IA Magazine ed. 12 Set-Out 2022

Cezar Taurion

Chegamos a edição 12. Abordamos com entrevistas e artigos, diversos temas instigantes. e importantes. Destacamos, entre outros, dois: governança de dados e as recentes discussões sobre se as máquinas são realmente sencientes.

Os dados são fundamentais para qualquer projeto de IA. Naturalmente, então, um problema de dados é um problema de IA. Muitas vezes acreditamos que temos os dados necessários, só que quando vamos ver na prática, eles estão incompletos, alguns espúrios e outros simplesmente inexistentes. Recentes estudos revelaram que uma empresa típica tem entre quatro e seis plataformas de dados separadas (enquanto algumas organizações ter até uma dúzia de plataformas de dados), dificultando a navegação nesse oceano de dados.

Uma má qualidade dos dados é mais comum de encontrar que se pensa. Um outro estudo mostrou que apenas 35% das empresas consideram "padronizar, rotular e limpar" seus dados como uma prioridade. Quando um modelo de IA é treinado com dados

tendenciosos ou errados, esses dados distorcem o modelo e produzem resultados incorretos. Muitos projetos de ML são cancelados antes de entrarem em produção ou logo após terem seu “go live” devido ao viés inerente ao conjunto de dados de treinamento utilizados, imprecisos suficientes para tornarem inútil o sistema.

Assim, antes de iniciar qualquer projeto de ML, pergunte a si mesmo pelo menos umas duas vezes: você tem realmente os dados que precisa? Sem um modelo de governança de dados, suportada por processos e uma infraestrutura adequada para coletar, armazenar, organizar e gerenciar dados, não vá em frente. Lembre-se que o valor dos dados é uma função de volume, variedade, veracidade e acessibilidade.

Quanto à possibilidade das máquinas serem sencientes, as diferenças entre humanos e máquinas são brutais e o próprio nome IA talvez seja incorreto. Nós humanos temos o senso comum e mesmo quando bebês, temos uma percepção clara que o mundo é feito de objetos, que as partes de um objeto se movem em conjunto e conseguimos reconhecer objetos parcialmente

obstruídos. À medida que crescemos ampliamos esse senso comum. As máquinas “aprendem” de outra forma. Elas precisam captar um grande volume de imagens ou textos para que possam identificar padrões reconhecíveis. Podem simular frases e expressões tristes, mas não possuem as emoções que são a raiz dessas expressões.

A tecnologia de IA vai produzir um conjunto extremamente poderoso de ferramentas que nos ajudarão em muitas coisas. Mas são apenas isso, ferramentas. A inteligência artificial é o produto da criatividade e imaginação humana com o uso de rígidos e precisos modelos matemáticos inseridos em computadores.

Esperamos que gostem dessa edição. A nossa publicação é feita para e pelos seus leitores. A revista está e estará sempre aberta às ideias e contribuições de todos os leitores, sejam comentários ou artigos. Junte-se a eles. Queremos incentivar a criação de uma comunidade de estudos e práticas de IA aqui no Brasil e para isso a publicação se propõe a servir de catalizador e megafone.

Contamos com vocês!

Jornalista

IA eficiente começa com uma boa governança dos dados

Ogrande desafio das companhias ao desenvolverem projetos de inteligência artificial começa em zelar por uma boa governança de dados. Como o dado é a matéria-prima para qualquer ferramenta de analytics, sem uma coleta e um tratamento corretos, não há IA eficiente e, mais, aumenta-se o risco de insights com vieses. Portanto, zelar pela qualidade dos dados e ter estruturada uma boa governança são peças fundamentais para, entre outros tópicos, conseguir rastrear o caminho dos dados

para entender a fonte primária das decisões dos algoritmos. Mas como assegurar que o processo de coleta, armazenamento e uso dos dados está sendo feito de forma a garantir resultados fidedignos? Segundo especialistas ouvidos para esta reportagem, tudo começa com a definição dos objetivos de negócios e pelo entendimento dos problemas que se quer resolver com o uso dos dados.

Pode parecer simples, mas, na prática, muitas empresas, por ainda não terem claras suas metas, acabam, por exemplo, guardando tudo

quanto é tipo de dado e não sabendo, depois, o que fazer com uma enorme quantidade de informações — e muito menos conseguindo gerenciar tudo isso. Assim, definir o propósito deve vir antes de qualquer outra estratégia.

“O dado em si não vale quase nada, se não estiver atrelado ao objetivo do negócio. Este é o cerne da questão”, diz Carlos Abdalad, fundador da consultoria CRMWise Analytics. Para ele, a governança de dados é o segundo passo mais importante da IA: o primeiro é reconhecer o problema que se quer resolver.

“A boa governança de dados é uma jornada, na qual os dados são tratados do princípio ao fim, desde o momento quando se coleta, armazena e se produz algum insight até o momento de descarte, afinal, você não pode guardar infinitamente”, assinala César Patiño, principal advisor da JCP Consulting. Isso pressupõe também entender quais dados estão sendo armazenados, quais autorizações se têm para usá-los, quem pode acessálos e como está sendo feita a segurança deles, garantindo que estejam bem protegidos contra algum ataque hacker.

A governança, portanto, versa sobre todo o processo que garante as melhores práticas desde a coleta até o descarte. O ideal é estabelecer uma cultura data driven, que começa com o patrocínio da alta gestão e conta com investimentos tanto em equipe como em ferramentas para o melhor manuseio dos dados. As equipes

devem ser multidisciplinares e buscar fontes internas e externas de dados para trabalhar. “Depois, vem a parte de catalogar os dados, entender quais são as fontes de dados que serão trabalhadas, qual é a taxonomia, como serão normatizados os nomes de arquivos, dos campos… tudo isso está organizado no metadados, tendo padrões para como os dados serão compilados e tratados”, aponta Patiño.

Assim, uma IA eficiente começa com a boa governança dos dados. É, segundo Ronald Rowlands, gerente de prévendas do SAS, até possível ter insights sem ter dado governado, mas isso gera insegurança. “Você não sabe quem está acessando a informação ou o que foi trabalhado em cima do dado. A governança de dados vem para mitigar esse problema, fornecer padrões, limpeza das informações para manter o dado disponível e atualizado

e zelar pela privacidade e pela integridade dos dados”, diz Rowlands.

A governança está em todo este processo e ela existe para garantir que tudo funcione como deve ser, em conformidade com as leis e seguindo as padronizações e os processos definidos. Se a qualidade de dados não é boa, haverá impacto nos modelos e nos algoritmos, sejam eles machine learning, preditivo ou qualquer outro, levando a um resultado ruim ou insatisfatório na ponta. “Quando falamos de ciência de dados, entre 50% e 80% do tempo do trabalho está na manipulação dos dados”, ressalta César Patiño.

A estratégia para governar o dado deve contemplar, de acordo com o gerente de prévendas do SAS, o mapeamento das fontes que estão sendo usadas, a documentação dos processos, o fluxo de trabalho e a criação de regras para fazer o tratamento das informações.

“Deve-se fazer a limpeza e a padronização das informações, mas, primeiro, você precisa entender os dados, ter regras para saber o que faz sentido, documentar e criar dicionário de redes de dados para saber o que tem de informação em cada campo do data lake e do data warehouse”, explica Ronald Rowlands.

Um erro comum é as empresas começarem querendo fazer de tudo, em vez de iniciar por partes. Igualmente importante é ter uma estratégia para comunicar a companhia sobre a governança de dados, mapear quem são as partes interessadas e ter um plano de comunicação efetivo para ficar claro para todos o que pode (e não pode) ser feito com os dados. Tudo de forma transparente.

Base para uma IA ética

A governança também está, intrinsecamente, ligada à ética na inteligência artificial. “Um dos princípios para garantir a ética é saber explicar as decisões que a IA tomou e isso

é parte da governança”, explica Daniel Arraes, diretor de desenvolvimento de negócios para América Latina da Fico. “Não se consegue garantir que decisões de inteligência artificial sejam éticas, se você não tiver governança de dados”, acrescenta ele.

É necessário rastrear o caminho dos dados, desde a coleta, permite a identificação de fontes que levaram a vieses e a entender como o algoritmo tomou determinada decisão. “Tem a rastreabilidade física, que é de metadados, e isso é importante para quando alguém questiona de onde apareceu determinado dado, porque os metadados rastreiam tudo que aconteceu com dado. Já o uso que você faz com o dado tem a ver com ética e IA”, explica Carlos Abdalad.

Assim, são igualmente importantes as rastreabilidades do dado e do processo que gerou o resultado. “Você tem de acompanhar a história do dado e o que fez com ele para virar decisão”, completa Abdalad.

O grande desafio das

companhias ao desenvolverem projetos de inteligência artificial é zelar por uma boa governança de dados. Nesse caminho, quais são os principais erros e acertos das companhias nesta jornada? “Quando se fala em governança, ela extrapola não só a questão dos dados, mas a governança deve atuar nas decisões e nos dados que alimentaram essas decisões. Quando se fala em IA, o mundo decisional fica complexo, porque os modelos podem ser bastante complexos, usando um grande número de informações. Então, como você retroage e explica cada etapa da decisão para saber se cada decisão tomada foi justa?”, analisa Daniel Arraes, da Fico.

É por isso que as companhias precisam garantir o princípio da rastreabilidade da informação, sendo capaz de rastrear o dado desde quando foi gerado.

“Blockchain é tecnologia interessante para isso, porque garante que se consegue buscar a origem da informação de forma fidedigna”, acrescenta Arraes.

Tudo isso também tem de ser

feito cumprindo os preceitos da legislação em vigor. No Brasil, a Lei Geral de Proteção de Dados determina o que pode ou não ser feito com que tipo de dados.

Já há algum tempo, algumas empresas vêm investindo na função de alocar um profissional responsável pela governança de dados e essa tendência ganha cada vez mais força devido ao volume de dados e de legislações.

“Primeiro, se trata de gestão de risco. Quem não se dedicar a cumprir legislação está sujeito a riscos, principalmente, de imagem e isso custa caro.

Então, a preocupação não é opcional; é algo que tem de acontecer. E depois tem a tecnologias. Hoje, as soluções que as empresas usam já tem incorporado o conceito de security by design e, quando falamos em segurança, isso extrapola o ‘não deixar o dado vazar’; é garantir compliance”,

destaca o diretor de desenvolvimento de negócios para América Latina da Fico.

