Reply com SDA Bocconi DEVO Lab para o Data Robotics

Data Robotics Lab é um laboratório de inovação desenvolvido pela Reply em colaboração com Bocconi DEVO Lab, um centro de pesquisa focado nas questões de transformação digital na SDA Bocconi School of Management. O laboratório se coloca como um centro de competências que combina a perspectiva e metodologia científica da Business School com a expertise tecnológica da Reply.

O objetivo da colaboração é ser um ponto de referência para a exploração, experimentação e análise das oportunidades de automatização inteligente dos processos de negócios, habilitado pela capacidade cada vez mais avançada das modernas técnicas de Machine Learning. Estas técnicas possibilitam expandir o perímetro de ação das soluções tradicionais de softwares-robôs (a RPA, ou, Robotic Process Automation) para domínios novos e menos estruturados, representando um primeiro passo para o paradigma da Autonomia (sistemas de negócios em que a tecnologia funciona de forma autônoma, realizando uma grande quantidade de atividades essenciais para o funcionamento do órgão corporativo, sem a necessidade de participação específica do indivíduo humano).

O estudo, portanto, concentra-se na perspectiva da Data Robotics no que se refere à Inteligência Artificial e Machine Learning, à estratificação do mercado de soluções de software de Inteligência Artificial, às tecnologias de Inteligência Artificial e ao seu posicionamento em relação às prioridades da empresa (metodologia HIT Radar, desenvolvida pelo DEVO Lab em colaboração com o MIT Design Lab) e, finalmente, ao panorama de aplicativos empresariais de alto impacto habilitados pelas tecnologias de Inteligência Artificial.

Ao aprofundar esses temas, é importante enfatizar a natureza “humana” da Inteligência Artificial. As técnicas de Machine Learning representam um novo paradigma no mundo da computação, de modo que a máquina identifica o programa mais adequado para fornecer um determinado output (dada uma série de “restrições” ou regras), em vez de ter que ser exaustivamente programada para devolver um único output. A flexibilidade do Aprendizado de Máquinas ao elaborar “autonomamente” dados de input é tanto admirada quanto temida, especialmente frente a cenários que veem os aplicativos de Inteligência Artificial cada vez mais próximos a assumir autonomamente decisões que podem ter um impacto direto nos negócios. Porém, de acordo com o Data Robotics Lab, a verdadeira criticidade não deve ser vista no software, mas nos recursos humanos e nos processos que o alimentam. Como um motor de aprendizado que deve ser treinado com os dados da empresa, o Machine Learning refletirá as regras de interpretação dos dados fornecidos por aqueles que alimentam as máquinas com novas informações e as características dos dados aos quais a máquina está exposta.

O resultado são duas considerações gerenciais fundamentais em relação a:

• Viés cognitivo: uma vez que é o homem quem define, em termos de natureza e intensidade, as restrições de “raciocínio/aprendizagem” da máquina, é necessário estar ciente do risco de transferir para a Inteligência Artificial uma série de preconceitos e limites decisórios tipicamente humanos;
• Qualidade dos dados: geralmente, os dados da empresa estão dispersos em vários locais, desagregados, inconsistentes para atualizações de aplicativos, reabastecidos em diferentes estágios pelos operadores de diferentes funções. Uma organização deve, portanto, prever investir significativamente na estruturação de fluxos ordenados de dados, bem como em uma cultura analítica que valorize a qualidade dos dados como um elemento essencial para a qualidade das decisões que são alimentadas.

Portanto, se na frente tecnológica a Machine Learning continua a progredir, suportada por técnicas algorítmicas cada vez mais sofisticadas e um poder computacional crescente e dedicado, na frente gerencial é essencial lembrar que:

• Inteligência Artificial não é uma solução mágica, mas um software que é tão capaz quanto os dados que o alimentam;
• Existe um risco de “viés algorítmico”, ou seja, a transferência dos limites cognitivos humanos para as máquinas;
• É necessário um investimento significativo na qualidade dos processos que geram e processam dados para garantir a plena eficácia das soluções de IA;
• A qualidade dos dados, a consistência do processo e a cultura analítica são os principais obstáculos à disseminação e eficácia das soluções alimentadas pela Machine Learning;
• O paradigma que será estabelecido na maioria dos casos será o do Human-in-the-Loop, ou uma condição de união homem-máquina em que o primeiro se beneficie da capacidade de processamento de dados, enquanto o segundo aprenderá na lógica incremental dos insights feitos pelo homem que continuará a ser o responsável final pelas decisões ainda por muitos anos.