Quão inteligente é a sua IA?

Faça estas quatro perguntas para saber se sua solução de IA é realmente AI.

https://www.youtube.com/watch?v=sVr7zQqt-lQ

Hoje, a realidade para a maioria das organizações é que a IA e o aprendizado de máquina constituem um pequeno pedaço do bolo analítico geral. De fato, uma pesquisa realizada pela empresa de investimentos MMC Ventures, com sede em Londres, revelou que 40% das startups de inteligência artificial da Europa não usavam IA. Além disso, as ofertas de muitos provedores de startups e análises, mesmo que bastante avançadas, ficam aquém da IA ​​básica.

Definimos AI como qualquer sistema baseado em computador que observe, analise e aprenda. A chave aqui é que esses sistemas são iterativos – eles ficam melhores e mais precisos à medida que coletam e analisam mais dados, sem intervenção explícita de humanos. Como o termo indica, são máquinas que aprendem, por mais simples que seja o aprendizado.

O que não é IA

Assim como é importante definir o que caracteriza um sistema como IA, é igualmente importante identificar o que não é IA. Confundir técnicas avançadas de análise e computação para IA e aprendizado de máquina pode muitas vezes levar à confusão, e a seção a seguir detalha algumas das falácias mais comuns de IA que os líderes devem entender.

1. Só porque um sistema usa um algoritmo e estatísticas avançadas, isso não significa IA.

Um algoritmo é simplesmente um conjunto de etapas ou regras predefinidas para resolver um problema. Elas podem ser simples (pense em uma declaração se-então) ou muito complexas (pense em uma máquina de jogar xadrez). No entanto, a maioria dos algoritmos é estática: eles sempre retornam a mesma saída, com a mesma entrada. Ou seja, eles não se adaptam ou aprendem.

Esses algoritmos geralmente são codificados usando modelos estatísticos padrão, como correlação ou regressão, que são muito bons para identificar linhas de tendência em dados bem definidos. Essas linhas de tendência permitem oferecer previsões de estados futuros com base em um conjunto de estados anteriores. No entanto, a verdadeira IA é capaz de trabalhar com dados que não são bem estruturados, bem definidos ou mesmo numéricos. Algumas das maiores inovações em IA e aprendizado de máquina vieram de insights gerados com linguagem natural, imagem e dados de vídeo.

2. Só porque um sistema responde a perguntas, isso não significa IA.

Existem muitas tecnologias, como agentes de conversação, que têm a capacidade de responder às perguntas feitas a eles. Lembre-se da popularidade dos sistemas de apoio à decisão nas décadas de 1980 e 1990. Essas ferramentas fornecem respostas automatizadas para uma variedade de problemas por meio de painéis digitais, e existem versões desses sistemas ainda hoje para tarefas como gerenciamento de estoque e projeções de vendas. Na maioria dos casos, eles fazem isso combinando a pergunta com um banco de dados de respostas pré-preenchidas (pense em uma função de “ajuda” do software) ou calculando a resposta com base na aplicação de um algoritmo aos dados. Alguns vão mais longe pesquisando na internet se nada apropriado puder ser encontrado no banco de dados. A maioria desses sistemas não tem a capacidade de colocar a pergunta no contexto, nem aprendem com a precisão das respostas anteriores. Portanto, eles não se qualificam como IA.

3. Só porque um sistema é anunciado como AI, isso não o torna AI.

Encontramos muitas startups, fornecedores e fornecedores de “análises” que se promovem como fornecendo soluções avançadas de IA / aprendizado de máquina. Infelizmente, ficamos desapontados com a maioria deles. Embora possam realmente ser bons em métodos estatísticos avançados, eles são incapazes de criar modelos de aprendizado a partir de dados estruturados e não estruturados, especialmente os grandes volumes de dados que normalmente são necessários para criar modelos úteis.

O que a IA realmente faz?

Para avaliar se a estratégia ou abordagem que você está avaliando exige inteligência artificial, voltemos à nossa definição de IA como qualquer sistema baseado em computador que observe, analise e aprenda.

Primeiro, ele precisa observar. Isso significa que ele precisa ser capaz de aumentar seu banco de dados de informações e insights. Um conjunto de dados rico mas estático não é suficiente, porque fica obsoleto no momento em que é criado. Assim, um verdadeiro sistema de IA é capaz de detectar seu próprio ambiente e aumentar sua base de conhecimento quase em tempo real. A maioria dos carros da Tesla tem pelo menos 21 sensores, incluindo câmeras, sensores ultrassônicos e radar. O objetivo desses sensores é observar o ambiente do carro e fornecer informações em tempo real ao poderoso sistema de direção autônomo a bordo. A OrangeShark, uma startup de marketing digital baseada em IA, acompanha de perto várias métricas do desempenho de publicidade passada e ajusta automaticamente o posicionamento do anúncio, visando aspectos do conteúdo criativo para futuros anúncios.

