Use a IA só na máquina de lavar

Há 15 anos, num dia como hoje, eu estava tendo aulas de redes neurais no mestrado em Eletrônica, na Coppe UFRJ.

Naquela época, a melhor redes neural que conseguíamos fazer tinha 3 camadas e uma dúzia de neurônios por camada. Entretanto, já era um campo promissor, para visionários.

Perguntei ao meu professor: “Você confiaria numa rede neural para dirigir um carro ou fazer uma operação médica?”

A resposta foi algo como: “Colocar IA numa máquina de lavar, sem problemas. Agora, para situações importantes, não”.

A IA teve uma evolução exponencial desde então. Saiu do inverno para o verão, com avanços em pacotes computacionais (PyTorch, TensorFlow), novas técnicas (convolucional, transformer), e até em hardware (como GPU e TPU).

Entretanto, a resposta continua valendo.

A IA atual é uma caixa-preta: entra um monte de dados e sai uma decisão. Talvez seja uma caixa mais poderosa, mas a essência é a mesma.

O problema de uma caixa-preta é que ela vai funcionar extremamente bem, uns 98% dos casos, até o dia em que vai dar problema. E, se o dispositivo controlado for numa grande indústria, ou um carro autônomo, será um problema catastrófico, daqueles que põe em risco a confiança no trabalho todo.

Tanto é que uma das linhas de pesquisa mais importantes dos dias de hoje é o Explainable AI: abrir um pouco da caixa, entender de alguma forma o que está acontecendo, mesclar o poder da rede neural com regras explícitas.

E outra linha quente de pesquisas é a Ética em IA: de quem será a culpa, no caso de um atropelamento? Do fabricante? Do usuário que confiou no veículo? Da caixa-preta que ninguém sabe interpretar? Do engenheiro que treinou o algoritmo? Haverá auditoria de algoritmos, por parte do governo? São perguntas difíceis de responder.

De qualquer forma, é melhor seguir o conselho do meu professor: utilize AI em processos não críticos, no seu equivalente da máquina de lavar.

https://ideiasesquecidas.com/

Recomendação de livro: Hacking Digital

Quando falamos de transformação digital, 99% dos livros atuais focam na parte técnica. Este livro é diferente, é voltado à implementação numa grande empresa. Há uma diferença enorme entre fazer uma prova de conceito funcionar e convencer a empresa a mudar processos e sistemas para adotá-la em escala!

Estamos chegando numa era em que o conhecimento técnico está dominado. Não faltam boas e novas ideias. Os especialistas estão se formando em universidades e cursos complementares (embora ainda em número insuficiente). Agora o gargalo está sendo colocar em prática, integrar e escalar de forma coerente essas soluções inúmeras.

Este é um guia pragmático, vindo de gente que realmente tem know-how sobre o tema.

Alguns highlights:

  • Em 2023, gastos com transformação digital chegarão a US$ 2,3 tri.
  • A transformação digital é difícil. Apesar do que podem pregar alguns consultores, não é fácil. Acreditem.
  • 87% dos programas de transformação digital falham em atingir as expectativas originais!

Dá para dividir a transformação em três fases: Iniciação, Execução e Ancoragem.

  • A Iniciação envolve construir uma fundação sólida: criar momentum, estabelecer objetivos e entender o panorama da empresa.
  • A Execução responde por 70% do esforço, e envolve construir (portfólio balanceado, governança) e integrar esforços digitais com outras áreas (operações, TI, RH).
  • A última fase, de ancoragem, representa os 20% finais, e é a fase de embutir os sistemas digitais no processo, de modo que o digital se incorpore no negócio.

