Categoria: artigos

A ABSOLAR prevê um saldo líquido positivo de R$25,2 bilhões até 2027 da geração própria de energia fotovoltaica conectada ao Sistema Interligado Nacional (SIN) e a geração de mais de 672 mil novos empregos até 2035. Estas informações foram dadas após a publicação de um relatório (junho/2019) da SECAP – Secretaria de Avaliação de Políticas Públicas, Planejamento, Energia e Loteria – criticando os atuais subsídios, argumentando que as famílias mais pobres acabam financiando os sistemas fotovoltaicos das famílias de maior renda. A ABSOLAR alega que o estudo do governo apenas levou em conta as perdas, esquecendo de computar o aumento de arrecadação. Neste contexto, embora não mencionado nas discussões, existe um incentivo mundial para o aumento do uso de energia fotovoltaica através de recompensas para os produtores com uma moeda referenciada pela energia – o SolarCoin.

A Fundação SolarCoin (www.solarcoin.org) oferece aos fabricantes de energia tokens digitais baseados em blockchain à taxa de uma SolarCoin (SLR) por megawatt-hora (MWh) de energia solar produzida. O SolarCoin é gratuito. É uma recompensa adicional para os produtores de energia solar, separado de outros incentivos, como subsídios do governo ou créditos de carbono.

O SolarCoin é uma criptomoeda e está listada entre as mais de 2.600 criptomoedas existentes atualmente. Sua cotação em 25/06/2019 era de US$0,04875 com um valor de mercado de US$2,61 milhões, muito distante dos US$11.409,60 e valor de mercado de US$202,21 bilhões do Bitcoin e dos US$310,04 e valor de mercado de US$32,98 bilhões do Ethereum. Porém, ocupava a 724º posição no ranking de todas as criptomoedas.

Alguns comparam a SolarCoin com milhas de passagens aéreas, com a diferença que a pessoa (ou empresa) não fica vinculado a uma empresa aérea.

Eu prefiro compará-la ao Bitcoin, por reunir várias semelhanças. Bitcoin é uma moeda digital descentralizada sem um banco central ou administrador único que pode ser enviada de usuário para usuário na rede bitcoin peer-to-peer sem a necessidade de intermediários. As transações são verificadas pelos nós da rede por meio de criptografia e registradas em um livro-caixa (ledger) distribuído e público, chamado blockchain. Bitcoins são criados como recompensa para um processo conhecido como mineração.

O SolarCoin utiliza a infraestrutura de blockchain e são criados a partir da comprovação que um produtor de energia fotovoltaica gera 1MWh, similar ao processo de mineração do Bitcoin. O número máximo de Bitcoins no mercado será de 21 milhões, com previsão de mineração até 2140. O número máximo de SolarCoins definido é de 97,5 bilhões criados nos próximos 40 anos.

Um estudo realizado por Nick Gogerty e Paul Johnson, em outubro de 2018, estima que seria possível uma recompensa entre US$10-20/MWh, onde a produção de energia fotovoltaica está entre R$23-30/MWh, representando uma economia entre 40-70% para os usuários da rede SolarCoin.

Genericamente, o preço de uma moeda é definido pela seguinte fórmula:

P = Max [R, N + S]

onde o P = Preço; R = Resgate; N = Network e S = Especulação.

Resumindo a fórmula, quanto maior o poder de resgate e a rede de atores que participam nas transações com a moeda, adicionado a especulação, maior será o preço da moeda.

Verificamos isto com o Bitcoin. Inicialmente, o valor da moeda era baixo e, praticamente, só circulava nos mercados negros, como o Silk Road, um mercado negro on-line conhecido como plataforma de venda de drogas ilegais, onde aceitava, exclusivamente, bitcoins como pagamento, chegando a movimentar 9,9 milhões em bitcoins, no valor de cerca de US$214 milhões. Em 2011, o preço começou em US$0,30 por bitcoin, crescendo para US$5,27 no ano. O preço subiu para US$31,50 em 8 de junho. Dentro de um mês, o preço caiu para US$11,00. No mês seguinte, caiu para US$7,80 e, no outro mês, para US$4,77. Em 25/06/2019, o preço era de US$11.409,60.