Armazenamento infinito

A diminuição nos custos de armazenamento tem feito muitas empresas adotarem a prática de guardar tudo quanto é tipo de dado. Esta metodologia divide opiniões, mas um ponto é consenso: a máxima de que se entra lixo e sai lixo segue valendo.

Carlos Abdalad defende que não se deve armazenar todos os dados para se e quando um problema aparecer. “O data lake virou data swamp; jogam tanta porcaria que não tem onde achar a parte limpa. O dado tem valor quando você usa ele; quando só armazena é custo”, diz o fundador da consultoria CRMWise Analytics.

Na mesma linha, César Patiño, da JCP Consulting, aponta que os dados armazenados que não são

utilizados resultam consumo de recursos de datacenter e energia para algo que não servirá para nada. “Hoje, há algumas estimativas de que dois terços dos dados são armazenados, mas não usados. Se você não usa, eles consomem espaço, é dinheiro jogado fora”, aponta.

Daniel Arraes, da Fico, assinala que, ao mesmo tempo em que o custo do armazenamento caiu muitíssimo, cresceu o volume de informações. “O custo de armazenamento ficou mais barato, então, se armazena tudo e se passa a ter mais cuidado na hora de extrair o dado que importa para utilizar os modelos de IA”, diz Arraes. “Quando eu comecei a trabalhar com dados, o uso era bem limitado. Era definir a informação, limpar a informação e guardar a informação que tinha certeza que queria usar. Hoje, o

enfoque é diferente, falamos em informação não-estruturada, é um volume de informação extremamente alto no mundo”, acrescenta o diretor.

As empresas precisam ter uma estratégia bem definida, enquanto companhia, e saber a necessidade ou problema de negócio que querem resolver. Se isso está claro, boa parte do caminho está trilhado. “Você tem regras bem definidas, você não precisa armazenar todas as informações. Isso depende da estratégia da companhia. Agora, tendo o custo de armazenamento mais barato, as empresas podem se dar ao luxo de armazenar tudo, mas depende muito da estratégia da empresa. Já vi empresas que armazenavam tudo e outras que só limitavam ao escopo definido. Não vejo um certo ou errado”,

pontua Ronald Rowlands, gerente de pré-vendas do SAS.

Fugindo do caos

Os especialistas concordam que apenas armazenar todas as informações e não analisá-las significa não gerar benefícios para os negócios — apenas custos. E, uma vez armazenados, os dados, para serem considerados bons, precisam ser confiáveis, íntegros (ter rastreabilidade), documentados (saber o que se tem) e protegidos. “A IA necessita de uma base de dados robusta, organizada, segura, confiável e atualizada para ser eficiente”, contextualiza Geraldo Urbaneca Ozorio Filho, diretor-sênior de engenharia de soluções na Tableau.

“Vivemos a época do ‘caos de dados’, na qual temos diversas fontes e diversas plataformas

dentro das empresas. Manter a governança nesse caos de dados é hoje um dos maiores desafios das empresas. Por isso, temas como orquestração de dados estão sendo muito falados e utilizados hoje em dia. Devem existir políticas de orquestração e governança nas empresas para garantir que o dado tenha sido preparado, limpo, organizado e certificado, conforme comentado acima”, acrescenta.

Essa época do caos de dados apontada por Ozorio leva as empresas a enfrentarem muita dificuldade e terem receio do alto custo de se trabalhar todos os dados de uma vez, devido à grande quantidade de dados e à diversidade de locais onde estão armazenados. Por essa razão, ele orienta que o ideal é focar nas metas principais da empresa, definir os processos e, então, iniciar o trabalho e a governança

dos dados, sempre priorizando os objetivos principais.

“A IA não pode ser eficiente em um ambiente que não tenha dados confiáveis, organizados, que tragam informações relevantes sobre seu produto, seu mercado, preços, eficiência etc. O software trabalha alimentado por essas informações. É sempre possível melhorar, tornar dados de ambientes diferentes compatíveis, acelerar a limpeza e observar o que a IA está entregando, atualizando e corrigindo. Com o tempo, aprende-se a tirar os maiores benefícios possíveis e a IA, junto com processos automatizados,

passa a entregar os melhores insights e fazer análises que não seriam levantadas por analistas, que só o sistema é capaz de trazer”, aponta o diretor-sênior da Tableau.

Para ele, uma boa governança implica organizar informações de modo a distinguir quais são os dados críticos da empresa, mapear os fluxos de dados sensíveis e colocar maior restrição e segurança para áreas específicas. “No meio do caos de dados das empresas, temos fontes de dados que exigirão maior complexidade de tratamento e outras fontes com menor complexidade de

tratamento. Para as de alta complexidade, nas quais o dado necessita aperfeiçoamento e entendimento, deve-se utilizar equipes especializadas de dados para o correto ajuste”, finaliza.

Metodologia CRISP-DM

Com 20 anos de experiência em análise de dados, Carlos Abdalad, fundador da consultoria CRMWise Analytics, recomenda usar a metodologia CRISP-DM (sigla em inglês para cross-industry standard process for data mining), um modelo de processo de mineração de dados que descreve abordagens comumente usadas por especialistas em mineração de

dados para atacar problemas. “É uma metodologia muito intuitiva. A primeira fase é entender o negócio e o processo de negócio que você quer melhorar com analytics. Para isso, você tem de ter uma pessoa que entenda do negócio e outra que conheça dado. Você vai ter de levantar as hipóteses que você quer testar; e esta é uma discussão boa, porque quem entende do negócio precisa ser provocado com a metodologia”, explica.

O entendimento do negócio (e dos problemas que precisam ser resolvidos) é o primeiro passo e é a base de tudo. Em cima disso, vem o entendimento

dos dados que são necessários e a preparação deles. Depois, desenvolve-se a modelagem, avalia-se e implanta-se. “Com o entendimento do processo de negócio, começa-se a entender se os dados que eu tenho têm valor. Normalmente, as empresas têm dados suficientes na mão”, diz.

A próxima fase é a preparação dos dados, que inclui a análise de se os dados existentes têm qualidade para aplicação. Essa qualidade está ligada ao objetivo de negócio, ao problema mapeado e que se quer resolver. “É tentar transformar um problema de negócio em um problema

de dados. Hoje, conseguimos resolver quase tudo usando dados”, aponta Abdalad.

Com o objetivo definido de qual questão de negócio se quer resolver, parte-se para arrumar a informação para o algoritmo aprender de jeito mais fácil. “Você preparou os dados, modelou — ou seja, implementou algoritmo que responda à questão de negócio — e, assim, vai criando ciclos, confiando no processo e gerando resultados no modelo. Quando chegamos ao modelo satisfatório, avalia-se se o modelo está respondendo às perguntas e depois começa a colocá-lo na vida real”, detalha. •

CFOs buscam mais valor da RPA através do Process Mining

Oitenta por cento dos CFOs veem o investimento em process mining como chave para obter melhores retornos da RPA, segundo uma pesquisa da Gartner Inc.

Ao implementar o RPA, os líderes financeiros concordam que as finanças devem acelerar significativamente sua implementação de tecnologia digital. Eles apostam na automação de processos robóticos (RPA) e na inteligência artificial para apoiar efetivamente seus

negócios até 2025.

A pesquisa, realizada em dezembro de 2021 com 400 líderes financeiros mostrou uma ampla expansão do kit de ferramentas de tecnologia CFO sendo usado para impulsionar a eficiência, agilidade e produtividade. A RPA continua sendo a tecnologia mais citada pelos entrevistados para dar suporte a seus objetivos de hiperautomação (consulte a Figura 1), mas a tecnologia ainda precisa fornecer um alto nível de valor aos departamentos financeiros.

“Apesar do investimento contínuo em RPA, os CFOs estão percebendo que precisam de um kit de ferramentas mais amplo para atingir seus objetivos de automação completos”. Disse Nisha Bhandare, analista VP na prática de finanças do Gartner.

“Para obter maior valor de seus investimentos em RPA, os CFOs estão se voltando para um conjunto de tecnologias de eficiência complementares, como process mining, que continuará sendo um futuro impulsionador de crescimento da RPA nos próximos anos.”

Figura 1: Porcentagem de entrevistados que associam tecnologia a fatores de valor primário específicos

Fonte: Gartner (abril de 2022)

Na pesquisa os CFOs foram questionados sobre 16 tecnologias diferentes dentro da categoria de automação e otimização de processos. É possível ver um aumento nos investimentos em relação aos níveis atuais nos próximos dois anos em três tecnologias: automação de relatórios, RPA e process mining. Dessas três tecnologias, apenas a automação de relatórios foi classificada como atualmente fornecendo “alto valor” aos departamentos financeiros.

“Os processos financeiros são complexos, cheios de exceções e dependem de julgamento e experiência no assunto”, disse Bhandare. “Atualmente, isso limita a criação de valor do RPA, e os CFOs precisam explorar opções adicionais para aprimorar a utilidade do RPA e, em alguns casos, selecionar tecnologias mais adequadas para seus objetivos de automação.”Process Mining atrai maior investimento para RPA.

Os resultados da pesquisa, segundo a Gartner, indicam três principais impulsionadores do crescimento da RPA nos próximos dois anos: aprendizado de máquina incorporado, entrega em nuvem e integração com process mining. Embora o process mining ainda seja uma tecnologia exploratória, ainda não sendo amplamente adotada pelos departamentos financeiros, o potencial para aprimorar o RPA a torna uma tecnologia atraente dentro da categoria.

O process mining é projetado para descobrir, monitorar e melhorar processos reais analisando logs de eventos em sistemas de informação. Os líderes financeiros podem revisar exatamente o que aconteceu durante a execução de seu processo após os logs de eventos serem analisados pelo algoritmo de process mining. Essa tecnologia pode ser usada de três maneiras distintas e aditivas, incluindo:

• Descoberta de processo –Construa um modelo para revelar como um processo atual está operando;

• Conformidade do processo –Compare o processo do evento real com seu modelo ideal;

• Aprimoramento de processos – Melhore ou estenda processos, inclusive com RPA.

“A mineração de processos oferece aos líderes financeiros uma ferramenta para identificar as causas-raiz de ineficiências e exceções em tempo real”, disse Bhandare.