Segundo, a IA precisa analisar – ou seja, entender o ambiente. Um sistema de IA precisa poder analisar as informações que observa e coleta, mesmo que essas informações sejam muito confusas. Portanto, ele precisa ter ferramentas avançadas para encontrar sinais em conjuntos de dados muito barulhentos. Os computadores de bordo de um Tesla analisam as imagens, blips e outros dados que ele coleta para dar sentido ao ambiente, permitindo a automação de várias decisões de direção. O Gong.io ajuda os vendedores em ambientes B2B de alto impacto, analisando vários aspectos das chamadas de vendas, incluindo sentimento de voz e tom. Usando esses dados, as empresas e os profissionais de vendas são capazes de chegar a muitas idéias contra-intuitivas – por exemplo, as chamadas com sentimentos mais positivos estão realmente associadas a taxas de fechamento mais baixas do que as chamadas com sentimentos menos positivos.

Terceiro, um sistema de IA precisa ser capaz de aprender. Esse terceiro critério é o diferenciador mais importante entre os sistemas de IA e a ciência de dados antiga. A capacidade de testar, aprender e melhorar está disponível apenas para os sistemas de aprendizado de máquina mais avançados da atualidade. Esses sistemas são capazes de fazer suposições de forma proativa, criar e testar hipóteses e aprender com elas. Assim, eles se tornam mais precisos ao longo do tempo. A tecnologia de direção autônoma da Tesla fica mais inteligente a cada quilômetro gasto na estrada. Ele faz isso observando e analisando os dados de centenas de milhares de carros Tesla e aprendendo com esses dados para melhorar os recursos de direção autônoma. Ele pode aprender a distinguir entre um animal no meio da estrada e um saco de plástico soprado pelo vento, descobrindo que ele precisa parar na primeira instância, mas pode continuar a dirigir com segurança na segunda. Atualmente, vários sistemas de recomendação, incluindo os usados ​​pelo Netflix e Stitch Fix, começam a fazer recomendações genéricas (quando eles têm pouco conhecimento sobre suas preferências). Com o tempo, eles aprendem com suas escolhas e aprimoram-se para fazer recomendações mais personalizadas e personalizadas – um recurso que os sistemas sem aprendizado de máquina não teriam.

Se você não tem certeza se o sistema que você está usando ou está pensando em comprar é realmente AI, desenvolvemos uma lista de perguntas-chave a serem feitas.

Meu ‘sistema de IA’ é realmente AI?

Ele usa grandes quantidades de dados em vários formatos?

• Ele precisa apenas de uma pequena quantidade de dados – provavelmente não de IA.
• É difícil lidar com dados não estruturados ou confusos, como texto de forma livre, imagens ou vídeo – provavelmente não com IA.
• Usa grandes quantidades de dados em diferentes formatos, através de entrada manual ou sensores automatizados – provavelmente AI.

Ele atualiza os dados que utiliza ao longo do tempo?

• Os dados que ele usa são estáticos – provavelmente não são AI.
• Ele não é atualizado com novos dados com frequência – provavelmente não com IA.
• Ele se atualiza com novos dados quase em tempo real – provavelmente AI.

Adapta sua lógica de tomada de decisão ao longo do tempo?

• Sua lógica subjacente de tomada de decisão não muda – provavelmente não é de IA.
• Sua lógica subjacente de tomada de decisão muda apenas com atualizações agendadas – provavelmente não com IA.
• Melhora iterativamente sua lógica de tomada de decisão quase em tempo real, a ponto de ser quase impossível entender como ela atinge uma determinada saída – provavelmente AI.

Ele ajusta para possíveis vieses?

• Ele não tenta avaliar ou medir possíveis vieses – provavelmente não a IA.
• Ele não ajusta automaticamente os vieses, mesmo que os veja – provavelmente não a IA.
• Mede e ajusta proativamente os possíveis vieses – provavelmente AI.

Obviamente, as organizações precisam primeiro identificar os problemas certos para resolver e só então tentar determinar se as técnicas de IA / aprendizado de máquina são as soluções certas para esses problemas. A IA pode ser muito útil para resolver problemas de negócios desafiadores, mas a porcentagem real de casos de uso em que a IA é significativamente melhor que a simples ciência de dados ou visão humana, é bastante baixa.

Na maioria dos casos, as melhores idéias podem ser geradas usando as ferramentas mais simples. Nunca deixe a ferramenta ditar como você resolverá um problema. Mas se você decidir que precisa de IA, verifique se o produto que está construindo ou comprando se encaixa na conta.

Links úteis: https://sloanreview.mit.edu/article/how-intelligent-is-your-ai/