Se o Bitcoin conseguiu esta façanha, nada impede que o SolarCoin siga o mesmo caminho. Isto significa que as pessoas e empresas de energia fotovoltaica devem converter sua produção de energia em SolarCoin para usufruir no futuro de um patrimônio gerado pelo Sol.

Obviamente, que está riqueza gera mais empregos, acelera o crescimento da infraestrutura instalada de geração fotovoltaica e mais riqueza para a sociedade.

Pense o que você consegue fazer em duas horas. Extrapole para 10 horas por semana e 40 horas por mês. Caramba! O paulistano gasta, em média, o equivalente a uma semana de trabalho por mês em deslocamentos pela cidade. O pior é que estes deslocamentos, na sua maioria usando transporte público e carros, poluem a cidade com emissões de gases de efeito estufa e causam stress nas pessoas, reduzindo sua produtividade e, por consequência, a competitividade das empresas e aproveitamento nos estudos. O uso de inteligência artificial pode ajudar na melhoria da mobilidade das pessoas (mobilidade humana), otimizando o uso dos modais de transporte em tempo real, melhorando o uso do espaço público e recomendando o melhor local para a execução de determinadas atividades, de forma individual. Para isto acontecer, temos que transpor a barreira do compartilhamento e coleta de dados.

O uso de inteligência artificial na otimização do trânsito é uma realidade e muito de nós já utiliza através de aplicativos móveis, como o Waze e Google Maps. A atualização das condições do trânsito em tempo real pelos usuários, de forma voluntária, permite que os sistemas de inteligência artificial possam recomendar, dinamicamente, as melhores rotas para os usuários. Os motoristas de carros e transporte de cargas são os que mais se beneficiam dos serviços, ironicamente, os que mais ocupam o espaço físico das cidades com um baixíssimo aproveitamento, pois muitos viajam sozinhos.

Felizmente, as pessoas estão adotando novos modais de transporte individuais e elétricos, como patinetes elétricos e bicicletas. Mais ágeis e não poluidores permite que seus usuários percorram distância pequenas e médias em menos tempo nas cidades. Além de melhorar a mobilidade de seus usuários e a saúde para quem opta por bicicleta e andar a pé, libera espaço no transporte público, oferecendo mais conforto para quem viaja, e menos congestionamento de carros nas ruas.

A adoção do home office por muitas empresas ajuda a otimizar a mobilidade humana, permitindo que os funcionários executem tarefas em casa, com muito mais tranquilidade, concentração e qualidade. O uso de softwares de vídeo conferência (Skype, Appear.in, Google Hangout etc.) evitam deslocamentos e tornam as reuniões mais rápidas e efetivas. O trabalho colaborativo dos softwares de edição de texto, planilhas eletrônicas e outros documentos reduzem o tempo de elaboração de relatórios e análises de dados.

Os recursos atuais de trabalho colaborativo reduzem, consideravelmente, a necessidade de deslocamento das pessoas. Se trabalharem em casa ou em escritórios compartilhados próximo de suas casas, o tempo de deslocamento caíra significativamente, aumentando a produtividade geral.

Com dados disponíveis e atualizados em tempo real sistemas de inteligência artificial podem sugerir: melhores rotas de deslocamento; uso de modais de transporte ou a melhor combinação entre eles para se conseguir o menor tempo de percurso; o melhor local para executar uma determinada tarefa; melhores horários para iniciar uma viagem; entre outras vantagens.

Com a análise de dados as empresas de transporte público e de compartilhamento de veículos e de equipamentos de transporte individuais poderão planejar e reagir em tempo real a quantidade e localização de seus veículos para melhor atender os usuários.

Os gestores públicos, concentrando todos os dados históricos e em tempo real, podem redesenhar o sistema viário das cidades, introduzindo mudanças como: alterar a velocidade limite das vias públicas; eliminar o estacionamento de carros no meio fio de certas vias públicas; criar novas faixas exclusivas para modais individuais (bicicletas, patinetes, skates, etc.); priorizar a manutenção de calçadas de grande movimento de pedestres; estabelecer novas regras de trânsito; priorizar a educação de trânsito em itens de maior relevância; entre outras.

