Ricardo Costa - Head de Inovação e Fábrica de SW
Aprender, demonstrar e aplicar conhecimentos é imprescindível para aevolução, mas não é suficiente para atender ao ritmo que o mundo exige nasolução de seus problemas de toda espécie.
Nos momentos em que a humanidade incorporou avanços tecnológicos, vejo sempre o trinômio proposta de inovação, necessidade reconhecida e capacidade de adoção em larga escala sendo colocado à prova.
Se algum dos eixos deste trinômio não estiver maduro, a inovação retorna à “bancada” até que que se verifique que os três eixos estão nivelados.
Trazendo para contexto a Inteligência Artificial, considero que a Tecnologia de Informação e Comunicação hoje imprimiu aceleração nos tempos médios de execução de tarefas na grande maioria das atividades profissionais, educacionais e no dia a dia do cidadão comum.
Isso se deve em grande parte à revolução (tecnológica e financeira) em capacidade computacional com menor custo, disponibilidade de dados (Big Data) e algoritmos mais capazes (Machine Learning).
Hoje a indústria de TI dispõe de modelos de IA mais velozes, Data Lakes contendo muitos mais dados para se aprender, aumentando a eficiência quando comparados com os modelos disponíveis na década passada.
O tempo disponível para o ser humano coletar dados, informações e conhecimento para tomada de decisão é inexoravelmente menor. Nós esperamos respostas corretas em pouco tempo.
A IA revolucionou a automação de processos, a tomada de decisões e a personalização de serviços. As empresas usam chatbots inteligentes, análise de dados avançada e IA para melhorar a experiência do cliente.
E neste cenário, com a oferta quase que ilimitada de fontes de informações de quaisquer temas, o quão mais rápido chegarmos ao exato setor onde está o conhecimento de que precisamos, melhor responderemos às questões apresentadas. Além disso, se hoje somos mais rápidos em tomada de decisão, é esperado que os cenários mais críticos no futuro sejam projetados – Modelos Preditivos, com base em alto volume de informações coletadas no passado (conhecimento).
Neste cenário, entendo que a IA ultrapassou seu momento de decolagem eganha maior autonomia de voo.
Entre várias aplicabilidades já identificadas, citarei algumas a seguir:
• Hoje, grandes empresas daIndústria de Petróleo adquirem algoritmos de IA para predizer, com base em dados coletados e disponibilizados em plataforma Big Data, o comportamento de fadiga de grandes dutos para transporte de óleo e gás, por exemplo. Além da melhoria no programa de manutenção preventiva (ganhos em $ para empresa), há um ganho ambiental para sociedade ao reduzir os riscos de desastres ocasionados por vazamentos/rompimentos.
• Para o segmento de Agronegócio começam a surgir soluções como a AIoT, combinando a conectividade de componentes que capturam/transmitem dados que serão base para alimentar Modelos Preditivos (Algoritmos Machine Learning) e assim, em função de um evento não previsto (praga sem combate, efeito climático prolongado), reprogramar os ciclos automatizados de irrigação/fertilização. Hoje a adoção desta tecnologia no Brasil é limitada por questões de disponibilização de energia estabilizada e com linhas de distribuição que alcancem as áreas rurais, onde estão grandes fazendas, distantes dos centros urbanos.
• Na Indústria de SW já estão disponíveis soluções baseadas em IA generativa que apresentam na própria IDE de desenvolvimento, sugestões de código a partir de solicitação postada como comentário. Essas soluções não “eliminam” a atuação do desenvolvedor, mas aceleram a produção de código, especialmente classes e métodos mais frequentemente utilizadas. Não esquecendo também que os algoritmos de IA continuarão sendo treinados com novas classes e métodos criados pelos desenvolvedores para que assim continuem evoluindo.
Como incorporar essa inovação nas esteiras de produção de SW?
Para polos de desenvolvimento de Sistemas (Fábricas de SW), sugiro considerar os seguintes itens na estratégia de adoção de IA generativa:
• Pesquise entre as diversas opções disponíveis quais IDEs de desenvolvimento são suportadas, se contemplam sugestão de código para testes unitários e facilidades de integração com DevOps;
• Cuidados: maturidade para "curadoria" do código. A experiência mostra que os modelos de IA generativa já evoluíram muito, mas não são 100% eficazes a ponto de dispensar análise crítica sobre o código gerado/sugerido. Portanto é recomendável o uso dessas ferramentas por profissionais com razoável experiência em codificação e testes de SW (Plenos e Seniores);
• Não trate a adoção desta tecnologia como projeto de substituição de mão de obra de desenvolvimento de SW. Os algoritmos necessitam de treinamento contínuo e isso é feito através de interações dosDesenvolvedores;
• Não enfraquecer a disciplina de colaboração entre pares (especialmente os iniciantes).
Projeção e Desafios para o futuro - Inteligência Artificial
• Curto/médio prazo – com mais capacidade computacional disponível e ganhos nos algoritmos (M.L.) mantém-se a expectativa de avanço em resultados obtidos com a adoção da InteligênciaArtificial.
• Longo prazo – houve um tempo razoável para coleta e armazenamento de dados e treinamento dos modelos de IA para em seguida treinar e disseminar modelos em suas diversas aplicações. Haverá um desvio entre a curva de geração de novos dados disponíveis para treinamento (menos acentuada) e a curva de geração de novos modelos que precisam ser amadurecidos (mais acentuada), sem ainda dispor de alto volume de dados ainda não explorados.
• Para futuro, além da sofisticação nos modelos (algoritmos de treinamento e testes), considero como o próximo degrau para IA o entendimento de um mecanismo da mente humana – a intuição e sua influência na tomada de decisões. Em resumo: definir a lógica que prevalece em meio a uma aparente falta de lógica.
Implemente sua estratégia para criação de Soluções Orientadas a Dados
Todas as empresas já possuem bases de dados, estruturadas ou não, capazes de permitir descobertas – “insights” sobre jornadas de seus clientes e potenciais clientes.
Procure por Consultorias e Fábricas de SW que possuam expertise na definição de um “roadmap” de ações desde segmentação e análise criteriosa dos dados até a proposta de serviços e produtos que potencializem ofertas adicionais aos já clientes, e que aumentem a taxa de conversão nas jornadas de potenciais clientes.
