A inteligência artificial (IA) é vista pelas corporações como um dos principais fomentadores da disrupção digital, motivo pelo qual mesmo as empresas estabelecidas há várias décadas veem a necessidade de se preparar para esta transformação. Pesquisa realizada pela McKinsey Global Institute (2017) aponta que, globalmente, as empresas líderes do setor de tecnologia da informação, TI, capitaneadas pela Baidu e Google, investiram entre 20 e 30 bilhões de dólares, em 2016, sendo que 90% do montante foram para atividades de pesquisa e desenvolvimento (P&D) e aproximadamente 10% em aquisições de outras empresas do setor. As startups do segmento, por sua vez, investiram de 6 a 9 bilhões de dólares no mesmo período. Dentro das tecnologias do arcabouço de inteligência artificial, a que recebeu o maior investimento foi machine learning (ML), isto é, a habilidade da máquina em melhorar o respectivo desempenho sem que necessariamente os seres humanos expliquem como as atividades devem ser realizadas.
Em 2017, a Accenture Research e a Frontier Economics desenvolveram um estudo em 16 setores distintos para avaliar o potencial impacto da adoção da IA pelas empresas. Todas as indústrias estudadas apresentaram benefícios em relação à adoção da IA, porém, os setores que conquistaram os maiores crescimentos foram os de informação e comunicação, manufatura e serviços financeiros. Em todas as indústrias, a IA pode ser considerada um potencial agente de mudanças em suas respectivas estratégias de investimentos, desenvolvimento de capital humano e inovação. Johnson & Johnson e Tesla, por exemplo, melhoraram o fluxo das respectivas cadeias de suprimentos com a solução de uma startup de IA, Elementum. Esta solução monitora os incidentes, rastreia o transporte, provendo visibilidade em tempo real de toda a cadeia, analisando, diariamente, mais de 10 milhões de incidentes, envolvendo um custo de material de USD 25 trilhões de dólares.
Pesquisa realizada com CEOs (Chief Executive Oficer) pela KPMG, em 2017, identificou que 60% dos líderes entrevistados indicaram que as respectivas organizações não possuíam processos inovadores que pudessem responder rapidamente às disrupções. Apesar da inovação ser foco dos líderes de negócios, as empresas tem dificuldade em ser posicionar ao identificarem sinais de transformações, principalmente, as empresas que estão estabelecidas há anos e que possuem uma história de sucesso.
Por modelos de negócios embasados em inteligência artificial, considera-se empresas que utilizam IA em pelo menos uma das 08 diferentes áreas de aplicação: processamento de linguagem natural, geração de linguagem natural, reconhecimento da fala, machine learning, gestão da decisão, agentes virtuais, RPA (robotic process automation, ou seja, automação de processos de robótica) e visão de computador; e/ou utilizando pelo menos um dos 05 sistemas tecnológicos: robótica e veículos autônomos, visão de computador, linguagem, agentes virtuais e machine learning (McKinsey Global Institute, 2017).
Grandes corporações investem em inteligência artificial como pesquisa e desenvolvimento (P&D). A Amazon está desenvolvendo robôs e soluções de reconhecimento de voz. BMW, Toyota e Tesla estão desenvolvendo soluções com base em machine learning e robôs para viabilizar os veículos autônomos. A Toyota investiu mais de USD 1 bilhão de dólares para criar um novo instituto de pesquisa focado em IA para robôs e veículos autônomos. No setor industrial, empresas como Siemens, GE, ABB e Bosch estão fazendo vultosos investimentos em robótica e machine learning, buscando o desenvolvimento de tecnologias voltadas para os respectivos negócios. Por sua vez, a IBM investiu mais de USD 3 bilhões de dólares no Watson, plataforma de serviços cognitivos, bem como para soluções IoT (internet of things) para negócios. Já a Baidu investiu 1,5 bilhões de dólares, entre 2013 e 2016, além de colocar 200 milhões de dólares num fundo de venture capital denominado Baidu Venture. As big techs (grandes empresas de tecnologias como Google, Facebook, Amazon, Alibaba) compraram várias startups de IA de forma a adquirir tecnologia, expandir o portfólio de clientes, bem como a aquisição de mão de obra qualificada. As corporações utilizam estratégias de M&A (merge & acquisition, ou seja, fusões & aquisições) como forma de adquirir especialistas, o que o mercado passou a denominar “aqui-hiring” devido ao montante pago por profissional (até 10 milhões por profissional).
O termo inteligência artificial foi cunhado em 1955 e descreveu a primeira conferência acadêmica sobre o tema, no Dartmouth College. Neste mesmo ano, os pesquisadores do Carnegie Institute of Technology desenvolveram o primeiro programa de IA, denominado Logic Theorist. Ainda na década de 50, Marvin Lee Minsky fundou o Laboratório de Inteligência Artificial no MIT, e outros pesquisadores, também em Cambridge, desenvolveram redes semânticas, bem como se autodesenvolveram nos softwares da IBM. John McCarthy, em 1956, desenvolveu o conceito de Inteligência Artificial e organizou um grupo de pesquisa. A inspiração para o desenvolvimento da IA foi a criação de uma máquina autônoma capaz de pensar como um ser humano. Este grupo de pesquisa partiu da premissa que todas as perspectivas da aprendizagem podem ser descritas precisamente, motivo pelo qual pode ser simulada por uma máquina. As aplicações de IA determinam como essas máquinas usam linguagem, conceitos e abstrações de modelo que possam resolver problemas complexos.