Vários métodos de inteligência artificial podem ser utilizados para entender e melhora a mobilidade humana, incluindo as Redes Neurais Artificiais (ANN), Algoritmos Genéticos (GA), Recozimento Simulado (SA), Sistema Imunológico Artificial (AIS), Otimizador de Colônia de Formiga (ACO) e Otimização de Colônia de Abelha (BCO) e Modelo Lógico Fuzzy (FLM).

A aplicação bem-sucedida da inteligência artificial ​​requer um bom entendimento das relações entre os modelos matemáticos e os dados de um lado, e as características e variáveis ​​do sistema de transporte, por outro lado. 

O uso de forma eficiente da inteligência artificial resolve os problemas de transporte, principalmente no gerenciamento de tráfego, segurança no trânsito, transporte público e mobilidade urbana, resultando na melhoria da mobilidade humana.

As técnicas de inteligência artificial estão, praticamente, dominadas e aptas a resolver a maioria dos problemas de mobilidade nas cidades. O grande desafio é a obtenção dos dados, tanto dos órgãos do governo como das empresas privadas que operam os diversos modais nas cidades.

Atualmente, os dados de geoposicionamento em tempo real de ônibus municipais de algumas cidades e de ônibus intermunicipais estão disponíveis para serem consumidos por aplicativos móveis, dentro do contexto de dados abertos, garantidos pela legislação. Entretanto, os dados dos modais privados, não.

Provavelmente, a competição comercial entre as empresas restringirá o compartilhamento como dado aberto, porém só resolveremos os problemas de mobilidade das cidades se houver colaboração de todos: governos, empresas e usuários.

Como definir melhor a sequência e paralelismo de atividades combinando com a disponibilidade e perfil dos recursos, associando a maximização dos investimentos e fazer análises preditivas e prescritivas baseada em acertos e erros de projetos similares? A resposta está no uso de inteligência artificial (IA) aplicada ao gerenciamento de projetos.

A inteligência artificial imprime eficiência e velocidade no gerenciamento de projetos, incluindo o uso de lógica fuzzy para priorizar projetos nos processos de gestão de portfólio.

Usar apenas o cérebro humano no gerenciamento de grandes e complexos projetos é, praticamente, impossível. São milhares de condições que devem ser analisadas simultaneamente para definir o plano ideal de trabalho e tratar os desvios cotidianos dos projetos.

Por exemplo, uma equipe de instalação de uma torre de transmissão de energia está alocada para a atividade em um determinado dia. Um dia antes, o serviço de meteorologia indica uma alta probabilidade de chuvas com raios na região. Uma rede neural artificial analisa todas as entradas de dados e sugere um novo plano em tempo real para o projeto, protegendo a vida dos técnicos, maximizando os recursos da equipe em outras atividades e configurando o projeto para ter o menor impacto possível.

Um sistema de inteligência artificial evita decisões monocráticas de gerentes de projetos, baseadas na experiência e intuição, o sistema considera todas as alternativas e sugere a melhor, usando a maior quantidade de dados disponível.

Obviamente, que isto não invalida a experiência do gerente do projeto, a inteligência artificial ajuda na tomada de decisão. Aliás, muito pelo contrário, os algoritmos de decisão são baseados na experiência dos gerentes de projetos e da assertividade de suas decisões.

O uso de inteligência artificial aplicada ao gerenciamento de projeto tem o objetivo de evitar surpresas, principalmente quando você está próximo de uma entrega importante.

A análise preditiva mostra em tempo real as probabilidades para se atingir um milestone baseado em vários parâmetros, incluindo recursos humanos, infraestrutura, condições climáticas e restrições orçamentárias e legais. Isto adiciona uma informação relevante no dashboard de acompanhamento do projeto.

A análise prescritiva encontra a melhor solução para se atingir um objetivo. Ou seja, a partir de várias simulações de dados entrada, a análise prescritiva indica o melhor caminho para o objetivo, considerando recursos humanos, custo, entre outros parâmetros.

