fbpx

Recentemente analisei profundamente um estudo muito interessante sobre a estratégia digital de um país desenvolvido e avançado, como o Japão.

Apesar de serem a terceira maior economia do planeta, constataram com horror que estão em 27˚no ranking de 2020 de competitividade digital feito pela IMD (International Institute for Management Development). Este estudo avalia o desempenho da economia, da infraestrutura e da eficiência do governo e das empresas. Ao todo, são 63 países analisados. O Brasil, para efeito de comparação está 56ª posição, entre os 7 piores países.

Que o Japão decidiu fazer? Desenhou uma estratégia digital para 2030, com forte ênfase na formação de talentos digitais, transformação da indústria, governo digital e renovação econômica, modernização do ambiente de negócios e forte incentivo à inovação e startups. Está claro para eles que a transformação digital do país não é uma alternativa, mas imperativo. Todo e qualquer país que queira ter uma posição sólida na economia do século 21 tem que fazer sua transformação digital.

É o que precisamos aqui. Estamos ficando para vez mais para trás em um mundo digital. Transformação digital não é apenas para empresas, mas para o país como um todo. Recomendo ler o relatório, “Japan Digital: Agenda 2030” no link aqui.

Um ponto que chama atenção no estudo é a importância dada à IA. Reconhecem claramente que IA é uma tecnologia transformadora e que vai afetar de forma significativa todos os aspectos da sociedade japonesa.

IA hoje

A IA está aos poucos saindo dos protótipos e entrando em produção, inclusive em setores extremamente regulados e cautelosos, como na medicina. O exemplo de um hospital no Reino Unido, descrito em “The world’s first large scale medical AI in Production — eye diagnosis by Deepmind” mostra que IA já é presente e não futuro. Aliás, se quiserem ter uma ideia mais ampla da aplicabilidade da IA na medicina, vejam o ebook que escrevi sobre o tema,  “O Futuro já chegou à Medicina”.

O artigo do hospital britânico mostra algo que a maioria dos cases que lemos na mídia especializada não mostra. Geralmente o que vemos são entrevistas com startups e reportagens sobre casos de empresas usando IA em estágios de protótipos ou em labs de inovação. Como disse certa vez Linus Torvalds, criador do Linux, “Talk is cheap. Show me the code.” (Falar é barato. Me mostre o código), pois é, na maioria das vezes não vemos os sistemas de IA em produção, só em laboratórios. Parodiando Linus, “AI in labs is cheap, show me in production”. (IA num laboratório é barata. Me mostre uma na produção).

Aqui no Brasil, a aplicação de IA enfrenta muitos desafios. Embora no cenário da América Latina, o Brasil ocupe um papel de destaque, contando com 206, ou 42% do total de empresas identificadas como desenvolvedoras de IA, no âmbito global não estamos tão bem. A América Latina, que tem menos de 0,5% do investimento privado global em inteligência artificial, ainda está muito distante de ecossistemas mais maduros, como Estados Unidos e China.

De acordo com o Artificial Intelligence Index Report 2019, da Universidade de Stanford, apenas 0,2% das citações em patentes relacionadas à IA no mundo vêm da região, contra 60,4% da América do Norte e 22,1% da Ásia Ocidental e Pacífico.

Talentos raros

Um dos maiores entraves é a escassez de talentos. Temos que reconhecer que não temos bolsos fundos o suficiente para bancar uma empresa como OpenAI e seu GPT-3, que se estima tenha custado de cinco a dez milhões de dólares.

É difícil estimar o custo de desenvolvimento do GPT-3, uma vez que não existe muita transparência no processo. Mas sabemos uma coisa: treinar grandes redes neurais é muito caro. O GPT-3 é um modelo muito grande de Transformer, uma arquitetura de rede neural que é especialmente boa no processamento e geração de dados sequenciais.

