos séculos 18 e 19 não foi responsável pelo desemprego e prejuízos a longo prazo.As pessoas sempre encontram novas oportunidades (muitas vezes após um período de adaptação difícil) e o receio de perder o emprego em massa não tem fundamento.
Embora a IA possa acarretar perdas de trabalhos, a expectativa é que qualquer prejuízo seja compensado por novas profissões a partir de uma economia mais sólida e próspera.
A automação e a IA vão transformar trabalhos e vidas, isso é indiscutível.Mas, na maioria das vezes, essas mudanças serão positivas.
8. Quanto maior o volume de dados, melhor será o machine learning
Lixo entra = lixo sai.Se você está alimentando a máquina com informações irrelevantes, dados sujos ou errados, os resultados vão refletir isso. Cientistas de dados alegam que quase 50% de suas atribuições é a limpeza de dados, e existe uma razão por trás disso.
Mesmo a máquina mais eficiente é incapaz de gerar insights a partir de dados corrompidos.
Os benefícios da data science são surpreendentes.
Não se trata de um mito. Quando o processo é realizado com sucesso, os resultados comerciais podem corresponder às expectativas estabelecidas. Rapidez, excelência, potência, a força máxima da empresa.
Mas para usar a IA em escala organizacional, é preciso uma compreensão mais abrangente das suas capacidades e onde ela pode ser útil. Caso contrário, é apenas mais um daqueles 80 e poucos por cento de projetos de data science que nunca saem do lugar.Para obter o retorno sobre investimentos em data science, é preciso ter uma visão realista sobre o que a IA pode fazer e aplicá-la adequadamente a projetos bem definidos com grandes volumes de dados.Embora isso pareça pouco atraente (e fácil) como conectar, explorar e prever o futuro, é uma estratégia muito mais eficiente para alcançar os resultados que a IA pode oferecer.
Leia a seguir
Se quiser saber mais, confira Desvende sete mitos sobre machine learning.