Uma vantagem adicional é que o sistema de inteligência artificial aprende continuamente. Aquele conteúdo das sessões de feedback do projeto ou dos sprints é usado para aperfeiçoar o modelo de inteligência artificial para melhorar as decisões, ao invés destas preciosas informações ficarem em alguma gaveta ou perdido em alguma pasta eletrônica.

Outro ponto a considerar é a automação de vários processos operacionais que podem ser realizados pelo sistema de inteligência artificial. A automação aumenta a produtividade e reduz custos.

Se considerarmos o uso de inteligência artificial na gestão de portfólio de projetos de uma organização, os benefícios se multiplicam exponencialmente. Os recursos serão melhor distribuídos, o orçamento de todos os projetos será maximizado, a priorização de projetos importantes e estratégicos será considerada, aumentando a probabilidade das metas corporativas serão atingidas nos prazos, dentro do orçamento e na qualidade esperada.

Como começar?

Como todo projeto de inteligência artificial, os dados é a chave para o sucesso. Provavelmente, você terá que começar a medir e usar indicadores que você não utiliza hoje. Lembre-se que os sistemas de aprendizado de máquina trabalham com classificação e probabilidades. Alguns modelos trabalham com dados históricos e outros com exemplos. Os modelos deverão ser treinados e testados com dados reais, ou seja, você precisa coletar, transformar e armazenar os dados em um Big Data ou consumir dados de APIs internas ou externas.

Por exemplo, dados históricos definem a probabilidade de um desenvolvedor concluir um tipo de atividade dentro do prazo negociado. Medir o tempo médio de ociosidade de uma equipe de campo em períodos de chuvas em uma determinada região.

Como o modelo de inteligência artificial aprende continuamente, novos dados podem ser inseridos ao longo do tempo.

O tamanho e a complexidade dos projetos são importantes para começar o uso de inteligência artificial. Projetos muito pequenos e de baixa complexidade não mostrarão os benefícios da inteligência artificial, tanto em pelo esforço para se conseguir os dados como pelas poucas e obvias configurações do projeto. A escolha deve ser de um projeto grande e complexo.

A estratégia deve ser rodar o sistema de inteligência artificial em paralelo com o sistema de gerenciamento tradicional, mesmo porque ele é que dará muitos inputs para o modelo de aprendizado de máquina.

Não espere comprar um sistema de gerenciamento de projetos com inteligência artificial pronto. Cada sistema deverá ser configurado com os dados disponíveis e treinado com os dados da empresa.

Para o primeiro projeto recomendo a contratação de uma equipe externa com experiência em gerenciamento de projetos e especializada em modelos de inteligência artificial.

Acredito que o uso de inteligência artificial aplicada ao gerenciamento de projetos é um caminho sem volta, incluindo seu uso em squads. Isto transforma o perfil do gerente de projeto, exigindo outras competências para continuar a fazer a gestão de projetos com eficiência.

Em mercados com empresas de crescimento exponencial, a inteligência artificial é chave para a transformações dos negócios. O grande desafio é saber por onde e como começar os projetos. Existem algumas barreiras de entrada que devem ser consideradas: (1) Paradigma que inteligência artificial é complexa; (2) Definição do projeto; (3) Coleta, transformação e armazenamento de dados (ETL); (4) Alocação de recursos computacionais para o processamento; (5) Construção e treinamento dos modelos de inteligência artificial; e, (6) Efetivo benefício para os processos de negócios. É necessário estabelecer uma estratégia para começar e tornar o caso um sucesso.

O primeiro desafio é mostrar para os executivos que inteligência artificial é mais uma tecnologia e que pode trazer grandes benefícios para a empresa. As bases e modelos utilizados no aprendizado de máquina remontam da metade do século XX e só se popularizaram agora pela ampla disponibilidade de recursos computacionais a preços acessíveis. Vivemos um ponto de inflexão, onde a inteligência artificial atingiu a consciência comum. O rádio, a televisão, a telefonia móvel, a Internet e outras tantas tecnologias passaram por este mesmo processo. Como no passado, as empresas que adotam mais cedo as tecnologias avançam mais rápido na competitividade e produtividade de processos, aumentando a participação no mercado e na lucratividade. Isto fica claro, quando analisamos as empresas de maior valor no mercado, como Google, Facebook, Amazon, Apple, Uber e tantas outras. Do lado oposto, as empresas que não adotaram ou que encontraram dificuldades para incorporar novas tecnologias nos seus processos acabaram perdendo valor de mercado.

