Porque é que todas as organizações devem investir em IA preditiva

David Rice: As empresas estão a investir milhões em IA generativa. Estão a criar agentes e a perseguir o entusiasmo à volta desta tecnologia. E, muitas vezes, estão a ignorar os outros 50% da pilha de IA: a parte que realmente proporciona valor empresarial mensurável. A IA preditiva não é tão apelativa. Não escreve poemas nem gera imagens. Limita-se a prever quem vai clicar e quem vai comprar. Direciona o seu marketing. Deteta fraudes antes de acontecerem e automatiza decisões em grande escala sem intervenção humana. Se está a deixar esta oportunidade de lado, muitas vezes é porque ela não parece tão semelhante aos seres humanos.

O convidado de hoje é Eric Siegel, autor de O Manual da IA e fundador da Machine Learning Week. Segundo ele, a maioria das organizações deveria investir pelo menos tanto em IA preditiva como investe em IA generativa. No entanto, a atenção está a ser dominada pelo entusiasmo à volta da IA generativa, o que representa uma perda para todos. Este é o problema que ele continua a observar: as empresas tratam a IA preditiva como um projeto de ciência de dados.

Enviam o cientista de dados para criar um modelo, celebram quando este fica concluído e depois consideram que isso é valor. Mas o modelo não é o valor. O valor está em agir com base nas previsões. O valor está na integração operacional. E isso exige uma colaboração profunda com as partes interessadas do negócio ao longo de seis etapas que Eric irá explicar, e não apenas de três etapas técnicas.

A maioria das empresas ignora completamente as etapas relacionadas com o negócio. Não definem o que está a ser previsto nem o que será feito com essa previsão. Ignoram a integração operacional e depois perguntam-se porque é que os seus investimentos em IA não estão a dar resultados. Por isso, hoje vamos abordar por que razão a IA preditiva é menos apelativa, mas mais autónoma do que a IA generativa.

Vamos explicar como a IA preditiva se tornará a camada de fiabilidade que tornará a IA generativa verdadeiramente viável; as seis etapas do enquadramento Biz ML e quais são as três que as partes interessadas do negócio mais provavelmente ignoram; por que razão uma taxa de precisão de 95% parece impressionante, mas pode tornar o seu sistema inútil; e o que os líderes empresariais precisam de compreender sobre probabilidades. Não se preocupe: não é ciência espacial.

Eu sou David Rice. Este é o People Managing People. E, se tem perseguido a IA generativa enquanto deixa a IA preditiva de lado, esta conversa mostra-lhe exatamente o que está a perder. Vamos começar.

Eric, bem-vindo! É um prazer tê-lo hoje no programa.

Eric Siegel: Obrigado, David. É um prazer estar aqui.

David Rice: A IA generativa recebe grande parte da atenção, mas chamou à IA preditiva os 50% esquecidos da pilha de IA, certo? Apesar disso, ela é essencial para criar valor empresarial real. Porque acha que as organizações estão muito mais entusiasmadas com os modelos generativos e o que é que acaba por ser ignorado quando estes sistemas preditivos são relegados para segundo plano?

Eric Siegel: A IA preditiva é mais antiga, mas não pertence ao passado. Grande parte do seu valor continua por explorar. É, de certa forma, a outra IA, a IA original. Antes do aparecimento do ChatGPT e de outras soluções de IA generativa, era essencialmente isso que a maioria das pessoas queria dizer quando falava de IA. Trata-se de aprender com dados para fazer previsões, de forma a direcionar e melhorar operações de grande escala. Prever quem vai clicar, comprar ou abandonar, quem vai cometer fraude ou qualquer outro resultado ou comportamento que seja valioso para uma organização com operações de grande escala.

A resposta à sua pergunta é simples: a IA generativa é muito mais apelativa e muito mais fácil de utilizar. Nenhuma destas características significa necessariamente que seja mais valiosa. A maioria das organizações deveria investir pelo menos tanto em IA preditiva como em IA generativa. As duas resolvem problemas diferentes e não deveriam competir mais do que um parque aquático e uma estância de esqui.

