Se proteja no WhatsApp
Golpes no WhatsApp: veja dicas de como se proteger
Categoria: Artigos
O que é IA?
Quando você ouve o termo inteligência artificial (IA), provavelmente pensa que é algo difícil de entender e acima do seu nível de compreensão. Mas, em última análise, IA são softwares capazes de reconhecer padrões. Aplicativos e outros produtos de tecnologia movidos por IA são capazes de fazer suposições fundamentadas sobre coisas com que nunca tiveram contato, a partir dos dados com que foram treinados. Aqui está um exemplo: digamos que uma cientista de dados ensine um aplicativo a diferenciar fotos de cães e gatos. Ela usa 1.000 imagens marcadas como “cachorro” ou “gato” para treinar o aplicativo para saber qual é qual. Depois que ela lança o aplicativo, uma pessoa pode carregar uma foto nele, que é então capaz de determinar se a imagem contém um cachorro ou um gato. Muito inteligente.
(Aprendiz visual? Vou deixar a pesquisadora Becca Ricks ajudar a explicar:)
O aprendizado de máquina é diferente da IA?
O termo “IA” é muito usado – é um daqueles termos que você vê escrito na parte de trás de uma caixa de brinquedos ou ouve em comerciais do Watson da IBM. Você provavelmente ouviu termos como “algoritmo” ou mesmo “modelo de aprendizado de máquina” muito menos vezes. Os algoritmos alimentam a IA – eles são os programas dentro do software que absorvem um monte de informações e processam os números. Um modelo de aprendizado de máquina é o que faz a previsão.
Um algoritmo é um software que pode examinar várias informações sobre um assunto e classificá-las. Então, quando esse algoritmo é aplicado a um grande conjunto daquilo que os especialistas chamam de dados de treinamento, ele produz um modelo de aprendizado de máquina. O modelo é aquilo que é capaz de receber novos dados e fazer escolhas com base nos dados à sua frente. Seu serviço de streaming sugeriu seu novo programa de TV favorito? Ele conseguiu fazer isso coletando dados sobre você (o que você está assistindo, em qual dispositivo está, o que outras pessoas semelhantes a você assistem, etc.). Com base nisso, o modelo de aprendizado de máquina da plataforma de streaming exibe seu novo programa favorito – Reality Show de Baixa Qualidade, 2ª temporada: Miami. (Entretanto, poucos chamariam sua atenção se você usasse o termo “IA” ou “sistema de recomendação” aqui, em vez de “modelo de aprendizado de máquina”).
Como é a IA no mundo real?
Você provavelmente já interagiu com a IA, quer tenha percebido ou não. Se alguma vez você já percorreu seu feed do Instagram e as postagens estavam organizadas em ordem de relevância e não em ordem cronológica, isso é a IA em ação. É aqui que as coisas ficam complicadas: quem você é, onde mora, onde costuma ir (na vida real e on-line) e uma série de outros fatores podem influenciar a decisão que um sistema de IA toma sobre você. Não em todos os casos, mas certamente em alguns. Às vezes, a IA pode afetar quais dos seus amigos veem aquela postagem no Facebook que você fez com tanto entusiasmo. Em outros casos, pode ter um efeito mais sério, como determinar quais recursos você recebe do governo local.
Então a IA é bem importante, né?
É. E conforme a IA se populariza, torna-se cada vez mais importante que todos nós entendamos a inteligência artificial e o impacto que ela pode ter. Quanto melhor a entendermos, mais garantiremos que a IA reflita as prioridades de todos, não apenas das poucas pessoas privilegiadas o suficiente para criá-la.
Fonte: Mozilla
Não adianta termos bons dados se não fizermos boas perguntas
Durante a Segunda Guerra Mundial, estatísticos da equipe de Abraham Wald analisavam todos os aviões que voltavam das batalhas e destavacam as áreas com mais marcas de balas, como na imagem que ilustra este post. O objetivo era identificar onde a estrutura dos aviões deveria ser reforçada da maneira mais eficiente: não muito a ponto de deixar o avião muito pesado, difícil de manobrar e consumindo mais combustível, e nem tão pouco a ponto de deixá-lo vulnerável.