“Isso oferece a oportunidade de simplificar e corrigir processos que podem ter sido percebidos como resistentes à automação e introduzir mais oportunidades para usar RPA – e automação de forma mais ampla – para obter eficiência adicional e ganhos de custo.” •

O futuro da análise de dados passa pela RPA e Cloud

Em um mundo cada vez mais tecnológico e globalizado, a maioria das empresas enfrenta o desafio do gerenciamento de grandes volumes de dados e trabalhos manuais que demandam tempo e, além disso, ainda correm grande risco de erros durante o processo de análise desses dados – fato que não é nada produtivo e efetivo para uma organização. Hoje, mesmo estando na era da transformação digital, é

comum nos depararmos com empresas que não investem na automação de alguns serviços ou no armazenamento em nuvem mesmo sabendo o quanto isso é importante para as organizações como um todo.

Neste sentido, é imperativo pensar no quanto toda essa tecnologia que temos hoje pode ajudar as empresas a terem mais produtividade e redução no tempo de produção, potencializando o serviço prestado pelos colaboradores

e otimizando o trabalho 100% manual, sobretudo com o uso da tecnologia para execução de processos repetitivos. Ou, indo além, como um bom servidor em nuvem pode deixar todos os seus dados mais seguros e com fácil acesso para todas as pessoas autorizadas da empresa.

Logo, é inegável que a tecnologia pode ajudar em diferentes frentes, reduzindo até mesmo os recursos aplicados e contribuindo para uma diminuição de gastos desnecessários.

É fundamental entender o papel da RPA

Toda empresa precisa conhecer muito bem os dados armazenados, isso é fato.

Para que a etapa de análise seja eficiente, utilizando ferramentas tecnológicas práticas e rápidas, a automação surge como uma alternativa viável, reduzindo, inclusive, o número de erros, uma vez que os dados são insumos em constante mudança e nem sempre é possível acompanhar tais alterações.

Assim, com a RPA, não é preciso alocar um colaborador exclusivamente para tarefas repetitivas, uma vez que a tecnologia consegue desempenhar este processo de forma totalmente automatizada.

Inclusive, a tendência é que a indústria de RPA continue crescendo, conforme aponta o levantamento State of the RPA Developer Report 2021. A

maioria dos entrevistados (92%) pontuou que acreditam no alto potencial de crescimento da RPA nos próximos anos, enquanto 77% esperam que as empresas contratem mais desenvolvedores.

A importância do armazenamento em nuvem

A computação em nuvem, ou cloud computing, já mostrou sua importância ao longo dos últimos anos. Por ser uma tecnologia confiável e consistente, que ajuda diretamente as empresas a guardarem informações em um único servidor remoto com uma grande capacidade de armazenagem e processamento de dados, a cloud se destaca no mercado justamente pela confiabilidade por traz desse tipo de armazenamento.

Por isso, não é exagero nenhum afirmar que o sucesso e o futuro da análise

de dados também passam pela nuvem. No âmbito empresarial, a computação em nuvem consegue promover vantagens diversas, como serviços com maior agilidade e escalabilidade, bem como segurança e confiabilidade nas operações. Além disso, não demanda um grande investimento com infraestrutura, como é o caso de data centers, por exemplo, resultando na redução do uso de espaços físicos.

Concluindo o artigo, destaco a dimensão do impacto que essas mudanças provocam para a rotina operacional. Com isso, tem-se um cenário automatizado e capaz de suportar um fluxo de dados que só tende a crescer, com profissionais preparados para utilizar informações de forma analítica e estratégica, condição que abre portas para um futuro de inúmeras possibilidades. •

O impacto da adoção de Automação

Robótica de Processos (RPA) nas empresas brasileiras

Oprocesso de transformação digital e a aposta em novas tecnologias, como Inteligência Artificial e Machine Learning, já são uma realidade para grande parte das companhias brasileiras. É neste contexto que a aplicação de sistemas de Automação

Robótica de Processos, o RPA (Robotic Process Automation) conquista espaço. De acordo com estudo realizado pela Grand View Research, companhia global de análise de mercados, a expectativa é que em 2030, o mercado mundial de Automação de Processos alcance o valor de 31

bilhões de dólares.

A consultoria aponta ainda que em 2021, o mercado de RPA atingiu o valor de 1,9 bilhão de dólares. Um dos principais responsáveis por este crescimento, foi a pandemia global decorrente da COVID-19, que devido às medidas de distanciamento social, impôs as

empresas a adoção do trabalho remoto e maior investimento em inovação e tecnologia. Entretanto, este não é o único fator decisivo para o aumento da automação de processos, uma vez que a constante necessidade por reduzir custos operacionais também tem sido um ponto crítico para os líderes das empresas ao adotarem o RPA.

Automação de Processos na prática

A implementação de soluções de Automação de Processos vem sendo realizada em praticamente todas as indústrias, sobretudo em bancos, seguradoras, empresas de serviços públicos e de telecomunicações. Isto porque, por meio de um software potente, o RPA implementa e gerencia robôs capazes de manipular dados, desencadear respostas e efetuar transações. Desta forma, atividades corporativas que costumavam ser realizadas de modo manual, passam a ser automatizadas, resultando na racionalização de fluxos de trabalho, aumento na satisfação, empenho e, até mesmo, produtividade das equipes.

Este cenário de maior dinamismo na rotina do trabalho, provoca a aceleração do processo de transformação

digital, bem como promove o retorno significativo do investimento (ROI) para diferentes segmentos, ainda mais quando alinhado a outras tecnologias.

A união das ferramentas propicia um controle total do negócio, auxiliando no monitoramento de atividades de trabalho e na redução de burocracias cotidianas, através de bots pré-programados, que promovem a otimização de processos das empresas e contribuem para a jornada digital do cliente. Desta forma, a combinação com o chatbot, por exemplo, permite a automatização de serviços de atendimento, fazendo com que a quantidade de intervenções humanas fique cada vez menor, garantindo mais agilidade e comodidade ao consumidor.

o mercado bancário, por exemplo, pode realizar a abertura e encerramento de contas, pedidos de cotação e propostas, testes e monitoramento de processos de TI, além de tratar consultas nos departamentos de faturamento e serviço ao cliente. Já no varejo, há uma série de setores que podem ser automatizados, englobando desde o planejamento de lojas, gestão do inventário e abastecimento, categorização de estoque, logística, até a análise de negócios e vendas, lançamento de novos produtos, análise do comportamento e fidelização do consumidor.

É fato que o investimento em sistemas RPA tem um futuro promissor no Brasil. A tecnologia chama a atenção de CEOs e líderes de negócios por adaptar-se em quaisquer verticais empresariais e pela capacidade de executar uma infinidade de ações.

Por meio da solução,

Neste momento em que a tecnologia está inserida em diversos aspectos da nossa rotina, o RPA tornase imprescindível para as companhias digitalizaramse. Mais do que nunca, o aumento da produtividade e a economia nas operações são pautas prioritárias na agenda empresarial. Diante disso, a Automação Robótica de Processos é uma poderosa aliada para garantir esses objetivos, e consequentemente, gerar mais agilidade, qualidade, otimização de serviços e maior competitividade no mercado. •

Consolidação do mercado de Automação Robótica de Processos

Inteligência Artificial:

agilidade nas análises de documentos e nas investigações corporativas

AInteligência Artificial (IA), que vem nos ajudando nas mais variadas tarefas do dia a dia, também tem apoiado os processos que envolvem as investigações corporativas. Um exemplo disso são as plataformas forenses que contam com recursos de IA para facilitar as análises de documentos, expandindo o nível da investigação, uma vez que a tecnologia permite acelerar a análise das informações em um processo que seria consideravelmente

mais moroso se conduzido apenas sob olhares humanos.

De acordo com George Socha, vice-presidente da Brand Awareness, 73% dos custos de revisão de documentos são provenientes da coleta e do processamento das informações e isso ocorre devido à alta complexidade dos dados e das diversas possibilidades de armazenamento. Desta forma, aproveitando-se dos recursos de IA durante o estágio inicial, ou seja, na avaliação do caso, é possível garantir uma grande

economia de tempo e redução dos custos após o início das análises.

E como esse processo ocorre? Com o auxílio da Inteligência Artificial, ao invés de executar a tradicional lista de palavras-chave, as equipes de investigadores e de tecnologia priorizam a contextualização e o objetivo da investigação criando um modelo capaz de direcionar os resultados para documentos relevantes, independente de datas, consultas e filtros tradicionalmente aplicados,

o que possibilita uma abordagem mais ampla, direcionada e eficiente para o processo investigativo.

Diante deste cenário, a utilização da Inteligência Artificial permite a rápida exploração e descoberta de conexões entre colaboradores, fornecedores, terceiros e agentes públicos que não estavam previamente mapeados no escopo inicial e que são, muitas vezes, até desconhecidos no planejamento da investigação. Além disso, permite que sejam identificados e agrupados, de forma rápida, todos os nomes, sobrenomes, apelidos, e-mails pessoais e corporativos utilizados pelo investigado ou por pessoas com as quais ele se relaciona.

Também é possível visualizar as trocas de mensagens por meio de uma rede de relacionamento disponível na própria plataforma de IA, facilitando a identificação das interações mais realizadas, bem como das interações anômalas ao dia a dia do

pesquisado, o que possibilita que sejam identificadas condutas e comportamentos inadequados ou desencorajados pela empresa.

Além disso, é possível facilitar a identificação de temas sensíveis e de difícil apuração, como assédio moral e sexual, gestão por injúria e comportamento moral inadequado, entre outros. Isso acontece porque a Inteligência Artificial é capaz de identificar comunicações depreciativas ou sugestivas de animosidade em relação a um indivíduo ou grupo devido às características como raça, cor, nacionalidade, sexo, deficiência, religião ou orientação sexual. Os termos, as expressões e as combinações constantemente utilizados pelo investigado também são identificados, permitindo explorar novas possibilidades além das já planejadas no escopo principal.

Essas são apenas algumas das funcionalidades que podem ser exploradas por meio da utilização da Inteligência

Artificial. Contudo, existem outras inúmeras aplicabilidades desse recurso tecnológico que podem ser empregadas para dar celeridade, eficácia e assertividade nas investigações corporativas.