No entanto, competem pela atenção, pelo tempo dos cientistas de dados e pelos recursos. Infelizmente, isto acaba por ser um jogo de soma zero. A IA generativa está a retirar uma quantidade desproporcionada de atenção, o que representa uma perda para todos. A IA preditiva pode direcionar o marketing ao prever quem vai comprar, detetar fraudes ao prever quais as transações que serão fraudulentas e identificar as transações que devem ser bloqueadas, retidas ou auditadas.

Sempre que existem operações de grande escala, os recursos são limitados. Os negócios são um jogo de números. Não temos uma bola de cristal, mas podemos aumentar as probabilidades a nosso favor ao prever melhor do que através de simples adivinhação. É esse o jogo de números que se joga com a IA preditiva.

A IA preditiva calcula probabilidades a partir do histórico. A probabilidade pode não ser o tema de conversa mais apelativo do mundo, mas, se está interessado em valor e em melhorar operações de grande escala, é aqui que deve procurar. A IA generativa parece mais humana e enquadra-se melhor na narrativa de longo prazo sobre a IA. É extraordinária para servir como parceira de reflexão, criar primeiros rascunhos e gerar código, mas, na maioria dos casos, precisa de um ser humano no circuito.

Ironicamente, por parecer mais humana, é aplicada a tarefas que normalmente seriam realizadas por pessoas e nas quais existe pouca tolerância para erros. A IA preditiva parece menos humana, mas pode ser mais autónoma, porque pode decidir automaticamente qual a transação de cartão de crédito que deve ser bloqueada por ser potencialmente fraudulenta.

David Rice: É interessante, porque a IA preditiva existe há muito tempo. Muitas empresas, sobretudo ao nível empresarial, já trabalham com estes sistemas há vários anos. Se uma empresa já implementou alguns destes sistemas e fez esse trabalho, a revolução dos agentes que se aproxima provavelmente não será tão relevante, porque grande parte do processo já está automatizada.

Eric Siegel: Tenho algumas reservas em relação à terminologia “IA agêntica” e “agentes de IA”. É sobretudo um termo de entusiasmo que não aponta para um novo tipo específico de tecnologia. Refere-se apenas à intenção de automatizar ainda mais. É uma intenção evidente: é por isso que construímos máquinas, para realizarem tarefas que, de outra forma, teriam de ser feitas por uma pessoa.

O facto de acrescentarmos a palavra “agêntica” não significa que exista algo novo. São casos de utilização relativamente óbvios da IA generativa, mas rapidamente atingem um nível de ambição que ultrapassa a capacidade de funcionarem autonomamente sem intervenção humana.

É aqui que os dois universos se cruzam. Acredito que a próxima grande aplicação da IA preditiva será funcionar como camada de fiabilidade para a IA generativa. Podemos ter um agente de atendimento ao cliente a interagir diretamente com consumidores, a tratar de muitos assuntos ou até a realizar transações. Mas, se funcionar de forma totalmente automática, pode cometer um erro crítico em 5% dos casos.

Se acertar em 95% das vezes, isso é impressionante e algo que há alguns anos seria inimaginável. Mas o sistema, como um todo, não tem valor. Não é viável e não será implementado. Uma taxa de erro de 5% é demasiado elevada.

Podemos utilizar IA preditiva para aprender com exemplos e assinalar automaticamente os casos com maior probabilidade de apresentar um problema. Esses casos podem ser encaminhados para um ser humano. Por exemplo, podemos encaminhar os 15% dos momentos de interação mais arriscados de um chatbot para um operador humano. Assim, a maior parte da autonomia é preservada, mas os casos mais perigosos recebem supervisão humana.

Se essa abordagem reduzir a taxa de erro final para 1%, dependendo do caso de utilização e do contexto empresarial, o sistema poderá tornar-se viável. Dessa forma, concretizamos grande parte da promessa de autonomia, em vez de 0%, que é o que obtemos quando o sistema não pode ser implementado.

David Rice: No seu novo livro, O Manual da IA, fala sobre o domínio da rara arte de implementar aprendizagem automática. Porque é que essa implementação é tão rara?