Sobre patrocínio, governança e TI tradicional

  • A duração média de um Chief Digital Officer é de 2,5 anos.
  • Evite objetivos complicados demais.
  • Alinhe com a direção da empresa para a transformação digital.
  • A governança é chave para o sucesso da transformação. Há prós e contras em ter times separados x integrados ao restante da organização – na prática, é sempre um modelo híbrido que depende do contexto. Seja claro em responsabilidades e tenha boas métricas.
  • Como fazer Digital e TI trabalharem juntos? A TI tradicional e a área de mudanças digitais geralmente têm conflitos relacionais. A TI tradicional cuida do legado, do que está rodando, segurança, garantia de estabilidade e qualidade. Já soluções digitais têm foco em velocidade, experimentação, desenvolvimentos novos e centrados em dados e analytics.

Sobre portfólio e áreas internas e externas

  • O portfólio de trabalhos deve ser balanceado, em termos de riscos, horizontes de tempo, habilidades necessárias e complexidade.
  • Internamente, é importante despertar a consciência digital, desenvolver skills e também criar urgência nas soluções digitais. Aumentar o QI digital e desenvolver as habilidades analíticas necessárias para o negócio são o desafio chave da transformação.
  • Externamente, focos citados são parceiros e ecossistemas, além de cuidados em questões sociais e ambientais.

Diversos dos pontos citados são mais fáceis de apontar do que fazer de fato – por isso a necessidade de alinhamento com lideranças, consciência digital e o alto esforço na execução (70%).

Quando a transformação digital virar o negócio como usual, você terá chegado lá.

Por fim, a transformação digital não é um projeto, mas sim, uma longa jornada. E uma longa jornada começa no primeiro passo, como já dizia um velho provérbio chinês.

Agradeço ao amigo Octaciano Neto pelo livro.

Link da Amazon
https://amzn.to/3KdUO5E

Hacking Digital, por Michael Wade e outros profissionais do International Institute for Management Development (IMD).

Veja artigos semelhantes e me siga no LinkedIn:

https://www.linkedin.com/in/arnaldogunzi/

Os efeitos gênesis e apocalipse dos modelos de otimização

 
Quando falamos que encontramos a “solução ótima”, esta é com aspas mesmo: todo modelo é necessariamente uma simplificação do mundo real, extremamente complexo e cheio de efeitos de segunda e terceira ordem.
 
O “efeito gênese” ocorre no início, quando as variáveis ainda não estão “a todo vapor”. É a fase de aquecimento, transitória, e o modelo ainda é jovem demais para aproveitar.
 
Já o “efeito apocalipse” ocorre no final. Como o mundo do modelo acaba com o fim da simulação, ele tende a otimizar tudo: para de produzir, consome todo o estoque, curte a vida adoidado.
 
Nem todos trabalhos sofrem com esses efeitos, obviamente depende do caso. São mais frequentes principalmente nos que envolvem o tempo.


 
Para contrabalancear. No caso da gênese, começar com variáveis iniciais próximas ao estável – ou deixar rodar por alguns períodos e desprezar esse começo. No caso do apocalipse, a mesma coisa: ter restrições contrabalanceando o mínimo de variáveis, e/ou deixar ele rodando por um tempo e desprezar os períodos finais.
 
Quando a gente constrói um modelo e manda otimizar, ele otimiza mesmo, e encontra furos que não fazem sentido na vida real. Boa parte do trabalho é ficar fechando esses furos lógicos.
 
Fica a dica.

Veja artigos semelhantes e me siga no LinkedIn:

https://ideiasesquecidas.com/2021/12/19/o-bilionario-que-fazia-graficos-com-lapis-coloridos/

https://www.linkedin.com/in/arnaldogunzi/

Por que o Chief Data Officer dura tão pouco nas empresas?

Tom Daveport começa com uma questão. Por que o Chief Data Officer (o executivo chefe de dados) dura tão pouco tempo nas empresas?

– Atualmente, a duração no cargo é de cerca de dois anos, dois anos e meio;

– A lua de mel acaba depois de 18 meses, depois vêm as cobranças;

– Pela demanda estar em alta, eles acabam encontrando espaço em outras empresas, onde recomeçam o mesmo ciclo;

– Alguns CDOs incorporam também a parte de Analytics e Inteligência Artificial.

