Tecnologia

Uma ferramenta simples para começar a tomar decisões com a ajuda da IA

Ajay Agrawal, Joshua Gans e Avi Goldfarb
25 de Maio de 2018

O impacto significativo que a inteligência artificial (IA) terá nos negócios no futuro próximo desperta críticas acaloradas. Pouco se diz, porém, sobre como, exatamente, as empresas devem se iniciar no assunto. Em nossa pesquisa e em nosso livro, começamos fazendo uma análise dos elementos econômicos mais simples da IA, e explicamos como dar o primeiro passo.

Começamos com um insight simples: os desenvolvimentos recentes da IA estão relacionados com a redução do custo da previsão. A IA torna a previsão melhor, mais rápida e mais barata. Não apenas você pode prever com mais facilidade o futuro (como será o tempo na próxima semana?), Mas também pode prever o presente (qual é a tradução em português deste site em espanhol?). A previsão permite usar informações que você tem para gerar informações que você não tem. Sempre que você tem muita informação (dados) e quer filtrá-la, espremê-la ou classificá-la de forma que facilite a tomada de decisões, a previsão ajudará a fazer isso. E agora as máquinas podem fazer isso também.

Melhores previsões são importantes quando você toma decisões em face da incerteza, como todo negócio faz, constantemente. Mas como você pensa no que seria necessário para incorporar uma máquina de previsões em seu processo de tomada de decisão?

Lecionando esse assunto a graduados em MBA na Rotman School of Management da University of Toronto, introduzimos uma ferramenta simples de tomada de decisão: o AI Canvas. Cada espaço na tela contém um dos requisitos para tomada de decisão assistida por máquina, começando com uma previsão.

Para explicar como o AI Canvas funciona, usaremos um exemplo elaborado durante um de nossos workshops de estratégia de inteligência artificial, realizado por Craig Campbell, CEO da Peloton Innovations, um empreendimento que aplica a inteligência artificial no setor de segurança. (É um exemplo real, baseado em um produto que a Peloton está comercializando, chamado RSPNDR.ai.)

Mais de 97% das vezes em que um alarme de segurança doméstica dispara, é um alarme falso. Ou seja, algo diferente de um intruso desconhecido (uma ameaça) o desencadeou. Isso requer que as empresas de segurança tomem uma decisão sobre o que fazer: aciona a polícia ou um guarda? Telefona para o proprietário? Ignora o fato? Quando a empresa de segurança decide agir, em mais de 90 de 100 vezes acabará descobrindo que a ação era desnecessária. No entanto, responder sempre em resposta a um sinal de alarme garante que, quando uma ameaça realmente está presente, a empresa de segurança respondeu de forma apropriada.

Como você pode decidir se empregar uma máquina de previsão melhorará as coisas? O AI Canvas é uma ferramenta simples que ajuda você a organizar o que precisa saber em sete categorias para fazer essa avaliação de forma sistemática. Fornecemos abaixo um exemplo para o caso de alarmes de segurança.

Primeiro, você especifica o que está tentando prever. No caso do alarme, você quer saber se um alarme é acionado por uma pessoa desconhecida ou não (alarme verdadeiro versus falso). Uma máquina de previsões pode lhe dizer isso — afinal, um alarme com um simples sensor de movimento já é uma espécie de máquina de previsão. Com o aprendizado de máquina, você pode usar uma gama mais rica de informações dos sensores para determinar o que realmente deseja prever: se o movimento foi causado especificamente por uma pessoa desconhecida. Com os sensores certos —digamos, uma câmera em casa para identificar rostos conhecidos ou animais de estimação, uma chave da porta que reconhece quando alguém está presente, e assim por diante — as técnicas atuais de IA podem fornecer uma previsão mais sutil. A previsão não é mais “movimento = alarme” mas, por exemplo, “movimento + face não reconhecida = alarme”. Essa previsão mais sofisticada reduz o número de falsos alarmes, facilitando a decisão de enviar alguém, em vez de tentar entrar em contato com o proprietário.

Nenhuma previsão é 100% precisa. Assim, para determinar o valor do investimento em melhores previsões, você precisa saber o custo de um alarme falso, em comparação com o custo de desconsiderar um alarme quando ele é verdadeiro. Isso dependerá da situação e requer uma ponderação. Qual é o custo de uma chamada telefônica para verificar o que está acontecendo? Quanto custa enviar um guarda de segurança em resposta a um alarme? Vale a pena responder rapidamente? Quanto custa não agir quando há um intruso em casa? Existem muitos fatores a considerar, e determinar seus pesos relativos requer uma ponderação.

Essa ponderação pode mudar a natureza da sua máquina de previsões. No caso do alarme, ter câmeras em toda a casa pode ser a melhor maneira de determinar a presença de um intruso desconhecido. Mas muitos ficariam desconfortáveis com isso. Algumas pessoas preferem arcar com o custo de mais alarmes falsos por uma maior privacidade. A ponderação, por vezes, requer determinar o valor relativo de fatores que são difíceis de quantificar e, portanto, comparar. Embora o custo dos falsos alarmes possa ser fácil de quantificar, o valor da privacidade não o é.