O GPT-3 é composto por 96 camadas e 175 bilhões de parâmetros, o maior modelo de linguagem até o momento. Para colocar isso em perspectiva, o Turing-NLG da Microsoft, o detentor do recorde anterior, tinha 17 bilhões de parâmetros, e o predecessor do GPT-3, o GPT-2, tinha 1,5 bilhão de parâmetros.

Uma empresa, Lambda Labs calculou a potência de computação necessária para treinar o GPT-3 com base nas projeções do GPT-2. De acordo com a sua estimativa, treinar uma rede neural de 175 bilhões de parâmetros requer 3.114E23 FLOPS. E para operar o GPT-3 estima-se que sejam necessários altos investimentos em hardware (e eletricidade, refrigeração, backup, etc.) que devem oscilar em torno dos 150 mil dólares.

As palavras-chave da IA são “capacidade computacional e talento”. Portanto, não é para qualquer um e aqui no Brasil não temos BigTechs e investidores em volume suficiente para bancar bilhões de dólares em pesquisa e desenvolvimento de IA.

Maas, a pergunta é: será que precisamos formar muitos talentos em IA que sejam capazes de criar um GPT-3, ou será que não precisamos de talentos capazes de gerar soluções que usem plataformas como GPT-3 ou outras como base?

Otimização de talentos

Minha proposta é que devemos formar talentos que sejam capazes de criar soluções de negócio, e para isso não precisaremos de tantos PhDs, mas de profissionais com base suficiente para usar modelos e frameworks que já existem. As BigTechs AA criaram e estão disponíveis no modelo open source. Além disso, começamos a ver mais e mais soluções AutoML, que embora não permitam criar algo sofisticadíssimo, atendem a imensa maioria dos problemas de negócio.

A solução não é acabar com os cursos de doutorado e mestrado em IA, pelo contrário, devemos incentivar sua criação, mas em paralelo criar de forma massiva cursos de graduação e treinamentos especializados para formar os profissionais que precisamos para termos mais aplicações de IA nas empresas e governos.

Quando falamos em formar talentos em IA, precisamos separar pesquisadores e cientistas de profissionais que produzem soluções de negócio. Comparemos com computação.

Existem diversas funções em computação, que vão de pesquisador em ciência da computação à desenvolvedor de aplicações, especialista em front-end, back-end e chegamos a analistas de infraestrutura. Variedade bem grande de atividades profissionais. Em IA também devemos olhar dessa maneira.

Pensemos: uma solução de IA não vive isolada. Os algoritmos de IA fazem parte de uma solução de negócios e devem interagir com outros sistemas. Assim, a primeira coisa é educar executivos e gestores para que entendam IA e identifiquem oportunidades de negócio para suas empresas. Sem engajamento dos gestores das empresas dificilmente haverá funding para projetos de IA.

Como gestores falo dos conselheiros das empresas (acredito que a maioria não tenha muto conhecimento sobre IA e, portanto, não levam o assunto às reuniões de conselho), do CEO e demais C-levels (que muitas vezes jogam o problema de adotar IA no colo do CIO, que sozinho tem pouco poder de ação) e gestores intermediários, que estão na linha de frente das operações. Os cursos de qualquer graduação (medicina, direito, administração, marketing, pedagogia, etc.) deveriam embutir algoritmos e IA como disciplina essencial. IA não deve ser apenas para cientistas de ML.

Além dos dados

No caso específico de IA também temos vida além do cientista de dados. Sim, temos os já conhecidos cientistas de dados, que usam várias técnicas em estatística e ML para processar e analisar dados. São os responsáveis por construir modelos para investigar o que pode ser aprendido com alguma fonte de dados, embora muitas vezes em um protótipo, e bem menos no estágio de produção.

Mas também temos os engenheiros de dados, que desenvolvem um conjunto robusto e escalonável de ferramentas e plataformas para o tratamento dos dados. Deve se sentir confortável com as tarefas de preparação de bancos de dados SQL / NoSQL e construção / manutenção de pipelines ETL. Mas vamos além.