Eric Siegel: A implementação de aprendizagem automática refere-se a projetos de IA preditiva ou análise preditiva. Cria-se um modelo preditivo a partir de dados. A aprendizagem automática aprende com os dados e encapsula esse conhecimento em regras, fórmulas ou algum outro tipo de modelo.

Tanto a IA generativa como a IA preditiva são construídas com aprendizagem automática, mas produzem sistemas muito diferentes, com objetivos muito diferentes. Na IA preditiva, as previsões são feitas ao nível de cada unidade organizacional: o cliente, o doente, a transação que pode ser fraudulenta, o satélite que pode ficar sem bateria ou a roda do comboio que pode avariar.

A análise preditiva e a aprendizagem automática empresarial existem há décadas. Ainda assim, não atingiram uma verdadeira maturidade ou profissionalização numa área essencial: a ligação entre tecnologia e negócio. É por isso que escrevi o livro e cofundei a Gooder AI: para tentar preencher a última lacuna entre a tecnologia e o negócio.

O problema é que o cientista de dados apresenta o modelo e afirma que este prevê muito bem. As partes interessadas do negócio perguntam qual é o seu desempenho, mas o cientista responde normalmente com métricas técnicas, como precisão, revocação, pontuação F ou a área sob a curva. Estas métricas indicam se o modelo é tecnicamente melhor do que uma previsão aleatória, mas não dizem nada sobre o valor potencial do modelo.

Não indicam quanto dinheiro poderá ser ganho através de marketing direcionado, retenção de clientes, deteção de fraude ou manutenção preditiva. Também não revelam o impacto sobre o lucro, as poupanças ou outros indicadores empresariais relevantes. Calcular esse resultado financeiro ainda não é uma prática comum na ciência de dados.

O campo continua a falhar na maioria das vezes: muitos modelos preditivos desenvolvidos com a intenção de serem implementados em operações empresariais nunca chegam à fase de implementação. A boa notícia é que esta é a última etapa. Já percorremos a maior parte do caminho. Precisamos apenas de uma mudança organizacional e de uma colaboração profunda entre as equipas técnicas e empresariais, utilizando a mesma linguagem, incluindo as métricas de negócio.

David Rice: Expandir uma equipa global não deveria significar gerir cinco sistemas diferentes para recursos humanos, processamento salarial e tecnologias de informação. A Deel reúne tudo num só lugar, para que possa contratar, integrar, pagar e equipar pessoas em qualquer parte do mundo sem o caos habitual. Quer esteja a contratar trabalhadores em 10 países ou a gerir prestadores de serviços em diferentes fusos horários, a Deel trata da conformidade, dos benefícios e dos salários num só lugar. Isso significa menos ferramentas, menos problemas e mais tempo para se concentrar nas suas pessoas.

Quer ver como é realmente contratar sem fronteiras? Visite deel.com/pmp. É deel.com/pmp para marcar uma demonstração. Deel: contrate, gira e pague a qualquer pessoa, em qualquer lugar.

Eric Siegel: Quando se define um projeto de IA preditiva, definem-se duas coisas: o que está a ser previsto e o que será feito com essa previsão. O que está exatamente a ser previsto? Quem vai comprar se for contactado? Quais as transações que serão fraudulentas? E o que será feito com essa informação? Essa é a intervenção.

Essa combinação define o projeto, mas corresponde apenas à primeira de seis etapas do enquadramento Biz ML, o método para conduzir projetos de aprendizagem automática até à implementação. O ingrediente fundamental é a colaboração profunda entre a área técnica e a área de negócio.

Os projetos de IA preditiva não podem ser conduzidos num vazio. Não são simplesmente uma instalação tecnológica. Sempre que se alteram operações através de previsões e probabilidades, está-se a provocar uma mudança fundamental numa operação de grande escala. Por isso, é antes de tudo uma iniciativa empresarial que utiliza aprendizagem automática.

As partes interessadas do negócio precisam de adquirir uma compreensão acessível e relevante do que é a IA preditiva, do que é necessário para gerir estes projetos, do que se prevê, do que será feito e de quais devem ser as métricas. As métricas são apenas aritmética específica, o que permite que todos estejam alinhados e conduzam o projeto até à implementação.

David Rice: Como é que a IA generativa e a IA preditiva podem trabalhar em conjunto?

