Atualmente, há três métodos principais para treinar inteligência artificial com informações: utilizando dados brutos e da internet, através de exemplos detalhados e mediante avaliações humanas.
Gabriela Knob – Estrategista de Negócios & Inovação da ilegra, empresa global de estratégia, inovação e tecnologia.
Embora não exista um descritor único e universalmente aceito para Inteligência Artificial (IA), sabe-se que o recurso não é uma tecnologia, mas sim um conjunto delas. Segundo o Gartner, pode-se definir a ferramenta como a aplicação de análises avançadas e técnicas baseadas em lógica — incluindo aprendizado da máquina para interpretar eventos, apoiar e automatizar decisões e realizar ações. É claro que com o avanço e uso por diversos setores, o grande desafio é como equalizar a equação entre eficiência e humanização para que as atuações e interações realizadas com a ferramenta não se tornem robóticas.
Para solucionar a questão precisamos, primeiramente, ensinar a IA da forma correta. O aprendizado dela é uma técnica crítica que permite que ela resolva problemas. Apesar dos equívocos comuns — e dos nomes impróprios na cultura popular —, as máquinas não aprendem. O que acontece, de fato, é que elas armazenam e computam de maneiras cada vez mais complexas e a forma como isso é realizado auxilia na resolução de problemas de negócios, usando modelos estatísticos para extrair conhecimento e padrões dos dados.
Hoje em dia existem basicamente três métodos para treinar IA com informações: por dados brutos e da web, de exemplos elaborados e de julgamentos humanos. Porém, a questão principal é que se treinarmos a IA apenas com dados brutos e da web, ela provavelmente se tornará sexista, racista e espalhará desinformação. E os outros dois modos são, na verdade, muito caros e, atualmente, apenas algumas empresas de tecnologia podem pagá-los. No entanto, este modelo sugere que precisamos inovar os algoritmos para torná-los mais poderosos, sustentáveis e humanísticos.
Neste sentido, para torná-la mais humana, é interessante observarmos as semelhanças de como a ferramenta e os humanos são “treinados”. Para a tecnologia, precisamos de algo que possamos usar para capturar o meio ambiente como uma câmera ou um sensor — um conceito semelhante ao modo como nós, pessoas, lidamos com nossos sentidos. O próximo está relacionado a compartilhar, precisamos de um mecanismo que possa distribuir dados entre vários sistemas — algo que remete a forma como nos comunicamos uns com os outros. E, para finalizar, existe o fator de decisão, para que sejam capazes de tomar decisões e resolver tarefas complexas semelhantes às nossas, no entanto, a diferença aqui depende de quão bem a IA pode automatizar processos e identificar padrões em grandes quantidades e tipos de dados.
Todos esses fatores contribuem para a utilização assertiva da ferramenta no dia a dia que, embora seja de grande ajuda nos trabalhos, é preciso ponderar sobre como é treinada, além dos seus impactos. À medida que avançamos no uso da ferramenta, é essencial que nos adaptemos ao novo sistema e, por isso, desenvolver e trabalhar com uma IA humanizada auxilia na autenticidade das relações e na eficiência das interações, contribuindo para que se obtenham melhores resultados nos negócios. Para isso, recomendo que as organizações apliquem a seguinte lógica, dedicando 10% dos seus esforços para a codificação de algoritmos, 20% para a construção deles e, os 70% restantes para combinar IA com pessoas e processos.
Por fim, finalizo com a frase do Sal Khan, fundador e CEO da Khan Academy. “O caso de uso mais poderoso é se a IA puder ser usada para aprimorar a inteligência humana, potencial humano e propósito humano”.