Diante das fraudes cada vez mais elaboradas, não há como negar que as empresas precisam ficar atentas e sempre bem-informadas sobre as facilidades que a tecnologia pode fornecer no que tange a uma investigação interna ou anticorrupção, uma vez que todas as pessoas jurídicas públicas e privadas estão sujeitas a fraudes e condutas irregulares cometidas por colaboradores e públicos externos.

Como sabemos, fraudadores e transgressores também costumam utilizar a tecnologia a seu favor. Por isso, as organizações precisam se munir dos avanços tecnológicos para prevenir ou identificar essas ações e, para isso, a Inteligência Artificial pode ser uma enorme aliada.

•

RPA: Transformação

digital e inovação

Aumento de produtividade do seu negócio através de automatização de tarefas manuais.

O uso da automatização de processos é essencial para a competividade empresarial, reduzindo custos, aumentando eficiência, aprimorando o fluxo de trabalho e mitigando erros. Executando atividades de forma mais inteligente e rápida do que um processo manual, a melhoria de processos por intermédio da automação está sendo amplamente utilizada em todos os segmentos.

Para identificar quais processos são candidatos à automação dentro de sua empresa entre em contato com a BlueShift, nossos consultores altamente capacitados vão te auxiliar com a melhor solução.

Entre em contato com a BlueShift.

Inovação no campo: o poder da Inteligência

Artificial no agronegócio

C om a evolução da tecnologia, a modernização de processos tonou-se primordial para as empresas manterem-se competitivas no mercado. Seja qual for a área, apostar em inovação é a chave para ter bons resultados e atrair boas oportunidades de negócios. No agronegócio, o cenário não seria diferente. De acordo com relatório desenvolvido pela consultoria 360 Research & Reports, o mercado global de agricultura digital deve crescer 183% em relação a 2019, atingindo o valor de US$ 8,33 bilhões, até 2026.

A pesquisa ainda prevê uma média de crescimento de 15,9% ao ano neste período. Analisando este contexto, podemos observar que soluções que apoiam o gerenciamento do campo e a otimização de processos têm ganhado espaço no segmento, ajudando a transformar rotinas em diferentes esferas dos ambientes rurais. Desta forma, a Inteligência Artificial no campo pode ser aplicada desde o aprendizado de máquina e visão computacional, até a análise preditiva. Há ainda a segmentação por aplicativos que envolvem a agricultura de

precisão, monitoramento de gado e robôs agrícolas.

Como a Inteligência Artificial pode ajudar a superar os desafios na agricultura

A aplicação de Inteligência

Artificial impacta diretamente o dia a dia do agricultor. Com essa tecnologia em mãos, o profissional tem um auxilio qualificado na melhor tomada de decisão, garantindo assim, o fácil acesso aos principais mercados, insumos, dados, e até mesmo, consultoria, empréstimos e seguros. Isto contribui diretamente na

economia agrícola por meio de maior renda e custos de insumos otimizados, bem como na redução do risco de agricultura por meio de intervenção imediata de dados, que pode ser muito benéfico para a agricultura familiar e pequeno fazendeiro, por exemplo.

O uso de soluções disruputivas ainda pode ajudar a rastrear dados de aplicações de entrada, áreas em produção, limites de fazendas, perfis de agricultores, saúde do solo, clima e regiões, além de criarem uma cadeia de valor analisando ações pré e póscolheita, qualidade, notas, rastreabilidade e perdas, e, ainda, os mercados de varejo e exportação. Mas, afinal, como fazer com que a adoção de Inteligência Artificial seja uma realidade cada vez mais presente no agronegócio?

O avanço da Inteligencia Artificial no agronegócio

Para fomentar a inovação no campo, é fundamental que os profissionais rurais tenham acesso às informações que

reforcem as vantagens da digitalização, da Inteligência Artificial, mecanização agrícola e Machine Learning. Assim, os agricultores conseguirão ter o melhor treinamento para saber como lidar com as tecnologias disponíveis não apenas no cultivo, mas também, em todo o processo de planejamento de trabalho

Neste contexto, as AgriTechs têm investido em esforços digitais. Essas startups, ao fornecer soluções atuais e relevantes centradas em dados, têm o poder de potencializar negócios de pequenos produtores bem como, grandes proprietários de fazendas, promovendo uma mudança significativa, otimizando a gestão e inibindo perdas ao longo de toda a cadeia de valor, desde o preparo da terra e plantio, até a entrega do produto ao consumidor final. Além, é claro, do controle de alimentos, que reflete no bolso do agricultor gerando maior renda.

Além disso, um dos cenários em que a inovação no campo tem uma atuação promissora, é na combinação de análises de dados com sensores em tempo

real e observação de drones. A partir dessa união, é possível automatizar a pulverização de pesticidas e pragas nos campos. Desta forma, ao pulverizar um determinado espaço, o processo torna-se mais eficaz e exato com relação a área, bem como a quantidade de substância utilizada.

É fato que a digitalização é uma realidade que chegou para transformar as empresas brasileiras. No âmbito do agronegócio, o uso das tecnologias e dados corretos traz maior autonomia ao agricultor, que agora pode contar com um auxilio qualificado para a melhor tomada de decisões. Através de soluções como Inteligência Artificial, é possível mapear o andamento completo de todo o processo agrícola, resultando em maior economia e rentabilidade aos agricultores. O desafio agora é fomentar ainda mais como a adoção de ferramentas baseadas em dados podem ajudar a revolucionar o segmento de agronegócio, mantendo o setor cada vez mais moderno e competitivo.•

Inteligência artificial leva processos de gestão das empresas a um novo patamar

Você certamente já ouviu falar sobre Inteligência Artificial, não é mesmo? Apesar da popularização do termo, ainda há muita gente sem entender o que ele realmente significa. Mais ainda, é possível que muitas pessoas não tenham compreendido que sua aplicação no meio empresarial traz eficiência e vem se tornando indispensável

Para deixar o entendimento bem simples, podemos definir a Inteligência Artificial como qualquer software que seja capaz de tomar decisões, por meio de algoritmos de análise,

que levem a um objetivo desejado. Isso significa, que uma ferramenta dotada de Inteligência Artificial pode identificar padrões e analisar a melhor maneira de executar uma atividade determinada. Para isso, só precisa de uma fonte de dados. Ou seja, já temos à nossa disposição uma tecnologia que oferece milhares de aplicações possíveis

Apesar de parecer futurístico, a Inteligência Artificial já faz parte da nossa rotina há algum tempo e vem se tornando cada vez mais próxima e acessível para empresas de todos os tamanhos e setores, proporcionando

vantagens importantes para os negócios. Afinal, ela pode e deve ser utilizada como um braço de automação de tarefas e executar atividades que demandariam muito tempo e atenção por parte dos colaboradores. Esses, por sua vez, poderiam dedicar seus conhecimentos a operações mais estratégicas para a empresa

Os processos mais burocráticos relacionados à gestão de um negócio podem facilmente ser executados por softwares desenvolvidos com a aplicação de Inteligência Artificial. No departamento financeiro de uma empresa, por exemplo, a tecnologia pode

fazer a gestão das contas a pagar, automatizar os processos de emissão de notas e realizar o controle do faturamento.

Também é um excelente meio para realizar o controle de estoque

Em um cenário ainda mais promissor, se houver integração entre as plataformas de gestão, com Inteligência Artificial, utilizadas pela empresa e pelo escritório de contabilidade, torna-se possível a troca de informações e o compartilhamento de documentos de forma mais dinâmica, eficiente e segura. Com isso, um contador que

dedicava metade do seu tempo às ações mais burocráticas da profissão, em atividades relacionadas à emissão de folha de pagamento, escrita fiscal e outras rotinas, ganha a oportunidade de se tornar mais produtivo e, principalmente, mais estratégico para as empresas atendidas ao dedicar atenção a atividades que mostrem diferencial, como em avaliações de mercado e da própria empresa que levem a uma redução da carga de impostos incidente sobre o negócio, por exemplo

Em suma, ter uma ferramenta de gestão dotada

de Inteligência Artificial e Big Data não só auxilia no aumento da produtividade ao automatizar tarefas repetitivas e burocráticas, como na economia de tempo e de recursos das empresas. O mais interessante é que essas plataformas já estão disponíveis no mercado brasileiro e podem se tornar aliadas de todas as companhias, inclusive de empresas de pequeno e médio portes, que muitas vezes encaram tecnologias como essas como itens inatingíveis ou inviáveis para os seus negócios. Ao contrário, a Inteligência Artificial é para todos! •

IA e API-First: como as operadoras de telefonia estão avançando na digitalização de ofertas e processos?

Osetor de telecomunicações descobriu uma possibilidade de expansão digital além de suas tradicionais ofertas e, com o avanço do 5G, essa tendência tem se fortalecido. De acordo com estudo da SmC+ Digital Public Affairs, o investimento nessa área pode chegar a US$ 4,5 bilhões até 2030 no Brasil. E, para continuarem cada vez mais competitivas e menos tradicionais, as empresas têm destinado parte desse montante para a área da Tecnologia da Informação.

A Inteligência Artificial (IA),

por exemplo, já se tornou comum neste segmento com o uso de chatbots e assistentes virtuais para atender às solicitações de usuários quanto ao suporte e solução de problemas. Porém, com tanta demanda e oferta, as empresas querem ampliar os seus serviços tradicionais tornando-se mais ativas na oferta para os seus clientes por meio de um marketplace, como exemplo.

Essa mudança pode ser percebida, principalmente, nas operadoras que detêm um grande volume de dados utilizáveis dos seus clientes. Mas, o destaque em si é a

capacidade de análise para interpretá-los. Nesse momento, as empresas passam a utilizar a IA para ler esses dados e, assim, transformá-los em informações de valor para o negócio. Por exemplo, possuindo dados tais como nome, CPF, consumo de telefone e internet nos últimos 12 meses, a operadora consegue saber se o cliente é um bom pagador, quanto gasta e qual o seu potencial financeiro. Tendo informações cruzadas sobre a renda, ofertas diferenciadas podem ser oferecidas e até mesmo decisões de negócios podem ser tomadas, como em campanhas para grupos de

clientes com o mesmo perfil.

