Quando eu estudava na Itália, nos primeiros anos 2000, lembro que estudava Latin, Grego e filosofia, mas nunca toquei em todos meus anos de educação sobre nada relacionado a tecnologia. Computadores, até calculadoras, eram proibidos, e em vez de enxergar seu potencial para tornarnos mais produtivos, eram vistos como enormes ameaças. Bom, se você acompanhou a recente proibição do ChatGPT por parte da autoridade de privacidade de dados na Itália, por mais justo ou errado que seja, você nota como a Itália costuma ser conservadora e reticente diante das novas tecnologias.
Tudo bem até aqui, mas percebe como isso pode ser um grande problema? Quando olhamos para a competitividade digital de um país como a Itália, ela está muito atrasada em comparação a países como Brasil, Estados Unidos e China: tente me dizer qual grande empresa digital ou start-up tem surgido de lá? Nenhuma relevante, infelizmente.
Por isso quero dedicar este artigo a um tema importantíssimo: como que todos podemos entender, interagir mais com a IA e fazer com que ela seja parte de nossos negócios.
Neste artigo iremos falar sobre porque todo mundo deveria entender de Inteligência Artificial, e de um modelo data-centric de IA que irá facilitar a adoção de IA pelo mundo. É justamente sobre essa importância que nos fala o protagonista deste artigo, o Andrew Ng, fundador do Coursera, ex-Head de IA do Baidu, e um dos maiores experts do mundo sobre IA. Veja no vídeo abaixo (não se esqueça de ativar as legendas do Youtube).
0.04 - 1.03
"Quando penso no surgimento da IA, me lembro do surgimento da literacia. Há algumas centenas de anos, muitas pessoas na sociedade achavam que talvez nem todos precisassem saber ler ou escrever. Naquela época, muitas pessoas trabalhavam em campos ou cuidando de ovelhas, então talvez houvesse menos necessidade de comunicação escrita. E tudo o que era necessário era que os sacerdotes e sacerdotisas e monges soubessem ler o Livro Sagrado, e o resto de nós poderia simplesmente ir ao templo ou à igreja ou ao edifício sagrado e apenas sentar e ouvir os sacerdotes e sacerdotisas lerem para nós. Felizmente, descobrimos desde então que podemos construir uma sociedade muito mais rica se muitas pessoas souberem ler e escrever. Hoje, a IA está nas mãos de sacerdotes e sacerdotisas. Esses são os engenheiros altamente qualificados em IA, muitos dos quais trabalham nas empresas de tecnologia. E a maioria das pessoas tem acesso à IA que eles constroem para elas. Acredito que podemos construir uma sociedade muito mais rica se pudermos permitir que todos ajudem a escrever o futuro."
Vamos começar aqui entendendo algo muito importante, e tentando responder uma pergunta: porque que o desenvolvimento de IA está concentrada nas mãos de poucas grandes empresas de tecnologia?
Na realidade a resposta é bastante simples: a IA requer um alto custo financeiro para ser desenvolvida. De acordo com a OpenAI, organização de pesquisa responsável pelo desenvolvimento do Chat GPT-3, o custo total do projeto é estimado em cerca de US$ 4,6 milhões. Isso inclui não apenas o custo de desenvolvimento do modelo em si, mas também o custo de treiná-lo usando grandes quantidades de dados. Ao mesmo tempo, sabemos que a Microsoft investiu 10 bilhões na OpenAi, para poder continuar a treinar Large Language models cada vez maiores.
Isso tem contribuído com uma certa concentração de poderes, que inclusive já em seu livro de 2019 chamado The Big Nine, a Amy Webb já mencionava a concentração de poder na area de IA, nas mãos de 9 empresas: Amazon, Google, Facebook, Tencent, Baidu, Alibaba, Microsoft, IBM e Apple.
O que é preciso para desenvolver esses modelos? Bom, muitos engenheiros altamente qualificados, poder computacional e um alto volume de dados. Novamente, coisas que só grandes empresas de tecnologia possuem.
