Blog

Our Highlights

Utilizando Robotização e Inteligência Artificial a serviço de seus Processos de Negócio

  • Inovação
  • Nenhum comentário

Umas das tecnologias mais mencionadas atualmente são a inteligência artificial e a aprendizagem de máquina ou Machine Learning, com a utilização de algoritmos cada vez mais eficientes e assertivos. Nesse artigo discorreremos sobre as ideias centrais do uso dessas tecnologias, tendo como foco sua aplicabilidade em processos de negócio.

 

Mas afinal, o que é inteligência artificial?

 

O conceito de inteligência artificial refere-se a qualquer tipo de inteligência (aqui conceituada de forma simplificada como a capacidade de resolver problemas) implementada em computadores ou robôs que se assemelha a de um humano, podendo aprender com erros e acertos, reconhecer objetos através das cores, formas e tamanhos e assim poder direcionar decisões com pouca ou nenhuma necessidade de intervenção humana.

Outros termos também vêm à tona quando se fala de inteligência artificial como: IA Forte, IA Fraca, Machine Learning e Deep Learning, e muitas vezes são utilizados indistintamente no dia a dia das pessoas, porém existem diferenças entre eles.

Machine Learning (ML) é um subconjunto da inteligência artificial, um tipo de tecnologia em que a máquina consegue aprender por conta própria à medida em que recebe dados. Dessa forma, aprende com as respostas esperadas através de associações com diferentes dados, que podem ser imagens, números, padrões e tudo aquilo que a máquina possa identificar e guardar em sua memória. Em resumo, diferentemente do método tradicional em que se cria um algoritmo com um conjunto de regras de negócios do tipo if-then-else, que irão processar os dados a serem analisados, a tecnologia de Machine Learning permite que a máquina crie seus próprios caminhos com base nos inputs realizados e nas respostas recebidas nos sistemas em que elas operam. É por isso que é fundamental fornecer um conjunto de dados para treinamento do modelo.

O Deep Learning aprofunda o Machine Learning a partir de algoritmos mais complexos, que imitam a rede neural do cérebro humano, resultando em maior nível de assertividade nas decisões.

Uma curiosidade histórica acerca dessas atuais revoluções é que a base dos seus algoritmos é relativamente antiga, conhecida dos cientistas envolvidos com tecnologia. E por que só agora viraram realidade? Dois pontos fundamentais:

  • Existência de um imensurável conjunto de dados, em parte fruto da expansão da Internet. Devemos lembrar: o modelo necessita de dados para aprender;
  • Máquinas capazes de processar os complexos algoritmos, bem como os volumes de dados disponíveis.

Já os termos IA Forte e IA Fraca são categorias da inteligência artificial. A IA fraca está mais voltada para realização de tarefas específicas, ela cobre a maior parte dos equipamentos que utilizam inteligência artificial hoje, como por exemplo: assistentes virtuais e carros autônomos, logo Siri, Alexa e os veículos da Tesla utilizam essa tecnologia. A IA Forte é a que mais se assemelha com a autonomia do cérebro humano, podendo resolver inúmeros tipos de problemas, essa tecnologia é relativamente teórica e não existem exemplos práticos ainda.

 

A Figura abaixo exemplifica em camadas o que foi dito acima.

 

Fonte: Autor (2021).

 

Automação de Processos e Inteligência Artificial

Implementações de RPA podem fazer o uso dessas tecnologias em casos mais específicos, onde soluções mais simples não tragam resultados suficientes. Alguns exemplos seriam a leitura de documentos não estruturados e a interpretação classificatória de mensagens de texto digitadas por humanos.

A ideia é que os robôs tomem decisões mais elaboradas a partir de um modelo de aprendizagem de máquina disponível, atribuindo suas escolhas a um valor chamado de Taxa de Confiabilidade, tendo um limite predefinido para que, quando o robô não tenha segurança de seu resultado, ele seja redirecionado para um ser humano validar e que, após isso, o desfecho é retroalimentado no modelo, diminuindo as chances de casos similares ocorrerem na próxima execução do robô. É recomendado que o modelo inicial seja treinado com uma grande variedade de informações em um ambiente de desenvolvimento para garantir a eficácia.

 

A Figura abaixo exemplifica o modelo de aprendizagem de máquina.

Fonte: Autor (2021).

 

A maior vantagem que essas tecnologias oferecem é o aproveitamento de informações, muitas vezes existentes, e a facilidade de transformação desses dados em um modelo de decisão: não precisamos descobrir como funciona o algoritmo na cabeça de um especialista para tomar decisões similares – basta termos dados suficientes sobre as decisões tomadas por ele. Outros pontos relevantes: sua capacidade pode ser expandida exponencialmente e é virtualmente ilimitada. Um computador é pouco? Coloque dois, dez, cem, …

Podemos dizer também que suas limitações estão intrinsecamente ligadas aos dados fornecidos. Caso eles sejam ruins, o modelo gerado será igualmente ruim e, em vez de repetir acertos, irá perpetuar (e exponenciar) erros. Se seu gerente negar um empréstimo para você com base em um modelo de ML, é possível que nem ele saiba explicar para você qual foi o motivo da negativa…

 

Conclusão

Cabe, portanto, encararmos a Inteligência Artificial com uma importante ferramenta de resolução de problemas, mesmo tendo em vista suas limitações atuais. As perguntas sobre seu impacto social (desemprego em massa) e, pior, sobre o eventual domínio dos seres de silício sobre as pobres criaturas de carbono ainda são objetos de discussões em curso, objetos de filmes de ficção e passam muito além dos objetivos desse singelo artigo. Esse debate cabe, entretanto, nos bem-vindos comentários dos leitores – sejam eles de carbono ou não.

 

Por Carlos Sérgio Mota Silva, MBA, PMP, CBPP, Certified Bizagi Developer, Lucas Targino, Especialista em Automação e Gilmar Pontes, Especialista em Automação

 


Este artigo foi postado originalmente no blog do P4pro – Organização e Projetos. Conheça mais sobre em: P4Pro