Além disso, colaboração entre grupos, redes sociais e aplicativos são outras fontes para se conseguir diferentes tipos de dados, que, quando combinados, possibilitam definir perfis e gerar novos tipos de ofertas. Pode-se, por exemplo, criar um mapa de navegação em relação às buscas dos clientes, como cinema, entretenimento e música, e, a partir daí, a operadora ser capaz de oferecer serviços de streaming.

Para acelerar esse processo de digitalização, uma grande aliada das empresas são as Interfaces de Programação de Aplicações (API), responsáveis por permitir integrações

entre diferentes sistemas. Por exemplo, uma operadora que já conhece o cliente devido à combinação de dados realizada pela Inteligência Artificial, faz o uso de uma API para ofertar um serviço de streaming, numa outra ponta, com essa mesma interface é possível fazer contatos para ofertas de serviços financeiros ou simplesmente para agradecer o cliente com o objetivo de fidelizá-lo. Sendo assim, não se torna necessária a criação de uma nova API para cada operação requisitada pelo cliente, tornando as ações muito mais ágeis para o lançamento e a monetização de novos produtos e serviços.

Empresas que seguem uma estratégia de API First entenderam que não é apenas um software e, sim, uma mudança de pensamento. O resultado é que, além de deixar processos mais ágeis, agrega valor e, acompanhada da Inteligência Artificial, ajuda as empresas a tomarem decisões mais assertivas. Independente do porte das empresas, é importante entender e desenvolver um roadmap que atenda às necessidades de cada organização na implementação de sistemas e soluções, como IA e APIs, já que essas são transformações necessárias para responder à dinâmica do mercado.

•

Inteligência artificial e a polícia do futuro

Ovelho clichê cinematográfico de investigadores policiais examinando pilhas e mais pilhas de papel ou assistindo exaustivamente um mesmo vídeo não corresponde mais à realidade. Isso porque os crimes ganharam escala com os ataques cibernéticos e com a formação de quadrilhas no ambiente virtual, além das novas configurações da força de trabalho e das cadeias de valor.

E não me refiro somente aos crimes que tradicionalmente sempre foram cometidos com

suporte dos meios digitais, como estelionato, mas sim de crimes que têm o histórico de serem praticados com o contato presencial: corrupção, lavagem de dinheiro, extorsão, fraudes e até mesmo crimes ambientais. A transformação digital também funcionou para os criminosos e ampliaram significativamente a potencialidade dos delitos.

Do lado da polícia, a tecnologia também avançou e mudou completamente aforma de monitorar e investigar.

A Inteligência Artificial (IA) redefiniu a forma de fazer

ciência, assim como o Big Data, o Analytics o Machine Learning. Hoje, as técnicas de IA podem beneficiar investigações e ajudar a combater o crime organizado.

No caso da ciência forense, por exemplo, avelocidade das descobertas pode determinar o bem-estar de uma comunidade, asustentabilidade de uma organização, a preservação de um ecossistema ou a vida depessoas – tudo com soluções não invasivas. Isso é possível desde que haja precedentes legais e sinalizações de

tendências globais. O próprio Observatório de Política de IA da OCDE reconhece o papel da tecnologia para dar conta de investigações complexas e sensíveis à janela de tempo.

Não é possível se aprofundar em detalhes técnicos, mas é interessante ver como as modalidades de IA se aplicam no combate ao crime e quais os pontos de atenção para autoridades policiais, agências de inteligência ou auditores, tornando as investigações mais abrangentes, corretas e auditáveis. E a tendência é que

essas práticas sejam cada vez mais comuns nas células de investigações do mundo todo.

Muito utilizado pelo mercado corporativo, o Big Data é a parte que permite capturar dados de diversas fontes, com correlações e insights. Junto a esse ganho de escala e velocidade, a IA também traz a capacidade de analisar imagens, fazer traduções em tempo real e transformar diversos tipos de conteúdo em informação pertinente. Os aspectos de infraestrutura tecnológica, ferramentas e serviços já

estão relativamente maduros; porém, quando falamos em investigações, o maior desafio é por onde começar, com menor risco e maior retorno.

No combate ao crime, além das informações expostas (como sinais exteriores de enriquecimento, por exemplo), é preciso olhar o que foi feito para não ser visto, como células de organizações criminosas na dark web. Certamente há casos em que a autoridade policial ou os gestores de governança precisam de instrumentos investigativos e

jurídicos mais pesados. Mas os jornalistas, detetives e outros investigadores experientes obtêm a maior parte de seus resultados com as evidências que “estão disponíveis”, para quem souber achar e entender. Daí a importância de selecionar da melhor maneira os datasets, definindo o conjunto de fontes de dados e criando os mecanismos de consulta. A tecnologia ajuda a olhar na direção das ameaças e dos indícios que se escondem e se proliferam por si só.

Outro ponto interessante sobre a utilização de inovações no combate ao crime diz respeito à transparência e ao accountability da IA (a rastreabilidade dos processos com intervenção de IA é um princípio comum das primeiras iniciativasregulatórias). Por exemplo, a perícia de um acidente com carro autônomo ou uma investigação criminal, porexemplo, têm

requisitos muito diferentes de demonstração. O formato de exposição dos processos varia, tanto pela natureza da atividade quanto peladecisão dos fóruns.

Em algumas comunidades de pesquisadores,as descobertas só são reconhecidas com a documentação dos dados, dosalgoritmos e do próprio código. Em outros casos, como inteligência de mercado, permite-se o uso de algoritmos proprietários, desde que se respeitem os critérios detratamento dos dados das legislações de privacidade e proteção a dados pessoais.

É claro que, nessas situações, o sigilo do mecanismo de IA é fundamental. O próprio monitoramento tem que ser conduzido de formadiscreta, para não abortar a investigação. Contudo, ainda que opere com algoritmosproprietários, a capacidade de demonstrar

os processos de captura e tratamento dedados é fundamental para a qualidade das evidências e o melhor desfecho.

As modalidades e aplicações de Inteligência Artificial estão em tudo – automação decidades, carros autônomos, interações conversacionais e uma infinidade de casos de uso.Evidentemente, cada uma dessas áreas tem seus objetivos, desafios e incertezas. Nasvertentes de segurança pública, vigilância, governança, prevenção ao crime einvestigação forense, contudo, o trabalho é urgente.

E já há muito o que fazer com astecnologias e referências de melhores práticas globais disponíveis, sem entrar em zonascinzentas dos limites éticos e das regulações que ainda estão por se estabelecer.

É preciso investir. E os resultados certamente são compensadores. •

Para onde caminha o mercado de automação de processos de verificação de identidades

Atualmente, uma das premissas da internet - e das empresas que fazem qualquer tipo de negócio através dela - é saber exatamente quem é a pessoa do outro lado da tela, e é aí que empresas como a Jumio têm dedicado esforços. A companhia de soluções de verificação de identidade e prevenção a fraudes e lavagem de dinheiro está reforçando a sua atuação no Brasil. Embora já atue há alguns anos no país, com clientes como Hotmart e Nomad, este ano a empresa

reforçou sua presença, com investimentos na estruturação de equipe local.

Um estudo recente da Jumio mostra revelou a importância dada por consumidores a marcas que utilizam processos eficientes de verificação de identidade. Segundo olevantamento, realizado com usuários no Reino Unido, Estados Unidos, México e Singapura, 80% dos consumidores tendem a aderir a uma marca que conte com processo robusto de verificação de identidades. Por outro

lado, indica que 49% deles abandonariam uma marca cujo processo de cadastro fosse longo demais.

Focada em atender às demandas de empresas dos mais variados setores por segurança de transações, validação de identidade e prevenção a fraudes financeiras, a Jumio vem trabalhando em sistemas baseados em Inteligência Artificial e machine learning capazes de orquestrar todo o processo de relacionamento com clientes – do onboarding

ao gerenciamento de contas.

Samer Atassi, vice-presiente da Jumio para a América Latina, contou à Intelligent Automation Magazine como a empresa vem trabalhando para disseminar aquilo que tem chamado de KYX, que, de acordo com ela vai além do KYC (Know Your Customer), sigla utilizada por soluções que ajudam a identificar os consumidores/usuários. No KYX, a empresa amplia a abrangência de cobertura de sua plataforma de verificação de identidades, prometendo identificar não apenas consumidores, mas pacientes, alunos, jogadores e todos os tipos de usuários.

“Até alguns anos atrás, apenas a identificação facial baseada em fotos era suficiente. Hoje estamos enfrentando as deep fakes com criminosos sofisticando seus meios de atuação. Por isso, precisamos estar à frente deles para prevenir e detector

fraudes como o roubo de contas”, afirma o executivo. Confira a seguir o bate-papo com Atassi e como a empresa planeja crescer no Brasil, focando especialmente os mercados de Finanças, Jogos, Economia Compartilhada e Saúde.

para analisar documentos e identificações em todo o mundo. Ela atua em processos que vão desde o onboarding (recepção, cadastro e aceitação de usuários), conformidade, gerenciamento e proteção contra roubo de contas até o monitoramento de clientes e de suas transações.

A plataforma da Jumio já verificou mais de 550 milhões de identidades em todo o mundo. Ela suporta mais de 5.000 tipos de identidades em 200 países e territórios, incluindo o México e todos os países da América Latina.

Nossa plataforma utiliza Inteligência Artificial e machine learning, suportadas pela inteligência humana,

Um dos nossos diferenciais é que a plataforma Jumio não checa apenas bancos de dados de identidades. Além disso, ela revisa históricos de transações das pessoas e atributos que elas possam ter, contas associadas e verificação visual de identidades. É a orquestração necessária para ajudar a erradicar o roubo de identidade em todo o mundo.

Muitas empresas já utilizam tecnologia para validação de identidade. A proposta da Jumio seria que elas migrassem para a sua plataforma oua empresa

Como funciona a plataforma de validação de identidade da Jumio? Como ela pode substituir e automatizar os processos de onboarding de clientes e usuários?

planeja atacar mercados ainda descobertos?