É interessante que essas empresas tiveram bastante sucesso em aproveitar da IA, porque elas usam modelos "one-size fit all”, ou seja aplicações especificas (como rankear resultados de busca, no caso do Google, ou sugestão de produtos para comprar no e-commerce, como no caso da Amazon), que podem ser escaladas para um alto volume de clientes ou usúarios.
O grande problema é que essa receita para Inteligência Artificial não funciona fora da área de tecnologia, ou seja, em setores onde dificilmente projetos únicos possam se aplicar para centenas milhões de pessoas.
Pense no seguinte exemplo: eu gosto de comer em um restaurante tailandês que fica ao lado da minha casa em NY todas as sextas-feiras. Virou um ritual para mim, e o que é interessante pensar, é que todo pedido que ele recebe, é dado. O problema, porém, é que ele não possui tecnologia que possa otimizar a compra de seus ingredientes baseados na predição do prato que mais vai ser pedido na sexta feira à noite (meu preferido é o Pad Thai), mas se tivesse uma AI que pudesse fazer isso, ajudaria demais.
Você pode até me dizer: “Mas Andrea, isso é algo pequeno demais, não vai ter um impacto grande”. Mas eu garanto que algo que ajude mesmo que em poucos dólares por dia o restaurante, vai fazer uma enorme diferença financeira a longo prazo.
Você então pode me dizer também: “Mas Andrea, o restaurante tailandês sozinho nunca vai ter o volume de dados necessário para alimentar uma IA”, mas o interessante é que o X da questão aqui não é o volume de dados, mas outro tema, que prejudica o dono do restaurante tailandês que é o seguinte: ele nunca terá público suficiente para gerar a receita necessária para contratar uma equipe de inteligência Artificial. (Inclusive se estiver passando por NY recomendo demais o restaurante, se chama Sala Thai).
Considerando que cada restaurante no mundo e nos Estados Unidos possui um cardápio diferente, pratos diferentes, preços diferentes e assim por diante, percebe que um modelo “One-size fits all” não funciona?
Esse é o chamado “long tail problem” da IA, (ou em tradução livre, o problema da cauda longa). Os modelos one size fits all são muito mais impactantes de que modelos de recomendar pratos em restaurantes, ou de recomendação de camisetas, ou de taças, assim por diante. Cada um desses é um projeto customizado e único, e por isso existem milhões de oportunidades de projetos como esses, em cima dos quais ninguém está trabalhando, mas cujo valor agregado é massivo.
A pergunta que fica então é: como empoderar mais pessoas a criarem modelos e sistemas de IA que sejam relevantes para elas?
Aqui que você vai me dizer: “Andrea, só se todos aprendermos a codificar para IA. Não é? Mas isso é super difícil. Como fazemos com que o dono ou colaborador do restaurante tailandês aprenda isso em um curto prazo?”.
Justamente por isso é que existe um sistema alternativo que o Andrew Ng, protagonista deste artigo, propõe no Ted Talk acima. Ele diz que assim como papel e caneta são tecnologias altamente superiores a blocos de pedra e cinzel, e foram fundamentais para que o grau de alfabetização da humanidade aumentasse exponencialmente, existem plataformas de desenvolvimento de IA que tiram o foco de escrita de dados para o foco em fornecimento de dados, o que é muito mais simples para o dono do restaurante tailandês, concorda?
Como funciona isso na prática?
Os sistemas de IA são compostos de software – o programa de computador que inclui um modelo de IA – e dados, as informações usadas para treinar o modelo. Por exemplo, para construir um sistema de IA para inspeção automatizada em manufatura, um engenheiro de IA pode criar um software que implemente um algoritmo de Deep Learning, que é então mostrado a um conjunto de dados que compreende imagens de peças boas e defeituosas, para que possa aprender a distinguir entre eles. Na última década, muita pesquisa em IA foi impulsionada pelo desenvolvimento centrado em software (também chamado de desenvolvimento centrado em modelo), no qual os dados são fixos e as equipes tentam otimizar ou inventar novos programas para aprender com os dados disponíveis. Muitas empresas de tecnologia tinham grandes conjuntos de dados de milhões de consumidores e os usavam para impulsionar muita inovação em IA.