Em seguida, você identifica a ação que depende das previsões geradas. Essa pode ser uma decisão simples de “acionar/não acionar” ou pode ter mais nuances. Talvez as opções de ação incluam não apenas acionar alguém, mas também permitir monitoramento remoto imediato de quem está em casa ou alguma forma de contato com o dono da casa.

Uma ação leva a um resultado. Por exemplo, a empresa de segurança aciona um segurança (ação) e o guarda descobre um intruso (resultado). Em outras palavras, para cada decisão, podemos ver, retroativamente, se a resposta correta ocorreu. Saber disso é importante para avaliar se é possível melhorar as previsões ao longo do tempo. Se você não sabe qual resultado deseja, essa melhora é mais difícil, ou mesmo impossível.

A linha superior da tela – previsão, julgamento, ação e resultado — descreve os aspectos críticos de uma decisão. Na linha inferior da tela, há três considerações finais. Todas elas estão relacionadas com dados. Para gerar uma previsão útil, você precisa saber o que está acontecendo no momento em que uma decisão precisa ser tomada — nesse caso, quando um alarme dispara. No nosso exemplo, isso inclui dados de movimento e dados de imagens coletados em casa em tempo real. Esses são os dados básicos de entrada.

Mas, para desenvolver a máquina de previsão, é preciso, em primeiro lugar, treinar um modelo de aprendizado de máquina. Os dados de treinamento correspondem aos dados históricos do sensor com resultados anteriores para calibrar os algoritmos no coração da máquina de previsões. Nesse caso, imagine uma planilha gigante em que cada linha é um horário em que o alarme disparou, se de fato havia um intruso e um monte de outros dados, como local e hora do dia. Quanto mais ricos e variados forem os dados de treinamento, melhores serão as suas previsões. Se esses dados não estiverem disponíveis, talvez seja necessário implantar uma máquina de previsão medíocre e esperar que ela melhore com o tempo.

Essas melhorias vêm de dados de feedback, que são dados coletados quando a máquina de previsão está operando em situações reais. Os dados de feedback geralmente são gerados a partir de um conjunto mais rico de ambientes do que os dados de treinamento. Em nosso exemplo, você pode correlacionar resultados com dados coletados de sensores através de janelas, o que afeta a forma como os movimentos são detectados e as câmeras capturam uma imagem facial — o que talvez seja mais realista do que os dados usados para treinamento. Assim, você pode melhorar ainda mais a precisão das previsões com o treinamento contínuo usando dados de feedback. Às vezes, os dados de feedback serão adaptados a uma residência individual. Outras vezes, pode agregar dados de muitas casas.

Esclarecer esses sete fatores para cada decisão crítica em sua empresa ajudará você a começar a identificar oportunidades para a IA reduzir custos ou melhorar o desempenho. Aqui, discutimos uma decisão associada a uma situação específica. Para começar com a IA, seu desafio é identificar as principais decisões em sua empresa em que o resultado depende da incerteza. Preencher o AI Canvas não vai definir se você deve fazer sua própria IA ou comprar uma de um fornecedor, mas ajudará a esclarecer em que a IA vai contribuir (a previsão), como ela irá interagir com os humanos (ponderação), como ela será usada para influenciar as decisões (ação), como você medirá o sucesso (resultado) e os tipos de dados que serão necessários para treinar, operar e melhorar a IA.

O potencial é enorme. Por exemplo, os alarmes comunicam previsões a um agente remoto. Parte do motivo dessa abordagem é grande número de sinais falsos. Mas pense: se a nossa máquina de previsão se tornasse tão boa que não houvesse alarmes falsos, será que acionar alguém ainda seria a resposta correta? É possível imaginar respostas alternativas, como um sistema de captura de intrusos no local (como nos desenhos animados!), o que talvez fosse mais viável com previsões significativamente mais acuradas e de alta precisão. Em geral, previsões melhores criarão oportunidades para maneiras inteiramente novas de abordar a segurança, podendo, potencialmente, prever a intenção dos intrusos antes mesmo de eles entrarem.
—————————————————————————
Ajay Agrawal é detentor da cátedra Peter Munk de empreendedorismo da Rotman School of Management, na University of Toronto’s, e pesquisador associado da National Bureau of Economic Research, em Cambridge, Massachusetts. Ele é fundador da Creative Destruction Lab, co-fundador da The Next AI e co-fundador da Kindred. Ele é o co-autor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018).
—————————————————————————
Joshua Gans é o presidente Jeffrey S. Skoll de inovação técnica e empreendedorismo da Rotman School of Management e da University of Toronto. Atua como economista-chefe na Creative Destruction Lab. É co-autor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018). Seu livro, The disruption dilemma, foi publicado pela MIT Press.—————————————————————————
Avi Goldfarb é detentora da cátedra Ellison de marketing da Rotman School of Management, na University of Toronto. Ele também é pesquisador associado do National Bureau of Economic Research, cientista-chefe de dados da Creative Destruction Lab e editor sênior da Marketing Science. Ele é coautor de Prediction machines: the simple economics of artificial intelligence (Harvard Business School Press, abril de 2018).

Compartilhe nas redes sociais!

Posts Relacionados