Blog
22-01-2024
Long Live AI
Neste breve texto faço uma reflexão pessoal sobre a relevância da aplicação ponderada e flexível de sistemas de IA nos nossos modelos de trabalho atuais e, também, procurarei transmitir a minha experiência pessoal em duas conferências recentes, que tive oportunidade de assistir, sobre o futuro da IA- "IA vs Arte e Design” a Conferência de Inteligência Artificial e a Arte, da APDSI e a "Industry Sessions: IA Impulsiona o Design” da EDIT.
Assistimos atualmente a uma indústria dividida entre a crença na Inteligência Artificial como nova ferramenta fundamental à prática profissional e, no outro extremo, o não reconhecimento dos dados e resultados da IA como fidedignos. A integração progressiva da IA nos negócios tem-se revelado a nova tendência e de acordo com muitos por boas razões. Atualmente vivemos numa fase crescente de implementação destes sistemas, onde o foco está nas aplicabilidades e conveniência da IA, negligenciando muitas vezes o grande problema a médio prazo da qualidade das bases de dados.
A próxima grande luta poderá ser a decisão de manter a confiança cega no outcome destes sistemas ou seguir por exemplo um caminho de filtragem da informação e dos dados com que a IA trabalha.
A decisão deverá depender da finalidade da utilização de IA. Isto é, num contexto puramente lúdico e exploratório, o interesse poderá estar na imprevisibilidade do resultado e não no rigor e qualidade dos dados de origem. Já para um contexto laboral esta falta de controlo de outcome e da qualidade dos sistemas podem colocar em causa a credibilidade da sua finalidade.
Quando os dados "humanos” terminarem e as máquinas se basearem nos dados gerados por elas mesmas- o Full Circle - quais serão próximos passos para estes sistemas num contexto empresarial?
Segundo tenho entendido, existem três abordagens possíveis para a fase do Full Circle, a alternativa a) da continuação e confiança cega no outcome da máquina; a fase b) da estagnação que prevê um período de ponderação, com a análise e rastreio dos dados dos sistemas (do controle da qualidade); e a alternativa c) do decréscimo de utilização deste tipo de modelos (abertos) em prole de sistemas limitados e consequentemente controlados pela personalização da base de dados- modelos internos fechados.
a) CONFIANÇA CEGA NO OUTCOME DA MÁQUINA
Esta alternativa expõe a "hipocrisia” da necessidade dos dados de qualidade, quanto à exposição aos "maus” dados, essa sempre existiu, quer fosse num sistema aberto de IA ou nos resultados de um motor de pesquisa comum. O Full Circle não é visto como uma ameaça sendo apenas uma nova era com dados com uma origem diferente (os gerados pelas máquinas), não cabendo ao recetor definir a qualidade do outcome pelo critério da qualidade dos dados de origem mas sim pelo da correspondência à expectativa.
b) ESTAGNAÇÃO OU IMPASSE
O período de ponderação prevê a análise e rastreio da qualidade dos dados do sistema. É a alternativa que apresenta os maiores desafios do ponto de vista da moral, considerando que tal avaliação terá de ser feita por um indivíduo ou por uma máquina (envolvendo um segundo sistema).
O problema do individuo está, em primeiro lugar, na viabilidade da tarefa, o quão realista será o rastreio manual dos dados, e em segundo lugar o princípio de que um indivíduo com uma formação específica e com conhecimento limitado supera o conhecimento de uma base de dados de um sistema aberto, com o fator extra da margem de erro humana. Fazendo do cenário uma opção improvável.
Relativamente ao cenário da máquina, se a origem do problema está na confiança e na capacidade de avaliar os resultados provenientes de uma máquina como será possível confiar nos resultados de uma segunda máquina feita para avaliar esse mesmo problema?
"Não saímos do loop máquina” – Bernardo Nunes (UX/UI Designer da OutSystems)
c) DECRÉSCIMO E ADAPTAÇÃO
O termo decréscimo refere-se à necessidade de redução dos sistemas de IA popularizados (abertos), esta alternativa prevê a adaptação destes sistemas para modelos internos fechados. Novos modelos feitos à medida dos dados e dos objetivos das empresas criando um sistema personalizado e controlado.
"Reliability is the precondition for trust” – Wolfgang Schauble
O próximo grande desafio da IA pode estar na qualidade do tratamento dos dados e na capacidade das empresas de desenvolverem modelos de IA com longevidade e flexibilidade.
Nota: os artigos deste blog não vinculam a opinião do .PT, mas sim do seu autor.
Voltar aos Posts