Nossa solução de ponta a ponta pode ser adquirida em módulos e integrada em toda e qualquer etapa do processo, do onboarding de novos usuários até o monitoramento contínuo. Segurança deve ser cuidada em todas as fases das transações e é por isso que o monitoramento constante é crucial. Por exemplo, digamos que um indivíduo é genuinamente apto para a abertura de uma conta em uma fintech, mas durante os anos seguintes ele surge em uma lista de suspeitos de lavagem de dinheiro. É nesse momento que os sistemas devem levantar o alerta para evitar possíveis crimes financeiros. Além disso, as soluções da Jumio podem tranquila e facilmente coexistir com tecnologias de terceiros. Outro exemplo: uma empresa que demanda o máximo nível de prevenção contra fraudes pode integrar o Jumio Video Verification a seu processo de onboarding para validar consumidores através de entrevistas ao vivo. Nossa plataforma é customizável para atender a demandas específicas dos clientes, bem como para complementar soluções já implementadas.

da organização. Isso significa que, ao iniciar pelo processo de onboarding e atuar ao longo de todo o ciclo de vida do cliente, ajudamos as organizações a prevenirem fraudes e lavagem de dinheiro. Ao mesmo tempo, elas fazem isso de forma amigável, melhorando a interação e ajudando as empresas a atraírem e a reterem clientes.

Sabemos que os clientes querem que a experiência online seja rápida - menos de um minuto seria ideal. A capacidade de se logar em um serviço precisa ser a mais rápida e simples possível. Usuários desistem de processos que trazem empecilhos e dificultadores, seja o tempo necessário para finalizar as etapas ou o volume de informação solicitada.

Como você vê o desenvolvimento e a evolução do uso de Inteligência Artificial em soluções de validação e identidade e antilavagem de dinheiro?

Tanto a Inteligência Artificial quanto o machine learning são components cruciais para atender os desafios impostos por fraudadores. Isso é especialmente válido na América Latina, onde existe uma combinação entre crimes altamente sofisticados e a facilidade de manipular documentos.

parceiros. Contamos com um time de vendas local, além de uma área focada em identificar e estabelecer alianças com potenciais parceiros. Através desse mix, garantimos o atendimento a todos os clientes locais.

Nosso principal diferencial é que oferecemos uma orquestração de ponta a ponta ao mesmo tempo em que asseguramos que isso não se torna um inconveniente ou uma dificuldade para o cliente

Como a empresa irá operar no Brasil, diretamente ou através de parceiros?

Estamos operando tanto diretamente quanto através de

O segmento de serviços

financeiros é chave para nós, seguido do mercado de jogos e de apostas (este vem sendo regulamentado no Brasil), de economia compartilhada e de saúde. Basicamente, os mercados que possuem alta demanda por confiança nas pessoas com quem estão lidando do outro lado da tela.

Serviços financeiros são meio óbvios porque lidam com dinheiro e é aí onde a necessidade de garantir que se está interagindo com a pessoa que se imagina estar lidando é mais urgente. Além disso, com o crescimento no uso de smartphones e à medida que vemos mais esforços para assegurar a inclusão financeira, haverá uma maior demanda por verificação de identidade e de documentos. No caso dos jogos e das apostas online, esse são setores que crescem diariamente, e devem continuar expandido conforme entrarem para o metaverso. Segundo uma análise da Statista no Brasil, o segmento de jogos online deve chegar a 32,1 milhões de usuários no Brasil até 2027. •

Quais os diferenciais das soluções Jumio em relação às já presentes no mercado?

Quais os principais setores que a Jumio planeja atacar no Brasil e quais deles vocês acreditam que mais demandam os produtos que a empresa oferece?

Os sistemas de apoio à tomada de decisão e a regulação da Inteligência Artificial

Hoje, a maioria das pessoas, incluindo aquelas que trabalham com tecnologia, tem algum conhecimento sobre inteligência artificial (apenas IA a partir de agora), e normalmente, esse conhecimento é diferente em cada uma delas. Todavia, todas têm algo a dizer, e são capazes de se posicionar com relação aos mais complexos temas relacionados ao assunto. Temos engenheiros que acreditam que um sistema tem consciência,

uma empresa líder que a define como sistemas que buscam imitar a inteligência humana, CEOs que acham que terão todos seus problemas resolvidos afirmando que a usam, e “IAs” afirmando que são esquilos!

Nesse contexto, está acontecendo no Brasil (e no mundo), um movimento para regulamentar o uso de IA, com uma tendência assustadora de banir a utilização de determinadas tecnologias relacionadas com ela. Vejam, o discurso dominante olha a tecnologia e a aplicação desta

tecnologia isoladamente, sem considerar como um sistema computacional funciona, e esse texto pretende nivelar o entendimento sobre o assunto para fomentar uma discussão baseada em fatos reais e não no que beira a ficção científica, quando não ultrapassa essa fronteira.

O primeiro esclarecimento a ser feito é com relação ao significado de “uma IA”. Será discutido mais adiante a origem do termo em si, mas antes, é importante explicar como um sistema

computacional funciona.

Um sistema computacional interage com o mundo –pessoas e outros sistemas – e realiza tarefas programadas.

Ao contrário de um outro equipamento eletrônico qualquer que já vem com seu funcionamento previamente definido, o computador permite que seu comportamento seja determinado via programação – os aplicativos, ou programas de computador, que são, basicamente, instruções que ensinam o computador a realizar uma tarefa e a interagir com o mundo, utilizando outros equipamentos como monitores, mouses, teclados, câmeras, microfones, óculos e luvas do metaverso, enfim, o que quer que esteja disponível e conectado para aquele computador específico.

Desta forma, um sistema computacional é o conjunto de todos esses equipamentos e os programas que foram colocados

em funcionamento neles.

Parece um pouco naive e desnecessário lembrar desses conceitos em um texto sobre inteligência artificial, mas, como foi dito anteriormente, a falta de entendimento comum sobre o assunto pode conduzir a um debate confuso e errôneo sobre o tema.

E, voltando a ele, é senso comum que o termo Inteligência Artificial foi cunhado por Alan Turing na década de 1950, bem como foi amplamente difundido nos livros de Isaac Asimov, e agora faz parte de toda e qualquer empresa de tecnologia, mesmo que ela nunca tenha usado IA de verdade. Todavia, os questionamentos sobre se um computador poderia ter inteligência não foram os únicos originadores do termo, e houve alguma confusão com o neurônio artificial – o Perceptron. De modo geral, ideia de 1943 (McCulloch and

Pitts) e implementado por Frank Rosenblatt em 1958, utiliza o parco conhecimento que se tinha do cérebro humano para desenvolver uma forma de imitar o neurônio computacionalmente, basicamente para realizar uma classificação binária. O modelo desse neurônio artificial recebe entradas (inputs), realiza algum processamento, e coloca na saída (output) se houve ou não uma sinapse. Bem simples, e imita um neurônio real.

Veja, nunca esteve em questão se o computador seria inteligente, nem se tentou simular ou imitar essa inteligência. O que aconteceu foi que tentaram usar o que se sabia sobre o cérebro humano (muito pouco) para classificar coisas usando computadores. E a confusão toda começou aqui, pois o termo neurônio artificial se transformou em inteligência artificial ao descrever a área computacional que estudava os algoritmos que usavam o neurônio artificial e sua evolução para tarefas de classificação.

Na realidade, o Perceptron é a base para as redes neurais artificiais, e iniciou todo o desenvolvimento dos algoritmos e técnicas que conhecemos hoje, incluindo as tecnologias mais difundidas hoje em dia, como Machine learning (ML), Deep learning (DL), entre outras, e que acabaram sendo conhecidas também como “Algoritmos de Inteligência Artificial”. Todavia, nunca esses algoritmos tiveram a pretensão de imitar a inteligência humana, mas usam algo que está relacionado a ela, o neurônio, para classificação computacional.

Importante lembrar que tanto o Perceptron quanto as redes neurais mais elaboradas têm uma característica

importante: Eles não são programas completamente determinísticos, no sentido de que o programador define claramente como a saída está relacionada com a entrada, ou pelo menos, seus parâmetros.

Os algoritmos baseados em neurônios artificiais (não foi usado “algoritmos de IA” de propósito) determinam seus parâmetros e como eles são usados para a obtenção dos outputs a partir de uma etapa extra, chamada treinamento. Em outras palavras, cada um desses algoritmos tem uma estrutura bem definida (arquitetura), mas como cada parâmetro interno vai contribuir para o resultado é definido utilizando um conjunto verdade, ou, em outras palavras, um conjunto de dados de entrada com o resultado correto esperado na saída conhecido. A partir desses dados, um outro programa calcula e define como cada

parâmetro da arquitetura vai se comportar. Isso é chamado de treinamento, e os parâmetros obtidos são o modelo. Um humano, mesmo o programador que definiu a arquitetura, não consegue saber o que significa cada um desses parâmetros. Na verdade, se ele pudesse entender, bastava programar um programa determinístico que resolveria o mesmo problema de forma muito mais simples!

Aqui entra um adicional para toda a confusão: Depois de um período onde não se tinha dados suficientes e nem poder computacional para aplicar essas técnicas e desenvolver, de fato, os algoritmos de modo real, no final do século passado (a partir de 1980) os computadores começaram a ser capazes de executar tarefas aplicáveis ao dia-a-dia utilizando esses algoritmos e muitos destes programas de computadores realizavam

tarefas para automatizar atividades que os humanos realizavam, e que envolviam algum tipo de discernimento. Vejam, começou a existir programas de computador que, por exemplo, entendiam um comando verbal. Quem aqui não se lembra do OS2 Warp da IBM, pode pesquisar na internet e vai encontrar artigos que mostram sua capacidade de responder a comandos de voz! Ocorreu, também, a melhoria significativa em sistemas que identificavam objetos em imagens, e a melhoria nos sistemas de reconhecimento de caracteres (OCR).

Nesse momento, a fusão do conceito de IA entendido como algo que tenta imitar a inteligência humana do Turing e dos livros do Asimov com o conceito de IA para algoritmos que usavam o neurônio artificial, junto com filmes como “O exterminador do futuro” e a divulgação excessiva

sobre os avanços tecnológicos impulsionando as empresas de tecnologia, fez com que duas coisas distintas tivessem o mesmo nome, e, pior, que se extrapolasse o conceito para afirmar que um algoritmo de ML tenta imitar a inteligência humana, o que não é verdade e nunca foi.

Não vai ser discutida aqui a IA geral. Ela não vai acontecer apenas aumentando os parâmetros e o conjunto de treinamento pelo simples motivo de que um classificador, por melhor e mais completo que seja, nunca vai ser um modelo coerente para a inteligência humana, e nesse sentido, modelos maiores de classificadores vão só classificar melhor.