Mas, no atual nível de sofisticação da IA, o gargalo para muitos aplicativos é obter os dados certos para alimentar o software. Ouvimos falar dos benefícios do Big Data, mas agora sabemos que, para muitos aplicativos, é mais proveitoso focar em garantir que tenhamos bons dados – dados que ilustram claramente os conceitos que precisamos aprender com a IA. Isso significa, por exemplo, que os dados devem ser razoavelmente abrangentes em sua cobertura de casos importantes e rotulados de forma consistente. Os dados são alimento para a IA, e os sistemas modernos de IA precisam não apenas de calorias, mas também de nutrição de alta qualidade.
Mudar seu foco de software para dados oferece uma vantagem importante: pode ser feito pelas pessoas que você já tem em sua equipe. Em um momento de grande escassez de talentos de IA, uma abordagem centrada em dados permite que muitos especialistas no assunto que possuem vasto conhecimento de seus respectivos setores, e não necessariamente IA, contribuam para o desenvolvimento do sistema de IA.
Por exemplo, a maioria das fábricas possui funcionários altamente qualificados para definir e identificar o que conta como defeito (um arranhão de 0,2 mm é um defeito? Ou é tão pequeno que não importa?). Se esperarmos que cada fábrica peça a seus funcionários que inventem um novo software de IA como forma de obter a solução sob medida de que a fábrica precisa, o progresso será lento. Mas, em vez disso, construímos e fornecemos ferramentas para capacitar esses especialistas de domínio a projetar os dados - permitindo que eles expressem seu conhecimento sobre fabricação por meio do fornecimento de dados à IA - suas chances de sucesso serão muito maiores.
Qual a mensagem aqui?
A verdade é que a mensagem principal aqui é que todos precisamos nos responsabilizar cada vez mais para entender IA, e isso não quer dizer apenas escrever códigos, mas entender como funcionam, como podemos ajudar a resolver nossos problemas de negócio e como podemos coletar dados e utilizá-los no dia a dia.
Como podemos nos educar mais sobre IA?
Bom, o que eu recomendo fortemente é…usar ela! O que quero dizer é que se você escolher ir pelo caminho e viés técnico, vai ser extremamente desafiador, então, o mais importante é usar em seu dia a dia e ver como você pode ser mais produtivo.
Um artigo recente do Wall Street Journal de título “The technology skills that every employee should have now”, ou seja “As habilidades tecnológicas que qualquer colaborador deve ter”, menciona que realmente uma das habilidades mais poderosas que podemos ter é aprender o que a IA pode fazer para nós. Com a explosão de ferramentas como ChatGPT para gerar texto e código, e Stable Diffusion e Midjourney para criar imagens, o nível básico de de IA está acessível a todos.
A Microsoft acaba de anunciar um serviço chamado Copilot baseado em modelos de IA, incluindo o GPT-4 da OpenAI – a tecnologia subjacente ao ChatGPT – em seus aplicativos de trabalho. O Word e o Outlook, por exemplo, poderão gerar texto automaticamente, com base nas informações de outros documentos, o PowerPoint poderá criar apresentações com base nas instruções em linguagem natural do usuário e no material de outros documentos. Enquanto isso, o Slack da Salesforce usará a tecnologia da OpenAI para resumir conversas e ajudar a redigir mensagens.
Desde que o ChatGPT foi lançado em 30 de novembro, os instrutores da Udemy lançaram mais de 300 cursos sobre a ferramenta, incluindo seu uso para resumir documentos e depurar códigos.
Allie K. Miller, uma investidora e consultora de IA que liderou os negócios de IA na IBM e na Amazon Web Services, diz que a maioria das pessoas deveria aprender princípios de alto nível de IA em uma aula como AI for Everyone, do Andrew Ng, e tentar todas as novas ferramentas que prometem economizar trabalho. Como especialista em tecnologia eu não poderia deixar de concordar. Afinal, a intenção não é virar técnico de IA, mas sim entender seu impacto e as oportunidades que ela traz para todos nós.
Não deixe essa onda passar, achando que não impacta você. Vai ser o maior erro que pode cometer em sua carreira.