Alguns problemas:

– O escopo do trabalho e prioridades são mal definidos desde o início;

– Há uma alta expectativa para o cargo, porém além de implementar Analytics, são necessárias mudanças transformacionais grandes sobre organizações com grande legado. Há enorme necessidade de change management;

– Os CDOs têm dificuldades de vender o trabalho para os seus pares C-Level. Mesmo quando há ganhos, estes são relativamente invisíveis e difíceis de mensurar. Embora os CDOs tenham experiência no tema, podem não ter experiência política do cargo;

Dicas e projeções para o futuro:

– Começar com uma conexão clara com a estratégia de negócios e casos tangíveis;

– Após os projetos piloto, os CDOs devem implementar produtos escaláveis e sustentáveis para agregar valor às unidades de negócio, assim como balancear quick-wins com iniciativas estruturantes;

– Liderar as transformações organizacionais, tomando o cuidado de não ficar relegado a ações de back office;

-Nos próximos 5 – 10 anos as companhias vão continuar evoluindo em termos de habilidades e conhecimento e veremos uma crescente aceitação do papel de CDO.

Artigo original:

O bilionário que fazia gráficos com lápis coloridos

Ray Dalio é, literalmente, um homem de 20 bilhões de dólares. Sua empresa, a Bridgewater, é o maior fundo de investimentos do mundo. Dalio é o “Steve Jobs” das finanças.

Dalio descreve, no livro “Princípios”, que fazia análise de regressão no braço, e desenhava gráficos com lápis coloridos, na era pré computadores.

“Bem no começo, fazia regressões com a minha calculadora de bolso Hewlett-Packard HP-67, traçava gráficos com lápis de cor e registrava em cadernos.

Com a chegada dos computadores pessoais, passei a digitar os números e vê-los convertidos em planilhas. Sabendo como gado bovino, porcos e frangos avançavam pelos seus estágios de produção era possível ver como a máquina produzia preços de gado bovino, porcos e frangos nos quais eu podia apostar.

Por mais básicos que fossem esses modelos iniciais, eu adorava construí-los e refiná-los — e eles eram bons o suficiente para me render dinheiro.

Essa abordagem diferenciada era um dos principais motivos pelos quais eu captava movimentos econômicos e de mercado que os demais deixavam passar.

Computadores estavam entre os bens mais valiosos que adquiri; eles me ajudavam a pensar. Sem eles, a Bridgewater nem de longe teria conquistado tanto sucesso.”

A abordagem de Dalio obviamente vai além do number crunching, é claro. Saber a conta a fazer é mais importante do que saber fazer a conta. Esse é poder do #Analytics para tomada de decisão.

Fontes – Advanced Analytics e AI

Compartilhando algumas boas fontes de Advanced Analytics e AI que utilizo, e solicito ajuda de vocês, para indicar outros links legais e pessoas a seguir.

O Exponential View envia um newsletter com gráficos extremamente bonitos e análises diversas.
https://www.exponentialview.co/

Na plataforma Medium, é possível ler e escrever sobre temas de interesse. Esses artigos são reunidos em revistas, com uma excelente curadoria de conteúdo. https://medium.com/

John D. Cook tem um blog e twitter de alto nível, sobre matemática e programação https://www.johndcook.com/blog/

Instituições: A brasileira SOBRAPO (https://sobrapo.org.br/) e a americana Informs (https://www.informs.org/) são referência em eventos e publicações de Pesquisa Operacional, um pouco mais tradicionais. Já a Association For The Advancement Of Artificial Intelligence é voltada à IA https://www.aaai.org/.

Sobre Quantum computing:

Para fechar, é claro, sigam o meu blog de Ideias Técnicas com uma pitada de filosofia: https://ideiasesquecidas.com/

Fiquem à vontade para sugerir outras fontes.

Review – Alura

Fiz um trial da plataforma de ensino Alura, e explorei os cursos com intensidade, nos últimos dias.