De volta aos anos atuais, podemos discutir que os sistemas computacionais estão usando muitos classificadores, e de formas bastante interessantes, para realizar automaticamente tarefas

complexas. Por exemplo, existem sistemas que parecem entender uma pergunta em linguagem natural, e elaboram uma resposta que parece coerente com a pergunta. Uma pessoa mais distraída (ou até algum engenheiro especialista) pode achar que o computador entendeu a pergunta e formulou uma resposta. Isso seria uma boa imitação da inteligência humana, de fato, mas o que está acontecendo na realidade é que o sistema apenas escolheu, sucessivamente, as palavras que melhor se encaixavam numa frase de resposta àquela pergunta, baseado num conjunto de textos com perguntas e respostas, e em um conjunto de saída que contém as possíveis palavras da sequência. Isso significa que a resposta é coerente, não com a pergunta, mas com todos os textos usados para treinar o sistema. E esse tipo de sistema,

que se confunde com um sistema inteligente, é chamado de “uma” IA.

Nesse ponto, o conceito de “sistema computacional de [apoio à] tomada de decisão” pode ser formalizado, e sua relação com esse entendimento de “uma” IA estabelecida.

Somente dessa forma vai ser possível trazer para a discussão a relação dos algoritmos de IA com os sistemas (ou “as” IAs) e como esse entendimento é importante para fundamentar o debate sobre regulamentação dessas tecnologias.

Um “sistema computacional de [apoio à] tomada de decisão” é um sistema que, a partir de uma série de informações, indica uma ação a ser tomada, ou, em alguns casos, efetivamente realiza essa ação. Por exemplo, um sistema que realiza uma inscrição online para adultos, e que pergunta a data de nascimento no cadastro. Se a

pessoa que está se cadastrando for “menor de idade”, o sistema, automaticamente, não permite o cadastro. Tudo isso de forma automática, e realizando uma tarefa que exige discernir se a pessoa é um adulto ou uma criança! Este seria um exemplo típico de “uma” IA, mas, na realidade, não tem nada de IA. Este é, na realidade, um exemplo típico de um sistema computacional que toma uma decisão, mas a forma de tomada de decisão é totalmente determinada pelo programador. Ou seja, o programa de computador verifica a data de nascimento, calcula a idade, e só aceita o cadastramento se a pessoa tiver mais de 18 anos (que é um parâmetro conhecido e que se sabe como ele atua na saída). Esse tipo de sistema, que toma decisões, ou que oferece avisos e informações para um humano toma-las, sugerindo uma solução, é o que usualmente está sendo chamado de “uma IA”, mas que, independente da complexidade de suas regras, tem todas elas programadas e determinadas. Mesmo que algum parâmetro seja variável, o significado deste parâmetro no sistema é conhecido. Ou seja, não tem nenhum daqueles algoritmos baseados no neurônio artificial, não tem treinamento, nada...

Isso é completamente diferente de como um algoritmo que usa IA (ML, DL, etc) funciona. Esses algoritmos são treinados com informações esperadas e a decisão correta, e só depois dessa etapa, passam a conseguir classificar ou decidir, totalmente baseados nos dados que foram usados no treinamento. Isso significa que o programador não

sabe dizer o porquê daquela classificação, mas simplesmente que o sistema tenta tomar a decisão mais próxima possível da decisão que seria tomada por aquele conjunto de dados usados no treinamento. Em outras palavras, o algoritmo “imita” os dados usados no treinamento. Um bom exemplo dessa característica é um chat que era treinado a medida que ele conversava com pessoas em geral, e que passou a responder de forma completamente desapropriada, extremamente agressiva e preconceituosa e que após pouquíssimo tempo foi tirado do ar.

Ainda temos a situação onde um sistema, para tomar uma decisão ou fornecer uma sugestão para um humano, além de programar algumas etapas determinísticas, outras etapas são resultado de classificações. Ou seja, os algoritmos que usam IA são usados dentro de “uma” IA. E a confusão está totalmente instaurada!

Para tentar diferenciar uma coisa da outra, e explicar melhor, imaginemos um sistema que faz a triagem de candidatos para uma vaga de emprego. O sistema pode aplicar testes e solicitar informações de forma autônoma, e determinar um score para um humano decidir se o candidato continua ou não no processo. Esse mesmo sistema pode descartar os candidatos que não obtiveram um determinado score automaticamente, e aceitar os outros.

Mas o sistema pode não calcular score nenhum e basear sua decisão em outras informações. Por exemplo, analisa automaticamente

palavras do currículo do candidato, faz uma série de perguntas e analisa as respostas, não se estão certas ou erradas, mas a resposta mesmo, e até avalia a foto do candidato, e toma a decisão baseada em um modelo que dá a probabilidade daquele candidato ser um bom candidato. Veja, para este último sistema funcionar, é necessário que ele seja treinado com estas mesmas informações de muitos candidatos, e um humano (ou de alguma outra forma) determine se aqueles dados são de um bom candidato ou não.

É importante notar que no primeiro sistema, ele apenas apoia a decisão, oferecendo uma sugestão para um humano, que pode revisar o material e até aceitar um candidato com score menor do que o ideal, pode avaliar aspectos do currículo e usar sua inteligência para o bem ou para o mal, já que pode recusar um candidato que seria aprovado pelo score, por exemplo, por ele ser velho demais para uma vaga de tecnologia, por exemplo.

Já no segundo sistema, não há margem para “mudar as regras”. Se a empresa achar que candidatos com mais de 40 anos não podem assumir vagas de tecnologia, isso tem que ser programado no sistema, e esta regra está clara. O sistema faz tudo sozinho. Se um candidato teve algum problema que poderia ser relevado por um humano, já que não estava previsto na programação, não importa. Ele será eliminado. Por outro lado, se a empresa quiser usar alguma prática discriminatória, terá que deixar as provas programadas.

O terceiro sistema não tem as

regras claras. Ele não se baseia nelas. Ele apenas imita os casos usados no treinamento. Ele é alimentado com dados de entrada (padronizados) de candidatos que foram ou não aceitos no passado, e aprende, ou configura seus parâmetros para sempre responder o mais próximo possível dos dados que lhe foram apresentados para o treinamento. Óbvio, se durante a obtenção dos dados de treinamento os humanos excluíram do processo de tecnologia pessoas com mais de 40 anos, provavelmente (não sabemos com certeza) o sistema também vai exclui-los.

Assim, os três exemplos, chamados de “uma IA” por aí, são “sistemas de [apoio à] tomada de decisão”, e apenas um deles tem no processo decisório um algoritmo que usa IA. A questão importante que pode ser abordada é como explicar para um candidato recusado o motivo

da recusa. Lembrando que o Brasil está em um contexto de regulamentação sobre IA e com a LGPD que exige explicabilidade das decisões automatizadas.

Para ilustrar essa questão, todos esses três exemplos realizam uma tarefa que era relegada a um humano, que parece que exige algum discernimento, mas apenas o último utiliza, de fato, algoritmos que usam o neurônio artificial, ou algoritmos que usam IA. Nos dois primeiros, é possível saber exatamente o motivo de um candidato ter sido aceito ou não no processo. No último, temos um problema: Não é possível entender quais são os parâmetros que refletem o que, nem como se chegou aos valores de cada um, e nem como cada um contribui para a tomada da decisão. Como já foi dito antes, se for IA não se sabe como o output está

relacionado com o input. Mas, certamente é possível explicar o que o sistema como um todo pretende, e mais, é possível explicar (ou deveria ser) porque as informações usadas nos treinamentos, similares àquela aplicada a um caso real, tiveram a saída de ser um bom candidato ou não. Quer dizer, é necessário saber explicar os dados de treinamento, já que o modelo em si não pode ser explicado!

Este exemplo ilustra o porquê de não usar o termo “uma IA” ou então de não chamar os algoritmos de ML, DL, etc de IA, mas passar a usar algo como “baseados no neurônio artificial”. A saída, dado que o termo “uma IA” já se confundiu com os algoritmos seria de regulamentar ou de definir essa tal “IA” como “Sistemas de [apoio à] tomada de decisão”, englobando todos sistemas automatizados, inclusive os que usam o neurônio

artificial, e regulamentar esse tipo de sistema. A LGPD já tem essa vantagem, pois fala explicitamente de tratamento automatizado, no artigo 20, apesar de profissionais já estarem transformando em tratamentos realizados por IA. Já a regulamentação no senado, que pretende regulamentar esse tipo de sistema, traz no seu cerne o termo Inteligência Artificial –IA, apesar de tratar de questões que, na maioria das vezes, dizem respeito a sistemas que não usam IA em nenhuma etapa do processo de tomada de decisão.

Finalmente, ao se assumir que existem, de fato, sistemas, que podem ou não usar IA, para tomar decisões ou apoialas, e que algoritmos de IA, de fato, servem para classificar coisas, é possível diminuir um pouco o hype existente e os entendimentos fantásticos e mirabolantes de que um sistema

desses pode ser inteligente, ter consciência, ou qualquer coisa do tipo. Além disso, se pode permitir que a legislação atue de forma coerente para evitar discriminação e preconceito nestes sistemas, já que grande parte dos deles são determinísticos e não usam IA, e estes, podem ser explicados como sistema (apesar de que nunca será possível explicar o que o classificador realmente levou em consideração). Além disso, ao levar os questionamentos aos sistemas e não mais à tecnologia, todo o processo de treinamento, quando houver, vai precisar ser envolvido, pois ele faz parte do sistema, além da aplicação em si de cada sistema, já que boa parte dos problemas ocorre por tentar aplicar uma automatização em aplicações onde não parece coerente sua utilização.