A distribuição das perfurações não era uniforme: as marcas em vermelho da figura representam as áreas atingidas mais frequentemente. Com base nestes dados, onde eles deviam reforçar?
Uma resposta automática, sem pensar muito seria “onde recebe mais tiros.” Até faz sentido: se estão atirando nas asas, é melhor blindá-las para evitar o estrago.
Quais foram as recomendações de Abraham Wald? 1) Não reforçar as áreas mais atingidas; 2) Blindar as áreas sem marca nenhuma, como os motores, por exemplo.
Os aviões que receberam mais tiros nas áreas destacadas foram capazes de voar de volta. Mas os que foram atingidos nas áreas sem marcas sequer voltaram.
Ninguém estava analisando as marcas de balas nos aviões que não voltaram.
Este caso ilustra o Viés de Sobrevivência (Survival Bias), bastante comum quando analisamos dados para testar uma hipótese: se usarmos a única fonte informação disponível como sendo suficiente, vamos ignorar grande parte das causas destes problemas. Às vezes, a resposta mais importante está na informação que está faltando.
Ao analisar uma base de dados, é preciso observar tanto o que está visível quanto o que não está sendo respondido à primeira vista. O que os dados não respondem é tão importante quanto o que eles respondem. Como a quantidade de informação faltante é sempre infinitamente maior do que a informação disponível, é preciso fazer as perguntas certas.
Quais são as perguntas certas? São as que restringem as suposições e aumentam as certezas.
Por exemplo, o proverbial pico de chamados na segunda-feira é um fenômeno típico no Service Desk de praticamente todas as empresas.
A primeira e principal razão apontada como causa do problema é que os funcionários das grandes empresas – principalmente aqueles que trabalham nos escritórios das grandes cidades – costumam fazer home office nas sextas, então o volume maior de acionamentos é na segunda-feira.
Mas será mesmo que é só por conta disso? Algumas perguntas certas que poderiam ser feitas nessa situação:
- Quais são exatamente os problemas reportados com uma frequência tão maior na segunda-feira? Quais destes problemas também apresentam uma redução similar na sexta-feira?
- Este tipo de problema só acontece quando o funcionário está no escritório, mas não quando ele está em casa? Um problema com a impressora multifuncional, por exemplo, é um caso desse tipo;
- Se forem situações corriqueiras, quais problemas reportados na segunda-feira já estavam acontecendo desde a sexta-feira?
- Por que os usuários esperaram até a segunda-feira para acionar o Service Desk e reportar esse problema? Será que os canais de acionamento do Service Desk para usuários fora do escritório é suficientemente amigável?
- Há algum aumento nos chamados de dúvidas na operação de aplicações corporativas? Talvez o usuário estava esperando até a segunda-feira para pedir ajuda a um colega, e – se não obtendo sucesso – acabou acionando o Service Desk;
As respostas para estas perguntas vão ajudar a substituir as suposições por fatos:
- Os canais de autoatendimento não são amigáveis ou não são acessíveis para o funcionário fora da rede corporativa, conectado por VPN;
- Existem soluções de contorno não documentadas que os usuários descobriram para continuar o trabalho apesar dos problemas;
- Os chamados de dúvidas seriam evitados com uma base de conhecimento – que também precisa ser acessível e amigável ao usuário remoto;
- Algumas aplicações tem um uso tão baixo na sexta-feira que faz mais sentido realizar as manutenções programadas na quinta-feira à noite ao invés de fazer no final de semana;
O interessante é que estas perguntas e respostas nasceram de uma única fonte: o volume maior de chamados no Service Desk na segunda-feira.
Agora imagine o que é possível descobrir analisando as outras fontes de informação com esta mesma abordagem.
Fonte: IBM, Carlos Demerio