Algumas impressões gerais:
– Tem uma quantidade enorme de tópicos relativos à TI: Programação, Dev Ops, Mobile.
– Para o meu foco de interesse, tinha uma trilha em Data Science, com cursos diversos: Excel, VBA, Power BI, Estatística, Python, Modelagem de dados. Machine learning, SQL server. Dentro de cada curso desses, uma programação de aulas a ser seguida.

As aulas consistem em vídeos didáticos, e exercícios no final – alguns de múltipla escolha, outras para colocar código. Há também um fórum de discussão (também joguei uma pergunta para ver se alguém respondia, e um outro aluno respondeu logo a seguir).

A licença não é por curso, mas por mensalidade. A pessoa pode explorar quantos cursos quiser, neste período.

Fiz um curso do início ao fim, para ver a questão do certificado. Mesmo sendo trial, deu para inserir o certificado no LinkedIn.

Para o administrador da conta da empresa, é possível recomendar trilhas de aprendizado e acompanhar quem do time está fazendo qual curso, quantos terminou, etc.

Enfim, é muito legal, para quem tem o espírito de aprender sempre, e para empresas que queiram fornecer uma boa plataforma de aprendizagem.

Faltam talentos em Analytics?

A resposta é “Sim”, é difícil encontrar e contratar, principalmente devido à grande demanda atual por análise de dados.

Porém, o problema tem dois lados. As empresas também não têm profissionais que entendem do tema. Estes devem orientar, encaminhar e patrocinar trabalhos desta natureza. Erros comuns: projetos muito pequenos por falta de entender o que é possível ser feito, ou com escopo aberto demais (digamos, confundindo processos com sistemas), ou sem patrocínio.

À medida que as universidades vêm incorporando grades sobre o assunto, e excelentes cursos on-line se proliferam, o gargalo está cada mais migrando do primeiro item para o segundo.

(baseado em comentário do prof. Karim Lakhani, em um evento patrocinado pela Visagio Engenharia de Gestão).

Artigo – Planejamento Florestal

Escrevi um artigo sobre conceitos de Planejamento Florestal, desde o longo prazo até o acompanhamento on-line via Torre de Controle.

Também consta uma breve explicação sobre os novos conceitos de S&OP e S&OE incorporados ao trabalho. O S&OP gerou uma série de questionamentos, integração maior com outros elos do sistema e definição clara de papéis e responsabilidades.

O artigo foi publicado na revista B. Forest deste mês, no link a seguir. https://revistabforest.com.br/.

O Iceberg de Analytics

Reflexão. Uns 90% de qualquer (bom) trabalho em Analytics não tem relação com o modelo superlegal cheio de matemática, mas com todo o trabalho consultivo envolvido.

A grande complexidade dos problemas do mundo real não está em resolver com perfeição um problema difícil. Está em formular um problema resolvível, com os recursos existentes, a um custo (de licenças e de tempo) acessíveis.

E é por isso que projetos falham….


Ideias técnicas com uma pitada de filosofia

https://ideiasesquecidas.com/

Husky ou Lobo?

Um algoritmo de IA da Universidade de Washington conseguiu distinguir Lobos de Huskies, com 90% de acurácia! Um feito fantástico, considerando que são muito parecidos.

Os protocolos usuais, como separar dados de treinamento e de testes, tinham sido obedecidos, e por todas as métricas, o algoritmo era excelente.

Analisando a fundo, os pesquisadores descobriram a mágica. Ele estava reconhecendo a neve no fundo da foto. Se tinha neve, era lobo, se não tinha, era husky!

Nos modelos atuais, entramos com dados e resultados, e o que acontece lá dentro é uma caixa-preta. Hoje em dia, nem precisamos saber a matemática envolvida (infelizmente).

Uma foto de husky pode ser inofensiva, porém, imagine um carro autônomo que não reconhece pedestres com máscara e chapéu, por exemplo.

Por isso, precisamos evoluir para uma IA Explicável, a fim de entender o que está acontecendo, estabelecer relações causais e colocar restrições além do que é possível no método caixa-preta.

Este foi um dos temas discutidos no Informs 2020, que acontece on-line essa semana.