Por Rafael Ataíde.
Sabemos que a inteligência artificial e as demais ferramentas que vêm surgindo a cada dia são baseadas em matemática, pesquisa e dados. Ainda assim, não são poucas as pessoas que agem como se isso significasse que a tecnologia alcançou a perfeição, ou estivesse bem próxima dela. Acreditar nisso, para mim, é como acreditar em mágica.
O machine learning — ou “aprendizado de máquina”, o motor com o qual toda inteligência artificial funciona — é realmente feito de matemática e dados, mas também de muitas suposições. E suas limitações ainda são extensas.
Errar para acertar
Isso não quer dizer que devemos ignorar IAs ou que elas não podem ser úteis. Pelo contrário, precisamos seguir utilizando e aprimorando para que as falhas se tornem cada vez menos comuns. O que não pode acontecer é fingir que essas falhas nem mesmo existem.
Por mais que as propagandas exaltem os pontos positivos da tecnologia, que de fato existem, prestar atenção nas restrições das ferramentas nos permite ter mais cuidado com as informações que extraímos delas. E é extremamente importante lembrar que não podemos deixar de verificar, confirmar e validar tudo que vem da IA.
Isso porque, na prática, um modelo de IA é tão bom quanto os dados que foram usados para treiná-lo. E dados reais são bagunçados, incompletos e enviesados. A imperfeição vem com quem programa a máquina.
Além disso, o custo de treinar modelos está longe de ser sustentável. É por isso que não podemos esperar uma infinidade de opções com bases de dados diferentes; é mais provável que as diversas ferramentas do mercado, na verdade, sejam treinadas de forma bem similar. O que significa que o erro de um também é o erro do outro.
Dá para confiar em machine learning?
Você pode se perguntar se, sendo criadas com aprendizado de máquina, as IAs não vão acabar identificando e corrigindo suas falhas automaticamente. É uma boa lógica, mas as coisas são mais complicadas. Entender um problema dentro de uma comunicação individual com um usuário é diferente de aplicar essa compreensão para as milhões de linhas de código correndo simultaneamente. Quando se trata de algo aberto ao público, pode ser ainda mais difícil, já que as pessoas podem dar inúmeras informações contraditórias sobre o mesmo assunto. É o caso especialmente quando se trata de vieses, que é uma questão absolutamente humana.
Meu ponto é que depender totalmente do machine learning não é praticável atualmente. Falta de transparência, dados incorretos e outras falhas podem levar a decisões erradas em escala global.
O segredo dessa e de muitas tecnologias que acredito que ainda veremos despontar no futuro é usar sem abusar. Aplique, mas não confie cegamente. A humanidade está entrando em uma nova era e, apesar da nossa tendência a ter pressa, temos tempo para estudar e fazer o melhor com o que temos em mãos.
***
Com experiência em inteligência artificial e neuromarketing, Rafael Ataide já passou pela gestão de e-commerces, estratégias de CRM marketing e implementação de algoritmos de machine learning em empresas multinacionais. Hoje está à frente do Hub de Data & Tech da Adtail como diretor, promovendo inovações e uso de I.A. para facilitar o dia a dia da operação e do cliente.
Categorias