Não é à toa que muitas das gigantes de tecnologia
(Facebook, Apple, Amazon, Google, IBM e Microsoft,
somente para citar algumas) estão comprando startups
e desenvolvendo produtos e soluções de IA. De acordo
com o AI Index 2018 Annual Report, no mercado ameri-
cano o número de fundos de venture capital focados em
IA cresceu 4,5 vezes entre 2013 e 2017 enquanto todos os
fundos de VC cresceram 2,08 vezes. De janeiro de 2015 a
janeiro de 2018, as startups em atividade de IA nos EUA
aumentaram 2,1 vezes; o total de startups 1,3 vez.
Estando inserido no epicentro do mercado de auto-
mação com uso de Inteligência Artificial, procuro es-
tudar o tema a fundo, tendo encontrado alguns bons
autores e artigos que endereçam o que estou vendo nas
implantações e lançamento de modelos de Inteligência
Artificial em grandes corporações.
No artigo Things that aren’t working in Deep Learning
(em tradução livre, Coisas que não estão funcionando
no Deep Learning), o cientista de dados William Vorhie
destaca o nascimento e avanço do Convolutional Neural
Network (CNN) como a tecnologia que irá substituir a
Recurrent Neural Network (RNN) em programas de tra-
dução e com alto potencial para outras novas aplicações.
Ao mesmo tempo, o autor salienta inúmeros obstá-
culos que ainda precisarão ser superados para que a IA
seja realmente eficiente e justifique a alocação de recursos
para sua adoção, como a dificuldade que a CNN ainda
apresenta de diferenciar objetos que são iguais ou seme-
lhantes; a visão computacional míope e com resultados
ainda sofríveis em integrar a detecção de objetos com sua
classificação e localização; e as respostas também ainda
pouco satisfatórias com o uso do Deep Reinforcement
Learning, tecnologia que está entre as mais pesquisadas
em IA e aplicável em áreas como robótica, carros autôno-
mos e, especialmente, em Machine Learning.
Em outro texto, intitulado 5 reasons why businesses stru-
ggle to adopt Deep Learning (em tradução livre, 5 Razões
por que os negócios lutam para adotar Deep Learning), Ga-
nes Kesari, também cientista de dados, dá o recado: “Sim,
a IA está se tornando uma realidade rapidamente, com
carros autônomos, drones entregando pizzas e máquinas
lendo sinais cerebrais. Mas muitas dessas tecnologias ain-
da estão em laboratórios de pesquisa e funcionam apenas
dentro de um ambiente cuidadosamente controlado”.
Essa é uma consideração de grande valia para reflexão: o
ambiente cuidadosamente controlado. Os modelos de rede
neural e de Inteligência
Artificial conseguem
performar bem nas ta-
refas em ambientes nos
quais todas as variáveis
são controladas; e isso
está causando uma
percepção errada por
todo o mercado.
As empresas que querem implantar modelos de rede
neural entendem equivocadamente que conseguirão lan-
çar magicamente modelos de automação em suas opera-
ções. E volto a salientar que não é bem assim. Liderei as
automações de alguns dos maiores backoffices do Brasil,
com destaque para dois em específico. O primeiro é um
backoffice que analisa contratos de financiamento de veí-
culos. Esse processo possui mais de 30 modelos de contra-
tos diferentes, com regras de análise diferentes para cada
estado (totalizando 27 regras de negócios distintas), e a
adição dos dados é feita por centenas de seres humanos.
Pergunto: existe um ambiente mais “não estruturado”
que esse? Tivemos de usar mais de 50 tipos diferentes
de algoritmos para tentar padronizar uma infinidade
de distintas variáveis e colocar todos em sequência para
automatizar o workflow. Uma tarefa das mais complexas
que desempenhei na vida.
Em outro caso, meu time teve o desafio de criar uma
série de algoritmos para interpretar mais de 100 mil con-
tratos de locação de torres e terrenos e extrair informações
desestruturadas de mais de 100 páginas. Novamente, tive-
mos de tentar padronizar uma quantidade massiva de va-
riáveis que não se conectam. Aproveito a rápida explicação
sobre esses dois cases para conectar com a continuação do
que o autor pontua como outro problema: a falta de dados
estruturados, um ponto que vejo na prática há três anos.
Kesari cita também a falta de dados estruturados e
“treinados” para alimentar o apetite insaciável do Deep
Learning, o que acaba por enterrar soluções de ponta que
se tornam apenas protótipos de pesquisa, e a preocupa-
ção na outra ponta com a privacidade de dados em siste-
mas que têm acesso a um alto volume de dados e chegam
a cruzar o que o autor chama de zona assustadora.
Novamente, ele destaca uma variável importantíssi-
ma para as redes neurais: os dados.
O seu modelo de Inteligência Artificial é tão bom quanto
a qualidade de dados que você alimenta para treinamento.PENSATAAs tecnologias
disruptivas
beneficiam os que
têm coragem deser pioneiros