Autor: Eduardo Fagundes

Os novos desafios para monitorar e controlar os sistemas elétricos exigem novas e sofisticadas ferramentas de análise de dados. Basicamente, existem três tipos de análises: descritiva, mostra o que aconteceu; preditiva, indica o que irá acontecer; e, prescritiva, indica qual a melhor estratégia para se atingir um objetivo. Analisar o que aconteceu, é uma ação reativa e serve para ações de melhoria contínua. Prever o irá acontecer é útil para se tomar ações de mitigação se for um problema ou providenciar mais recursos para atender a novas demandas. Embora, útil saber o que aconteceu e o que irá acontecer, o mais importante é saber qual a melhor estratégia para se atingir um objetivo.

Imagine uma situação onde um engenheiro precisa definir um plano de manobra de circuitos para a manutenção de um determinado trecho de uma linha de transmissão de alta tensão. A princípio, ele considerará os dados históricos do fluxo de potência da região que será afetada pela manobra, considerando o período do ano. Calculará o novo fluxo de potência dos outros circuitos durante a manobra e definirá o plano. Usando análise preditiva é possível avaliar, como melhores resultados, possíveis eventos durante a manobra e planejar medidas de contingência para eventos que possam gerar impacto negativo na operação.

Agora, imagine que no dia programado para a manobra, por questões climáticas não previstas, uma onda de calor faz com que o consumo de energia aumente, devido ao uso mais intenso de aparelhos de ar condicionado. Esta situação pode alterar, consideravelmente, o fluxo de potência e inviabilizar, tecnicamente, o estudo realizado. Análises preditivas ajudam a avaliar o novo cenário e indicar problemas potenciais. Mas, qual a melhor plano de manobra para aquela situação especifica? A reposta pode ser conseguida através de análises prescritivas.

A análise prescritiva envolve a aplicação de ciências matemáticas e computacionais e sugere opções de decisão para aproveitar os resultados das análises descritiva e preditiva. As análises envolvem algoritmos de aprendizado de máquina, dentro das tecnologias de inteligência artificial. A análise prescritiva não apenas antecipa o que acontecerá e quando acontecerá, mas também porque isso acontecerá. Além disso, a análise prescritiva sugere opções de decisão sobre como aproveitar uma oportunidade futura ou mitigar um risco futuro e mostra a implicação de cada opção de decisão. A análise prescritiva pode usar novos dados continuamente para prever eventos, melhorando automaticamente a precisão da previsão e prescrevendo melhores opções de decisão. A análise prescritiva ingere dados híbridos, uma combinação de dados estruturados (números, categorias), não estruturados (vídeos, imagens, sons, textos) e regras de negócios para prever como aproveitar eventos futuros sem comprometer ou

Aquela ideia de se ter um sistema único para gerenciar todos os processos de uma empresa ficou no passado. É quase impossível um sistema monolítico agregar novas funcionalidades ao ritmo frenético do mercado atual. Como competir com startups, com suas metodologias ágeis que entregam novos serviços em ciclos muitos curtos usando algoritmos de aprendizado de máquina, com sistemas antigos que imprimem rigidez de processos nas empresas? Entramos na era dos microsserviços, plataforma modernas, abertas, inteligentes, flexíveis e que operam na nuvem (Cloud Computing).
O pior é que estes mastodontes, pouco flexíveis que tiram a competitividade ainda drenam muito dinheiro das empresas. O que fazer?

Os ERPs foram muito uteis as empresas no passado, quando tiveram a façanha de reunir em um único sistema todos os processos e manter em uma base de dados todas as informações operacionais da empresa. A integridade das informações é garantida por processos interligados que validam as informações. Isto é fantástico para o controle operacional de um ambiente fechado, incluindo dados de fornecedores e clientes, através de troca eletrônica de dados (EDI).

É justo mencionar que alguns ERPs com base em dados operacionais, podem fazer análises preditivas pré-definidas, baseadas em algoritmos estatísticos.

Para análises mais avançadas, com a possibilidade de testar e ajustar algoritmos de aprendizado de máquina, é necessário exportar os dados e fazer as análises em outro ambiente. Esta prática é realizada há algum tempo com os sistemas de datawarehouse e BI (Business Intelligence). Entretanto, estas análises são pós fato e servem para sugerir mudanças na estratégia da empresa ou para melhoria contínua de processos.

O ideal é inserir os algoritmos de aprendizado de máquina dentro dos sistemas e faze-los interagir em tempo real. Estes algoritmos devem ser treinados e testados dentro das condições e dados da empresa.

Imagine a complexidade disso. Se desenvolvermos estas funcionalidades dentro do ERP, toda a sua estrutura deve ser modificada, o que significa altos investimentos. Por outro, se a empresa decidir eleger ou desenvolver um software para cada processo teremos um complexo sistema de interface entre os diversos softwares.

