Shivon Zilis comanda o fundo de venture capital Bloomberg Beta, criado pela Bloomberg com US$ 75 milhões para investir em startups que trabalham com inteligência de máquina. Em outras palavras, em vez de fazerem uma análise tradicional de big data, por exemplo, essas startups aplicam aos dados algoritmos que entendem padrões ali e criam modelos de ação a partir deles.
Empresas como Amazon e Netflix utilizam machine learning quando suas máquinas recomendam aos clientes Inovação e crescimento reportagem Entenda as oportunidades e as ameaças que surgem com a capacidade crescente de aprendizado das máquinas produtos com base em comportamentos anteriores. No entanto, a evidência de que o setor vai além dessas duas empresas icônicas está com Zilis: o mapa de players de inteligência artificial, o “Machine Intelligence Landscape”, que ela publica todo ano, e a evolução do volume investido em startups ligadas a inteligência de máquina.
O mapa da Bloomberg Beta, que cobre de machine learning a internet das coisas, passando por enriquecimento de dados, mostra um avanço inquestionável: em 2016, teve 30% mais organizações do que em 2014, quando foi lançado.
O mapa também sinaliza uma expansão das fronteiras do segmento. “Pessoas diferentes estão se envolvendo. Na primeira edição, tudo dizia respeito a empreendedores e acadêmicos. Depois, vieram os investidores, de capital aberto e fechado. Agora, chegam as empresas que tentam descobrir como transformar seus negócios usando a inteligência de máquina”, disse Zilis no fórum “Machine Learning and the Market for Intelligence”, que a Rotman School of Management, organizou em Toronto, Canadá.
Os investimentos do fundo, por sua vez, também não param de aumentar: já integram seu portfólio 35 empresas de inteligência de máquina que resolvem 35 problemas significativos nas áreas de segurança, recrutamento e desenvolvimento de software.
“O hype em torno de métodos de inteligência de máquina continua, sim, a crescer”, confirmou Zilis. Outra fonte comprova o crescimento. É o McKinsey Global Institute, com o estudo The Age of Analytics: Competing in a Data-Driven World, que relaciona oportunidades e desafios empresariais no contexto específico do machine learning.
Segundo o estudo, de 2011 para cá, houve uma aceleração na tendência de adoção da análise de dados automatizada, com consequente criação de valor maior. Por exemplo, os varejistas que adotaram o tipo de análise de dados conhecido como machine learning obtiveram aumento de 19% nas margens operacionais nos últimos cinco anos.
**QUANDO PLANEJAR**
Em que medida a inteligência de máquina não será mero futurismo para empresas mais convencionais de um mercado emergente como o Brasil?
Se focarmos apenas o machine learning, ele está ainda na infância, afirma Ajay Agrawal, professor de empreendedorismo e estratégia da Rotman School. “Embora algumas das atuais aplicações sejam relevantes, nenhuma delas é transformacional. Para ilustrar, os mecanismos de recomendações usados por empresas como Amazon e Netflix contribuem para as vendas de livros e filmes, mas não representam mudanças significativas para a economia.”
Ainda assim, Agrawal lembra que até companhias tradicionais já têm conseguido se beneficiar dos avanços do machine learning. A GE, por exemplo, economiza milhões de dólares aproveitando os dados que coleta de poços de petróleo em águas profundas e de seus equipamentos instalados em aviões para otimizar o desempenho de suas operações, antecipar problemas e programar manutenções.
O importante é que a tecnologia vai evoluir, e rápido, e não pode mais ser restrita aos pesquisadores ou às gigantes corporativas digitais. Ante as possibilidades de transformação para a economia mundial, todos devem aprender a lidar com a inteligência de máquina, começando a adotá-la em alguma medida.
**ESTRATÉGIA E MODELOS**
Para entender melhor especificamente o machine learning, vale focar os três pontos do estudo McKinsey:
• Potencial. Reside, por enquanto, em oferecer às empresas maior capacidade de realizar previsões e prognósticos.
• Evolução. A possibilidade de gerar otimização em tempo real está apenas no início e vai se acelerar nos próximos três anos.
• Desafios. Referem-se a desenvolver uma estrutura organizacional adequada para apoiar as atividades de coleta e análise de dados, assegurar o envolvimento da liderança sênior e desenhar arquitetura de dados e infraestrutura tecnológica compatíveis. Dorian Pyle e Cristina San Jose, especialistas da McKinsey responsáveis pelo estudo, chamam a atenção para a necessidade de a análise de dados com aprendizado de máquina estar subordinada à implementação da visão estratégica da empresa. “Se a estratégia não for o ponto de partida, o machine learning corre o risco de se tornar mais uma ferramenta perdida em meio às rotinas operacionais. Dessa maneira, pode até oferecer um serviço útil, mas o valor de longo prazo será limitado, como mais uma forma de conquistar e reter clientes”, escrevem.
A recomendação, segundo Pyle e San Jose, é começar a utilizar essa tecnologia devagar e avaliar os resultados com base em critérios de sucesso claramente definidos.
Quanto ao machine learning, o modelo mais procurado no Brasil é o baseado em árvore de decisão, de acordo com Gabriel Lobitsky, responsável para a América do Sul pelos negócios da multinacional Infor, desenvolvedora de software de negócios na nuvem.
“O presidente de uma instituição de ensino que busca melhorar o nível de serviço de seu call center no canal de chat se interessa por um modelo assim, por exemplo. Se o aluno perguntar: ‘Em que dia começam as aulas do curso de marketing?’, esse modelo vai consultar todas as respostas dadas antes a perguntas similares, verificar o nível de acerto de cada uma pelo feedback de quem perguntou e eleger a resposta com nível de acerto mais satisfatório”, conta Lobitsky.