Eric Siegel: Uma possibilidade é utilizar a IA preditiva como camada de fiabilidade sobre um sistema de IA generativa. Outra é utilizar a IA generativa para ajudar num projeto de IA preditiva. A IA generativa é mais fácil de utilizar porque podemos falar com ela em linguagem natural. Isso pode ajudar a ultrapassar a distância entre a tecnologia e o negócio.

Por exemplo, podemos utilizar um modelo preditivo para decidir quantos casos devem ser contactados para efeitos de marketing, quais as transações que devem ser bloqueadas por serem potencialmente fraudulentas ou que equipamentos devem ser inspecionados por poderem avariar. As previsões permitem ordenar os casos por prioridade, mas é necessário decidir onde traçar a linha.

Existe normalmente uma zona ideal: contactar demasiadas pessoas pode ser dispendioso, mas contactar poucas pode significar perder oportunidades. Uma representação gráfica pode mostrar, por um lado, a quantidade de casos selecionados e, por outro, o retorno financeiro potencial. A curva tende a subir e depois a descer, revelando a zona que proporciona a melhor melhoria dos resultados.

Um modelo de linguagem pode explicar essa representação em linguagem simples. Assim, a IA generativa ajuda as pessoas a compreender projetos de IA preditiva e a fazer perguntas sem receio de parecerem ignorantes perante um cientista de dados.

Eric Siegel: A IA preditiva também pode funcionar como uma importante barreira de segurança quando os sistemas generativos têm alucinações ou se comportam de forma imprevisível. A previsão é feita para cada caso individual, enquanto a previsão tradicional normalmente diz respeito a um único resultado, como saber se a economia vai subir ou descer.

Ao aplicar previsões a milhões de casos, obtém-se o benefício da lei dos grandes números. Não temos uma bola de cristal, mas temos probabilidades. Uma probabilidade é simplesmente um número entre zero e cem que indica as hipóteses de um determinado resultado. Isso permite ordenar e priorizar casos e decidir quais devem ser tratados de uma forma ou de outra.

As partes interessadas do negócio precisam de compreender este conceito e participar no projeto. Não podem simplesmente enviar os cientistas de dados para trabalharem sozinhos. O modelo preditivo só cria valor quando as previsões são incorporadas nas operações de grande escala. É aí que os resultados começam realmente a aparecer.

David Rice: Muitas estruturas de IA preditiva dão prioridade à modelação de dados, mas a sua abordagem também destaca a definição da previsão, a integração operacional e a melhoria contínua. Que etapas menos evidentes são frequentemente ignoradas pelas empresas?

Eric Siegel: Na prática, ignoram todas ou a maioria das etapas relacionadas com o negócio. Os cientistas de dados tentam realizar todas as etapas, mas são formados sobretudo para executar os cálculos técnicos e fazer avaliações técnicas.

O enquadramento Biz ML consiste em seis etapas, organizadas em dois conjuntos de três. Estas etapas abordam três perguntas: o que está a ser previsto, com que qualidade e o que será feito com a previsão. As três etapas finais são as que os cientistas de dados sempre realizaram: preparar os dados, treinar o modelo e implementar o modelo.

As três etapas anteriores dizem respeito à definição do que será previsto, à determinação da qualidade necessária e à decisão sobre o que será feito com as previsões. Todas as seis etapas exigem colaboração profunda com a área de negócio. A tecnologia é importante, mas não é o valor. O valor resulta do projeto empresarial completo e da integração efetiva do modelo nas operações.

David Rice: Infelizmente, é tudo o que temos por hoje, Eric. Obrigado por ter participado. Foi uma conversa muito interessante.

Eric Siegel: Obrigado, David. Foi um prazer.

David Rice: Ouvintes, se ainda não o fizeram, visitem peoplemanagingpeople.com/subscribe e subscrevam a newsletter. Receberão podcasts como este e todos os artigos mais recentes diretamente na vossa caixa de correio. Se quiserem saber mais sobre este tema, consultem certamente O Manual da IA. Vale mesmo a pena.

Até à próxima e continuem curiosos sobre a IA preditiva. Não se percam apenas no entusiasmo da IA generativa.