O que precisamos é um sistema multiplataforma que integre os dados e softwares especialistas com seus algoritmos de inteligência artificial.

Para uma startup isto é mais fácil, principalmente, para aquelas que já nascem com uma estrutura de microsserviços. Porém, para as grandes empresas que já possuem um ERP a tarefa não é nada simples. O processo de migração deve ser gradativo tomando todas as precauções para mitigar riscos na operação.

A mudança de abordagem dos sistemas de informações faz parte dos projetos de transformação digital das empresas, que exigem plataformas mais flexíveis e baseadas em algoritmos de inteligência artificial. Neste processo, as empresas devem se unir com os fornecedores de ERP e traçar uma estratégia conjunta para a migração. Nem um dos lados pode trabalhar sozinho nesta empreitada. Afinal, os ERPs ainda garantem o funcionamento das empresas hoje.

Toda a vez que você informa seu CPF em uma compra e/ou faz uma transação eletrônica com um cartão de débito ou crédito, deixa a opção de GPS ligado para pesquisar um endereço ou rota no Waze ou Google Maps, informa suas preferências pessoais em um aplicativo para saber com qual estrela de Hollywood você se parece, adere a um programa de uso contínuo de medicamento, compra um pacote de viagens, envia flores para um novo endereço, muda a categoria de restaurantes no almoço, liga e desliga equipamentos eletroeletrônicos em sua casa (para quem já foi contemplado com os novos medidores eletrônicos), leva o celular para o banheiro, ou seja, quase tudo que você faz deixa um rastro eletrônico e com estas informações os sistemas de inteligência artificial conseguem conhecer você melhor do que você próprio.

Nossa privacidade já foi para o espaço. Mesmo com a nova legislação sobre proteção de dados pessoais, que ajuda a restringir o acesso à informação, os mecanismos de Machine Learning e Deep Learning (Redes Neurais Artificiais) conseguem classificar as pessoas em diferentes grupos, prever o comportamento das pessoas a partir de certos estímulos e determinar certos eventos futuros na vida das pessoas, como doenças e divórcios.

Para as privilegiadas empresas e governos que tiverem acesso as informações do Cadastro Positivo a “bola de cristal” será uma realidade. Imagine ter acesso a todas as transações comerciais que uma pessoa e, por associação, seus familiares fazem ao longo da vida. O futuro das pessoas poderá ser definido pelos algoritmos de inteligência artificial.

A única coisa que protegerá as pessoas será o código de ética das empresas e dos profissionais liberais.

Definimos Código de Ética como um documento que define as diretrizes que orientam as pessoas quanto às suas posturas e atitudes ideais, moralmente aceitas ou toleradas pela sociedade como um todo. Desta forma, o Código de Ética fixa normas que regulam os comportamentos das pessoas dentro de uma empresa ou organização. A adoção de normas internas politicamente corretas e voluntária deve incluir às normas legais, como por exemplo o crime de descriminação por sexo ou raça.

Usando algoritmos de inteligência artificial sobre uma base de dados consistente e com permissão das pessoas, literalmente, conseguimos ver o futuro. As informações são valiosíssimas para desenvolver estratégias de negócios e produtos, incluindo estratégias de marketing e vendas.

Agora entramos na parte filosófica. Conhecendo os estímulos de grupos de consumidores (grupos que podem chegar a poucas pessoas) que os levam a comprar um produto ou serviço é ético aplicar estes estímulos, puramente, para vender sem um propósito maior?

Empresas éticas e com o propósito de valorização das pessoas e proteção do meio ambiente adotam estratégias de vendas baseadas no consumo consciente. Logo, suas estratégias, embora apoiadas por algoritmos de inteligência artificial, não acionam todos os neurônios de entrada que forcem, inconscientemente, uma compra sem uma reflexão, digamos humana.

As diretrizes sobre o uso de estímulos e conhecimento sobre as pessoas deve ser cumprido por todos na organização, a partir um Código de Ética para uso de sistemas de inteligência artificial.

Imagine uma situação onde depois do treinamento e teste de uma rede neural artificial consiga-se definir uma probabilidade de 95% para a venda de um produto para um grupo de consumidores, usando determinados estímulos para influencia-los na compra. Talvez, uma empresa defina não trabalhar com uma probabilidade tão alta, e reduzir o número de estímulos para atingir uma probabilidade de 80%. Esta definição estaria definida no Código de Ética da empresa.