Porém há outros modelos de machine learning. O mais novo é o de redes neurais, que permite analisar todo o conteúdo disponível na internet e verifi car qual é a resposta mais aceita globalmente. O modelo de vector machines (SVM, na sigla em inglês) separa cenários possíveis dentro de determinado problema, mas não funciona muito bem quando os dados têm muito ruído e não costuma ser usado em situações em que os dados são incompletos ou estão misturados com outros.
E há ainda combinações de modelos, em que a solução de machine learning decide, a cada pergunta, se ela deve ser respondida com base nos dados da organização, como no modelo da árvore de decisão, ou vasculhando toda a internet, como no de redes neurais.
Segundo Lobitsky, faz cinco anos que se começou a adotar algum tipo de machine learning no Brasil, tendo em vista que soluções de decision management algumas vezes são entendidas como machine learning. “Muitos e-commerces já o aplicam por entenderem que certos produtos parados no estoque podem ser vendidos se forem combinados com outros produtos, e é o machine learning que faz essa amarração de itens, aumentando o giro de estoque”, diz o executivo. Por enquanto, são varejistas, bancos, seguradoras e companhias de telecom de grande porte que estão se interessando pela tecnologia no Brasil, na experiência da Infor.
**3 USOS IMEDIATOS**
**SUPPLY CHAIN**: complexa para muitas organizações, a cadeia de fornecimento tem de funcionar bem para minimizar custos com atrasos e falta de produtos no estoque. Combinando machine learning e big data, cientistas de dados estão modelando os cronogramas e antecipando informações sobre acontecimentos que podem impactar negativamente essas operações. Desse modo, as empresas conseguem identificar os atrasos corriqueiros e também os imprevistos, decorrentes de desastres naturais, greves etc.
**LOGÍSTICA**: a ciência de dados vai permitir que a próxima geração de software empresarial, resultado de soluções preditivas, diga ao usuário qual a quantidade de estoques necessária para atender a demandas futuras, que informe como precificar os itens para garantir a lucratividade em longo prazo e que aponte os portos com melhores capacidades para embarques, com o intuito de minimizar o impacto dos atrasos.
**VAREJO**: normalmente, aplicações inteligentes de CRM atuam de maneira preditiva no setor, mostrando potenciais compradores e produtos mais buscados. As tecnologias complementares, como os sensores e o RFID, dão às lojas uma visão mais ampla do estoque para saber a localização e a movimentação de um produto, por exemplo. Se associadas à interpretação dos dados, essas tecnologias permitirão uma verdadeira transformação digital nas lojas físicas, que não apenas compreenderão melhor a jornada do consumidor, mas lhe ofertarão produtos e itens mais específicos. Dados capturados por sensores no setor de comércio de vestuário vão levar à ampliação da oferta dos produtos que mais se ajustam ao gosto e ao tamanho dos clientes. E esse mesmo tipo de solução poderá apoiar a gestão do estoque no varejo, por disponibilizar informações sobre níveis de estoque, eliminando a necessidade de uma contagem manual e demorada, mais sujeita à incidência de erros
**MENOR RESISTÊNCIA**
A inteligência artifi cial não tem a simpatia das pessoas, especialmente por ameaçar empregos humanos, mas isso pode estar prestes a mudar. Segundo Shivon Zilis, o crescente uso da inteligência de máquina por organizações sem fi ns lucrativos para resolver grandes problemas da humanidade deve derrubar as resistências. Ela citou como exemplos a Conservation Metrics e a Vulcan Conservation, que vêm utilizando aprendizado profundo para proteger espécies animais ameaçadas de extinção, e a Thorn, cujos criativos algoritmos buscam proteger as crianças online. ONGs em parceria com o Google estão detectando atividades de pesca ilegal usando dados de satélite quase em tempo real, e a Global Forest Watch identifi ca a exploração madeireira ilegal em parceria com a Orbital Insight.
Outro sinal bem-visto é que tecnologias de código aberto estão democratizando o machine learning, de acordo com Zilis, como mostra o lançamento do OpenAI, que oferece acesso a pesquisas e a ambientes de desenvolvimento de classe mundial.
Por fim, a apropriação dos algoritmos de inteligência artificial para a “produção artesanal” também seria prova de que a sociedade já começa a absorver essa nova geração tecnológica. Zilis se refere à IA que escolhe os melhores grãos de cacau para um chocolate premium, escreve poesia, prepara bifes e até monta musicais.
**O RISCO**
Cinco anos atrás, carros autônomos pareciam uma aberração; poucos os levavam a sério. Hoje, ninguém mais duvida de que esses veículos determinarão o padrão de transporte de um futuro não muito distante. Como sugere o professor Ajay Agrawal, é altamente provável que o mesmo fenômeno aconteça com a inteligência de máquina.
Provas do poder disso não faltam. Em 2014, o Google adquiriu a startup de inteligência artifi cial DeepMind por aproximadamente US$ 500 milhões e criou a AlphaGo. O que aconteceu? A máquina fi cou famosa por bater o melhor jogador do mundo no antigo jogo chinês conhecido em inglês como Go, e o fez com o que pareceu ser um sinal de “intuição”, em vez de uma mera execução de processos lógicos.
A última tecnologia a mudar a economia foi a internet. As empresas que não a abraçaram logo pagam por esse erro até hoje. Na visão de Agrawal, o mesmo tende a acontecer, agora, com a inteligência de máquina.
