Com todo o desenvolvimento proporcionado pelo número cada vez maior de aplicações de inteligência artificial nas mais diferentes indústrias e áreas de conhecimento, vale ainda questionar se é estritamente necessário possuir uma inteligência artificial altamente sofisticada para alavancar o negócio de sua empresa?
A resposta é: DEPENDE. Alguns fatores podem ser bastante esclarecedores para sustentar essa resposta e ajudar a entender em que contextos o uso de uma inteligência artificial mais robusta pode ser necessário e, de verdade, gerar resultados concretos para as empresas.
Fator “Precisão” – Diferentes aplicações de inteligência artificial podem demandar distintos graus de precisão para começarem a funcionar de forma segura. Por exemplo, um carro autônomo, até por transportar vidas, deve ser muito mais preciso que um sistema para oferta de produtos na internet, que pode começar mais simples e ir sendo aperfeiçoado ao longo do tempo.
Fator “Adaptação” – Uma vez mais, dependendo do tipo de aplicação, pode ser necessário um nível mais alto de sofisticação e capacidade de adaptação do algoritmo a novos eventos. Por exemplo, modelos preditivos de prevenção a fraude potencialmente necessitam ter uma característica muito mais autoadaptativa, por conta de reagirem rapidamente a quaisquer mudanças de padrões no comportamento dos clientes (fraudadores e clientes normais).
Fator “Facilidade de implementação” – Via de regra, abordagens mais complexas, como as envolvendo redes neurais e outros algoritmos “caixa preta” tendem a ser mais complexos de serem implementados que sistemas baseados em modelos estatísticos abertos, como regressão linear e regressão logística, que podem ser muito mais facilmente codificados em sistemas comerciais da maioria das empresas. Se esse for o caso, por que razão não começar utilizando abordagens mais simples, que gerem valor real ($$$) mais rapidamente e, a partir daí, desenhar um plano de evolução e os ganhos gerados pelo uso de algoritmos mais sofisticados?
Fator “Time to Value” – Tem relação direta com o item anterior, um modelo mais simples que seja mais facilmente compreendido pela companhia e que possui menos entraves de implementação pode gerar ganhos mais rapidamente e “patrocinar” novos ganhos, advindos do uso de metodologias mais robustas que podem surfar na onda de um projeto inicial bem implementado.
Fator “Interpretabilidade” – Em diversos setores, há um nível de regulação que dificulta o uso de algoritmos “caixa preta” para tomada de decisão. Entre eles, está o setor financeiro, em que as regras de tomada de decisão para gestão de risco precisam ser claras e o mais objetivas possível. Quando usamos modelos “caixa preta” como florestas aleatórias ou redes neurais, não é tão simples identificar e interpretar todos os fatores que impactaram em uma determinada decisão, o que limita o poder de aceitação desses métodos para tomada de decisão de forma massificada. Um contraponto é quando precisamos usar inteligência artificial para reconhecer um rosto humano, no caso de uma aplicação de biometria facial. Nesse caso, a acurácia e velocidade do algoritmo, para identificar corretamente a pessoa, são muito mais relevantes que os critérios utilizados pelo algoritmo para reconhecimento da imagem.
Assim, toda vez que uma empresa tenha um determinado problema de negócio que precise ser resolvido usando algoritmos de aprendizado de máquina, estes fatores “Precisão”, “Adaptação”, “Facilidade de implementação”, “Time to value” e “Intepretabilidade” precisam ser analisados de forma antecipada, de forma a definir o que pode ser mais adequado e trazer resultados mais concretos para a resolução do problema em questão.
Assim como na vida, também em projetos envolvendo inteligência artificial, menos pode significar mais.
*Por Marcelo Fernandes, especialista em Analytics da FICO