Temos os engenheiros de aprendizado de máquina (ML), que são os responsáveis por treinar modelos e produzi-los. Precisam ter familiaridade com alguma estrutura de ML de alto nível e, também, saber criar treinamento escalonável, inferências e pipelines de implantação para os modelos. E, claro, temos os cientistas de ML, os pesquisadores que trabalham com pesquisas de ponta e que exploram novas ideias que podem ser publicadas em conferências acadêmicas.

De maneira simplista podemos classificar em (1) cientistas que se concentram nas BigTechs e empresas com muito dinheiro, e são os que criam os GPT-3, e (2) profissionais operacionais, que precisam saber usar o ferramental de IA para criar soluções de negócio. São os que usam o GPT-3 e similares para solucionar problemas de negócio com IA.

Esse grupo é que precisamos formar em quantidade. Na sua formação, temos que enfatizar aspectos que hoje não são vistos com a profundidade adequada, pois a maioria dos cursos de mestrado e doutorado estão orientados à formação de cientistas.

Os cursos de formação para profissionais operacionais de IA, de graduação ou curta duração (um conjunto de nanocursos pode ser uma solução) devem enfatizar os aspectos operacionais de identificação dos problemas de negócios e validação ou não do uso de IA (o projeto de IA tem valor? Precisa mesmo de IA? A solução será mesmo IA? Existem condições para implementar a solução em IA? Tem dados? Os dados estão adequados?), treinamento dos algoritmos (como lidar com under e overfitting, cauda longa e eliminar vieses), ajuste para entrada em operação, análise de desempenho, ética, segurança e privacidade, aderência à LGPD, como minimizar o efeito drift, interface com outros sistemas e assim por diante.

Em resumo, esse pessoal precisa ser treinado em ferramentas de AutoML, framewoks e ambientes como AWS, Azure e Watson, etc., e principalmente serem treinados em como colocar projetos de IA em produção. Esses profissionais têm que saber lidar com o mundo real, que é diferente do ambiente de pesquisa onde data sets de treinamento não incluem rostos de biotipo amazonense e o sistema funciona bem no lab, onde o veículo é treinado com placas de transito e sinalização americana e européia, e não com as que existem nas estradas do interior do Brasil, e onde os dados de imagens médicas de doenças só as mostram em estágio avançado.

Como o estudo “Japan Digital: Agenda 2030” propõe uma estratégia digital para o Japão, precisamos de uma estratégia de IA brasileira, não apenas para grandes e ricas corporações, mas para as médias e pequenas empresas. A IA será a nova eletricidade e todas as empresas precisarão usar para se manterem competitivas. Nossa formação de talentos, no meu entender, está voltada para a formação de mestrandos e doutorandos, e quase nada para implementação e operação de IA como soluções de negócios, para melhorar a nossa competividade.

Creio que esse deva ser o nosso principal foco de atenção nos próximos anos. Ou perderemos mais um trem!

VP de Inovação da CiaTécnica Consulting, Partner/Head of Digital Transformation da Kick Corporate Ventures. Investidor e mentor de startups de IA e membro do conselho de inovação de diversas empresas. Na sua carreira foi Diretor de Novas Tecnologias Aplicadas e Chief Evangelist da IBM Brasil; e sócio-diretor e líder da prática de IT Strategy da PwC.
Também exerceu cargos técnicos e executivos em empresas como Shell e Chase Manhatttan Bank. Com educação formal diversificada, em Economia e mestrado em Ciência da Computação sempre buscou compreender e avaliar os impactos das inovações tecnológicas nas organizações e em seus processos de negócio.
Escreve constantemente sobre tecnologia da informação em sites e publicações especializadas como NeoFeed e outros, além de apresentar palestras em eventos e conferências de renome como IT Forum, IT Leaders, CIO Global Summit, TEDx, CIAB e FutureCom. É autor de dez livros que abordam assuntos como Transformação Digital, Inovação, Big Data e Tecnologias Emergentes. É professor convidado da Fundação Dom Cabral, da PUC-RJ e PUC-RS. Publisher da Intelligent Automation Magazine.

FONTE: Prensa