Outra situação seria na contratação de pessoas. Os algoritmos de inteligência artificial conseguem prever o comportamento no trabalho dos candidatos, a partir de questionários e acesso às redes sociais. Nas entrevistas, modelos de redes neurais avaliam a comunicação corporal dos candidatos para definir seu perfil, podendo desclassifica-los por critérios pré-definidos, automaticamente. Talvez, as empresas possam definir que, independentemente, da classificação e resultados das análises das redes neurais, humanos devam conduzir entrevistas e análises analógicas para definir a contratação de novos funcionários. Definição que seria incorporada ao Código de Ética da empresa.

Uma situação ainda mais crítica seria considerar despesas médicas com determinados especialistas, como oncologistas, e compra de certos tipos de remédios em farmácias para determinar o nivel de risco para aprovação de crédito. Como quem paga não necessariamente é quem usa um produto ou serviço, o sistema de inteligência artificial deve informar o peso utilizado para a classificação das despesas médicas, se for relevante, um procedimento interno deve ser acionado para uma avaliação humana do risco e tomada de decisão final. Este procedimento deveria constar no Código de Ética da empresa.

As empresas com responsabilidade socioambiental e que respeitam os princípios da governança corporativa, divulgam suas estratégia e códigos de ética (princípio da transparência), prestam contas aos acionistas e ao público em geral e garantem equidade de todas as partes interessadas. Desta forma, clientes, consumidores, fornecedores, empregados, governo, acionistas, membros do conselho de administração e diretoria executiva conheceriam as diretrizes para o uso de inteligência artificial dentro da organização.

Resumindo, a inteligência artificial abre infinitas oportunidades para conhecer o comportamento das pessoas, estímulos que as levam a tomar decisões, mesmo de forma inconsciente, e eventos futuros para grupos de pessoas. Cabe as empresas, mais do que os governos, definirem os limites éticos de uso destas informações. Um código de ética para uso de sistemas de inteligência artificial deve definir diretrizes para o bom uso das informações de forma politicamente correta.

Formar equipes para projetos de inteligência artificial (IA) é um grande desafio para as empresas. A formação de um Squad, equipe multifuncional autônoma para desenvolver sprints de um projeto de inteligência artificial, deve ser composta pelo menos por: o Dono do Produto (Product Owner); Gerente de Projeto; Arquiteto de Sistemas; Engenheiro de Dados; Cientista de Dados; Engenheiro de DevOps. O projeto deve ter um patrocinador com forte liderança e influência na organização para ultrapassar as barreiras políticas organizacionais. O grande desafio é recrutar profissionais com forte background acadêmico e experiência prática em projetos corporativos. Processos de recrutamento e treinamentos corporativos tradicionais não funcionam para este tipo de projetos. A formação deve usar a abordagem Learning-by-doing, executados por profissionais com perfil acadêmico, motivação e habilidades didáticas para transferir conhecimento durante o projeto.  

O processo começa com o convencimento da importância de projetos de IA por um alto executivo da empresa, que esteja disposto a patrocinar o projeto. Sua participação é essencial para remover obstáculos políticos internos e conseguir os fundos necessários para a execução do projeto. Ele deve também designar alguém de sua confiança para liderar a equipe na função de product owner.

O product owner, ou o dono do projeto, tem o papel de avaliar as prioridades do projeto, servir de elo de ligação entre a equipe e outras áreas na organização, identificar barreiras internas e externas e desenvolver estratégias para supera-las e traduzir para a equipe do projeto os conceitos e regras do negócio para o desenvolvimento dos modelos de aprendizado de máquina: Machine Learning e Deep Learning, como as redes neurais artificiais.

O gerente do projeto dentro no squad atua como facilitador e remove obstáculos operacionais levantados pela equipe nas reuniões diárias de revisão do projeto. Utiliza ferramentas de gestão de projetos e faz análises de risco para ações de mitigação para garantir o sucesso do projeto. Em equipes muito enxutas, esta função pode ser realizada por um dos outros membros da equipe.

O arquiteto de dados tem a função de operacionalizar os modelos de aprendizado de máquina, ou seja, a partir dos dados coletados desenvolver algoritmos apropriados para as análises avançadas de dados. Como os cientistas de dados, os arquitetos de sistemas devem ter um conhecimento sólido modelos e de suas aplicações, mas com um foco mais voltado para os sistemas.

O engenheiro de dados tem a função de garantir a qualidade e integração dos dados na arquitetura de TI. Deve ter sólidos conhecimentos de bancos de dados SQL e NoSQL.

O engenheiro de DevOps é responsável pela implementação e gerenciamento de todo o ambiente, garantindo uma infraestrutura robusta e escalável e processos confiáveis e seguros de processamento dos dados.

O cientista de dados tem a função de explorar os dados para extrair informações relevantes e apresenta-las de forma clara e estruturada para auxiliar nas tomadas de decisões, incluindo análises preditivas e prescritiva. Lembrando: a análise preditiva identifica tendências futuras, a prescritiva traça as possíveis consequências de cada ação.