No século 21, o interesse tanto de pesquisadores quanto investidores em inteligência artificial retornou, em especial, devido aos avanços relacionados ao deep learning, bem como a disponibilidade de dados e maior poder computacional. Assim, este interesse fez com que a inteligência artificial fosse adotada no ambiente corporativo, em diversos setores da economia, com o intuito de tornar as instituições mais rentáveis.
O desenvolvimento de tecnologias relacionadas à IA possui abordagens distintas, sendo a simbólica e a neural. A IA simbólica utiliza conhecimento (símbolos) e a combinação de como os seres humanos expressam seus pensamentos e conclusões a partir da razão dedutiva. Um exemplo de lógica dedutiva, para a IA simbólica, pode ser: Todos os homens são mortais. José é um homem. Então, José é mortal. Resumindo, a IA simbólica utiliza métodos de programação e sistemas que utilizam números e letras para codificar o conhecimento humano e operacionalizar regras e políticas. Nos setores de produção e manufatura, por exemplo, há amplo uso de IA simbólica para automatizar tarefas operacionais tais como: desenho, planejamento do processo, controle da produção e diagnóstico. Um dos eventos mais conhecidos do uso da IA ocorreu em 1996, durante um campeonato mundial de xadrez, quando o IBM Deep Blue jogou com o campeão do mundo de xadrez, Garry Kasparov. O Google utiliza a IA simbólica para desenvolver as queries (buscas) em sua plataforma, mediante respectivo motor de busca (Search Engine Optimization, SEO). O Google’s Knowledge Graph contava com 18 bilhões de fatos registrados e 570 milhões de entidades registradas em sua base de conhecimento do sistema de pesquisa da empresa Google.
As redes neurais conhecidas como deep leargning são provenientes de abordagens de IA que se caracterizam por excelente desempenho no reconhecimento de imagens e sons, técnicas preditivas e processamento de linguagem natural. Contudo, as redes neurais não são adequadas para solucionar todos os problemas que envolvem inteligência artificial. A IA neural baseia-se em redes neurais artificiais (ANN) ou em algoritmos de machine learning que trabalham de forma sincronizada imitando o cérebro humano para resolução de problemas complexos e aprender de modo similar aos neurônios dos seres humanos. As abordagens de machine learning podem ser classificadas em 03 áreas distintas, a saber:
a. Supervised leaning (aprendizagem supervisionada) – envolve o aprendizado com base em respostas corretas (dados rotulados). O progresso em machine learning envolve o mapeamento de um conjunto de entradas para um conjunto de saídas. Exemplos:
i. Gravação de voz (entrada) / transcrição (saída) / reconhecimento de voz (aplicação);
ii. Fotografia (entrada) / legenda (saída) / identificação de imagem (aplicação);
iii. Histórico de compras (entrada) / comportamento de compras futuras (saída) / retenção de clientes (aplicação).
b. Unsupervised learning (aprendizagem não supervisionada) – envolve encontrar as informações ou conhecimento a partir de dados brutos (dados não rotulados). O conhecimento desenvolvido pelos seres humanos segue este modelo. Por exemplo, quando as crianças reconhecem uma árvore.
c. Reinformcement learning (aprendizagem por reforço) – envolve como os agentes em um determinado ambiente se comportam para maximizar o reconhecimento. Esta abordagem estava embutida nos jogos Atari e também nos jogos de tabuleiro como o Go. Os robôs utilizados nos centros de distribuição para identificarem e classificarem objetos, acelerando o processo seleção e armazenagem, também utilizam este modelo de machine learning. O ponto de atenção em relação ao modelo de reinformcement learning está atrelado ao modelo de recompensa. Por exemplo, a Microsoft utiliza a aprendizagem de reforço para selecionar o cabeçalho de notícias para o MSN.com, recompensando o sistema com maior pontuação proporcionalmente ao maior número de visitante clicando o respectivo link. Dessa forma, o sistema tenta maximizar a sua pontuação (score) com base nas regras desenvolvidas pelos programadores.
Empresas do setor de tecnologia como o Facebook e Google anunciaram que o desenvolvimento dos seus novos produtos e serviços terão como base o deep learning para reconhecimento de imagem e voz. Amazon, Netflix e Spotify usam os algoritmos de machine learning para gerar as recomendações personalizadas. Entretanto, a IA neural ainda está muito aquém do modelo mental do pensamento e racionalização humana.
É muito difícil prever quais corporações irão dominar esta nova arena em que a IA ocupa papel de destaque, porém, somente as empresas e executivos mais ágeis e flexíveis conseguirão prosperar. Assim, as organizações que conseguirem perceber e responder mais rapidamente às oportunidades poderão tirar vantagens da IA. Os gestores que não estão testando aplicações desenvolvidas com machine learning não estão fazendo o seu trabalho. Nos próximos anos, a IA não tomará a posição dos gestores, porém, os gestores que não usarem IA serem substituídos pelos que usarem a tecnologia.