O segundo desafio é identificar e desenvolver um projeto de inteligência artificial que, efetivamente, resolva um problema crônico e conhecido por toda a organização e que outras técnicas não funcionaram.

Identificar os problemas é fácil, pois todos têm consciência de seus efeitos. O desafio está em encontrar soluções para resolvê-los com eficiência e de forma disruptiva. Talvez, aqui seja interessante contratar um especialista externo para ajudar no desenvolvimento da proposta, juntamente com os especialistas de negócio.

O terceiro desafio é identificar os dados disponíveis e avaliar se são suficientes para construir os modelos de inteligência artificial. Aqui encontra-se um dos maiores desafios dos projetos de inteligência artificial. A maioria dos dados disponíveis pelas empresas são coletados e armazenados para os processos operacionais. Muitos dados são descartados por não serem relevantes para a operação de negócios, mas importantes para o aprendizado de máquina. Outros tantos dados são coletados e armazenados sem o completo conhecimento dos especialistas de TI e de negócios, principalmente quando a empresa adota um ERP de um fornecedor externo.

Normalmente, é na fase de coleta, transformação e carga dos dados (ETL – Extract, Transform and Load) – onde se consume mais tempo nos projetos de aprendizado de máquina. As empresas que já adotaram Data Warehouse e processo de Business Intelligence (BI) levam vantagem nos projetos de inteligência artificial. Aqui deve-se avaliar a necessidade de novos dados e formas de coleta, usando IoT (Internet of Things), por exemplo.

O quarto desafio é montar a infraestrutura para o desenvolvimento do projeto de inteligência artificial. Para a prova de conceito (POC – Proof Of Concept) não são necessárias grandes plataformas de hardware e software. Um notebook com grande capacidade de memória RAM e uma placa gráfica com uma GPU (Graphic Processing Unit) e softwares open source são suficientes.

Outra opção é utilizar o marketplace de provedores de Cloud Computing, como a AWS da Amazon, Google Cloud, Azure da Microsoft e IBM Cloud. Os marketplaces destes provedores possuem recursos soluções que facilitam a construção de modelos de aprendizado de máquina.

Um projeto de inteligência artificial pressupõe o desenvolvimento de algo inovador e disruptivo, como produtos e modelos de negócios criados por startups. Uma forma de atingir esta expectativa é estabelecer um convênio com laboratórios de pesquisa de Universidades e colocar o desafio para que pesquisadores e estudantes busquem soluções disruptivas. Esta estratégia tem várias vantagens, entre elas: custo reduzido e possibilidade uso de incentivos fiscais; permitir que pesquisadores transformem pesquisa teórica em pesquisa aplicada; e, identificar alunos talentos para contratação.

O uso de especialistas para treinar os modelos de inteligência artificial acelera o desenvolvimento da solução. Considere a contratação de especialistas ou convênios com laboratórios de Universidades para ajudar nos primeiros projetos. Com isto, os benefícios aparecem mais cedo e, envolvendo os funcionários, a curva de aprendizagem é mais rápida.

Uma vez provado que a solução é viável e competitiva, apresente os resultados para os conselheiros do Conselho de Administração e Direção Executiva. A partir da aprovação do conceito elabore um projeto de larga escala para transformar os processos da empresa. O desenvolvimento torna-se mais fácil quando o modelo de inteligência artificial foi definido e testado na etapa da prova de conceito. Isto faz que a maioria das equipes internas ou empresas de software possam desenvolver os projetos para uso em produção.

Um grande desafio é formar equipes para projetos de inteligência artificial. Isto requer uma estratégia diferente da tradicional. Os convênios com Universidades são interessantes para já identificar na escola jovens talentosos. Considere esta opção.

Resumindo, você tem tudo para começar agora o seu primeiro projeto de inteligência artificial.