Todas as funções são importantes e essenciais para um projeto de IA. Entretanto, existem duas funções que exigem maior atenção para o recrutamento e formação técnica e acadêmica: o cientista de dados e o arquiteto de sistemas de inteligência artificial.

Os cientistas de dados e arquitetos de sistemas para IA devem ter formação em matemática e ciência da computação, preferencialmente com mestrado ou doutorado, conhecer algoritmos de aprendizado supervisionado e não-supervisionado para construir modelos matemáticos de Machine Learning e Deep Learning (Redes Neurais Artificiais), habilidade em programação e conhecer o negócio que estiver analisando. Obviamente, a formação de especialistas em inteligência artificial demanda anos de estudos e vivência prática. Por enquanto, encontrar profissionais com estas habilidades e perfil é uma árdua tarefa.

Felizmente, as novas ferramentas simplificam a programação dando mais produtividade nas análises e montagem dos modelos, porém ainda existe o desafio de idealizar, construir, ensinar e testar os modelos para resolver o problema alvo do negócio.

Este cenário de escassez de recursos humanos, inviabiliza e atrasam projetos. Muitas vezes, ter dinheiro não resolve, pois os profissionais disponíveis já estão alocados em projetos com desafios e salários atraentes.

Tentar contratar profissionais no exterior, também, é um desafio. O Vale do Silício na Califórnia nos Estados Unidos enfrenta o mesmo problema. Existem informações que existem milhares de vagas em aberto nas ensolaradas praias do Estado mais rico dos Estados Unidos.

Então, como formar equipes para trabalhar em projetos de inteligência artificial?

Minha sugestão é começar a formação nos cursos de graduação com parcerias entre as escolas e a iniciativa privada. As empresas fornecem os desafios e dados reais para as análises e construção de modelos matemáticos para a solução de problemas reais. Com o apoio dos professores, os alunos estudam e praticam. As empresas podem disponibilizar especialistas nos negócios para ensinar os alunos das características de cada negócio, ajudando na formação e melhorar as análises de dados. Este processo de aprendizagem Learning-by-doing acelera a curva de aprendizagem dos alunos. Na fase de estágio profissional, os alunos continuam os estudos e as atividades práticas com maior foco em áreas de negócios específicas, tornando-se especialistas.

Os cursos de especialização, aqui no Brasil chamados de MBAs, podem adotar novos modelos de aprendizagem, baseados em Learning-by-doing, para acelerar a curva de aprendizagem. O uso de desafios de empresas com dados reais torna o processo de aprendizagem mais produtivo e direcionado. Acrescento a possibilidade dos alunos de especialização trabalharem nos laboratórios das Universidades para focarem nos estudos e nos projetos de solução dos desafios apresentados pelas empresas. O ambiente acadêmico facilita a criatividade, além do contato com vários professores e pesquisadores de diferentes áreas.

Outra alternativa é investir em startups com foco na solução de problemas da empresa. Dentro de um ambiente ágil e sem uma hierarquia organizacional rígida, com propostas desafiadoras de trabalho e, logicamente, com recompensas atraentes, é possível montar equipes de alto desempenho para os projetos de inteligência artificial.

Os novos modelos de negócios e a mudança do perfil de consumo do mercado levou vários especialistas de áreas técnicas e de negócios ao desemprego. Esta desconfortável situação para muitos profissionais qualificados, gera uma oportunidade para se tornarem cientistas de dados. Agregando conhecimento de matemática e programação, estes profissionais experientes podem suprir a demanda das vagas em aberto para cientistas de dados. Trabalhando em conjunto com os arquitetos e engenheiros de dados pode-se atingir excelentes níveis de desempenho.

Os estudos podem ser feitos com aulas gratuitas oferecidas por escolas tradicionais, aulas pelo YouTube de professores voluntários e programas governamentais de requalificação de mão de obra. Existem cursos online pagos de excelente qualidade e baixo valor.

O desafio fica em conseguir trabalhar em problemas reais com dados reais para praticar e buscar soluções que atendam as expectativas das empresas. Isto pode ser resolvido com a criação de desafios elaborados pelas áreas de inovação das empresas e com programas de inovação aberta, de preferência, com prêmios para os melhores trabalhos.

Resumindo, existem várias alternativas para a formação de equipes para projetos de inteligência artificial, não são imediatas e devem fazer parte de uma estratégia mais ampla para a transformação digital das empresas. Uma coisa é certa, o recrutamento feito de forma tradicional não funciona para estes casos.

Sou professor de cursos de especialização em tecnologia e gestão de negócios, e estou empenhado na formação de profissionais para projetos de IA usando a abordagem Learning-by-doing.