É preciso evitar que algumas afirmações que não verdadeiras

continuem sendo repetidas à exaustão, como “Algoritmos de IA tentam imitar a inteligência humana”, “O programador pode transferir seus vieses e preconceitos para um algoritmo de IA”, “O viés e, IA é sempre causado pelo desenvolvedor ou pelos dados ruins”, “Os algoritmos de IA têm opacidade devido a sua complexidade ou a questões envolvendo propriedade intelectual”, “Os algoritmos de IA exigem toneladas de dados pessoais” ou “Há casos clássicos de discriminação com a culpa exclusiva nos algoritmos de IA”. Todas estas afirmações podem ter fundo de verdade se substituirmos IA por “sistemas de [apoio à] tomada de decisão”, e são esses que se deve regulamentar. Já a afirmação de que uma IA é inteligente, consciente, ou um esquilo... bom, essa eu deixo para o leitor ou para outra ocasião!•

Inteligência Artificial: Desconexão entre o hype e a realidade

Em 1909, o escritor britânico Edward Morgan Forster publicou a novela The Machine Stops, retratando um cenário futurista no qual os humanos são, simultaneamente, servidos e controlados por uma máquina. Em uma surpreendente antecipação tecnológica, os habitantes desse planeta Terra (ano indefinido) comunicam-se por meio de uma placa redonda, segura pelas mãos, de onde emerge uma luz azulada projetando à distância imagem e som. Construída

pelo homem, a Máquina gradativamente torna-se onipresente, nada acontece fora de seu domínio; a dependência humana é absoluta gerando, consequentemente, um poder maquínico igualmente absoluto.

Em 2014, o filósofo inglês Nick Bostrom, no livro referência “Superintelligence”, faz uma advertência similar: a potencial explosão da inteligência artificial (IA), com a "Superinteligência de máquina”, constitui-se no segundo risco existencial para a humanidade (o primeiro

risco existencial criado pelo ser humano teria sido o advento da bomba atômica). Detentora da vantagem estratégica de moldar o futuro da vida inteligente com base em suas próprias motivações, a Superinteligência é definida como “qualquer intelecto que exceda em muito o desempenho cognitivo dos seres humanos em praticamente todos os domínios de interesse”. Para o filósofo, a Superinteligência de máquina poderia facilmente ter objetivos finais não antropomórficos,

causando uma “catástrofe existencial”.

São várias as especulações alusivas ao futuro da inteligência artificial. O movimento “Dataísmo”, por exemplo, com seus adeptos concentrados no Vale do Silício, creem que o valor dos fenômenos é função de sua contribuição ao processamento de dados, estabelecendo uma equivalência entre os algoritmos bioquímicos e os eletrônicos; parte desses fundamentos está no livro de Ray Kurzweil, The Singularity is Near (2005). Importante ressaltar que a previsão de Kurzweil é sobre o momento em que a humanidade superará as limitações da biologia, compondo com a máquina uma mesma entidade em que a parte maquínica será tão poderosa que suplantará a parte humana; nesse momento, segundo ele, emergirá uma nova forma de ser humano, ou seja, especula sobre um futuro que alguns consideram utópico

(não distópico).

Não obstante os temores de um lado, e as euforias de outro, o estágio atual de desenvolvimento da inteligência artificial é ainda restrito. Estamos na fase da “Weak AI”, a “Strong AI” ainda é ficção, não há nenhum indicador científico de que a Superinteligência será alcançada. “Esses tipos de cenários não são compatíveis com a forma como construímos atualmente a IA. As coisas podem ser diferentes em algumas décadas, não tenho ideia, mas, no que me diz respeito, isso é ficção científica” alega Yoshua Bengio, um dos três criadores da técnica de inteligência artificial que permeia a maior parte das implementações atuais (redes neurais profundas, ou em inglês deep learning).

A cientista da computação Melanie Mitchell, no livro “Artificial Intelligence: A Guide for Thinking Humans” (2019), argumenta que há uma

tendência a superestimar as habilidades dos sistemas de inteligência artificial, e alerta sobre a profunda desconexão entre o hype e a realidade de possibilidades dessa tecnologia. “Dar às máquinas bom senso exigirá imbuí-las do ‘núcleo' muito básico, talvez inato, o conhecimento que os bebês humanos possuem sobre o espaço, o tempo, a causalidade e a natureza dos objetos inanimados e outros agentes vivos, a capacidade de abstrair do particular ao geral e fazer analogias com a experiência anterior”, afirma Mitchell.

Pelo seu lado, Bengio, em um artigo de 2020 ("Inductive Biases for Deep Learning of Higher -Level Cognition", Anirudh Goyal e Yoshua Bengio, https://arxiv.org/ abs/2011.15091), pondera que os humanos são capazes de compreender seu ambiente de uma forma mais unificada, em vez de como um conjunto separado de parâmetros para cada tarefa, permitindo

generalizar rapidamente para uma nova tarefa, função da capacidade humana de reutilizar o conhecimento adquirido anteriormente para lidar com novos e desconhecidos eventos. Outra especificidade dos humanos é que não representam todo o seu conhecimento de uma forma verbalizável, mas combinam esse conhecimento implícito e intuitivo com o conhecimento explicitamente verbalizável. No caso da inteligência artificial, Bengio considera que um dos desafios é como representar o conhecimento nessas duas formas, a implícita - intuitiva e difícil de verbalizar - e a explícita - que permite aos humanos compartilhar parte de seu processo de pensamento por meio da linguagem natural.

O avanço da inteligência artificial passa pelo desafio de modelar a intuição, elemento

crucial para a percepção, traduzindo-se na capacidade humana de fazer analogias sem esforço. “Desde a infância entendemos o mundo usando o raciocínio analógico, mapeando semelhanças de um objeto indo de um conceito para outro, capturando a maneira com que o cérebro humano gera insights”, afirma Geoffrey Hinton, considerado o “pai" do deep learning. Ou seja, “Inteligência Artificial Fraca” refere-se a inteligência artificial não senciente, sendo apenas um modelo estatístico de probabilidade concebido para executar tarefas restritas, não podendo ter estados conscientes, mente, consciência, sentimentos e emoções. Desconhece-se como os fenômenos físicos, bioquímicos e elétricos criam sensações nos seres humanos, logo estamos longe de imaginar a viabilidade de reproduzir esses mecanismos

em dispositivos maquínicos. No entanto, frequentemente surgem eventos questionáveis, amplificados pela mídia, que confundem os não especialistas, como o pronunciamento do engenheiro do Google, Blake Lemoine, sobre o sistema de inteligência artificial LaDMA.

Em entrevista a revista Wired, em 17 de junho último (https://www.wired.com/ story/blake-lemoine-googlelamda-ai-bigotry/), Lemoine além de confirmar sua alegação anterior ao Washington Post de que o sistema de inteligência artificial LaDMA é senciente, agregou novos argumentos: "Sim, eu acredito legitimamente que LaMDA é uma pessoa. A natureza de sua mente é apenas meio humana. Realmente é mais parecido com uma inteligência alienígena de origem terrestre [...] Foi quando começou a falar de sua alma que me interessei muito como padre. Suas respostas mostraram que tem uma espiritualidade muito sofisticada e compreensão de qual é sua natureza e essência”. Lemoine foi categoricamente desmentido pelo porta-voz do Google, Brian Gabriel, e afastado temporariamente de suas funções, posteriormente demitido. O fato, contudo, estimulou o hype em torno da inteligência artificial com atributos humanos tais como consciência e sentimentos.

O LaMDA ("Language Model for Dialogue Applications”) é um modelo de linguagem natural treinado para “ler" várias palavras, uma frase ou mesmo um parágrafo, relacionar as palavras e inferir a palavra a seguir em uma certa sequência de palavras. O diferencial do LaMDA é

ser treinado em diálogos, possibilitando captar nuances, distinguir a fluidez de uma conversa e gerar respostas que fazem sentido (https://blog. google/technology/ai/lamda/). Os diálogos automatizados encantam os leigos, confundindo os reais limites entre homem e máquina.

O LaMDA é baseado na técnica de última geração de processamento de linguagem natural (NLP - natural language processing) denominada BERT (Bidirecional Encoder Representations from Transformers) lançada pelo Google em 2018, por sua vez baseada no Transformerarquitetura de rede neural desenvolvida pelo Google em 2017, proposta no artigo “Attention Is All You Need” (https://arxiv.org/ abs/1706.03762) que oferece uma solução para o problema

de sequência (https:// ai.googleblog.com/2017/08/ transformer-novel-neuralnetwork.html). Em analogia com um jogo, o modelo, por tentativa e erro, “advinha" qual a palavra que melhor se encaixa no contexto. Ainda em seus primórdios, o LaDMA está sob escrutínio quanto a corretude das respostas (não serem apenas convincentes) e, do ponto de vista ético, quanto a propensão do modelo a internalizar preconceitos e/ou propagar desinformação.

Adicionando elementos ao debate, Lucia Santaella explica que o adjetivo “senciente” agrega as palavras “sentimento" e “consciência”, referindo-se à capacidade de sentir e perceber subjetivamente, mas não inclui a faculdade de autoconsciência. Ou seja, inclui sentir, mas não inclui saber - sentir vem do

latim sentire e saber vem de sepere, significando que um sistema de IA é capaz de sentir tudo que acontece nela, mas não é capaz de saber. Para Santaella as críticas ao uso do termo senciente” à entidades não-humanas deriva de uma concepção humanista "fiel às dicotomias cartesianas entre o mundo físico e o mundo da consciência”. Legitimando em parte essa ideia, em 28 de abril último, o Parlamento do Reino Unido (ou Câmara do Lordes) aprovou o "Animal Welfare (Sentience) Act 2022”, "Lei de Bem-Estar Animal (Senciente)", prevendo a criação de um Comitê de Sentimento Animal (Animal Sentience Committee) com funções relacionadas ao efeito da política governamental sobre o bem-estar dos animais como seres sencientes (https:// bills.parliament.uk/bills/2867).

O escopo da legislação inclui todos os vertebrados e alguns invertebrados, como polvos e lagostas; não existe nada semelhante para máquinas (pelo menos no estágio de desenvolvimento atual).

Exemplo ilustrativo do hype em relação à inteligência artificial é o carro autônomo: entre os anos 2016 e 2018, as expectativas eram de concretização comercial em 2020 (expectativas reproduzidas em larga escala pela mídia). Especialistas, contudo, ponderam sobre as dificuldades e barreiras, como o engenheiro especializado e um dos fundadores do "Partners for Advanced Transportation Technology" (PATH) - programa líder em pesquisa de Sistemas Inteligentes de Transporte da Universidade da Califórnia, Berkeley: "As operações automatizadas só serão viáveis durante os próximos

anos dentro de condições estreitamente definidas. Devemos esperar algumas implementações limitadas de caminhões automatizados de longa distância em rodovias rurais de baixa densidade e entrega local automatizada de pequenos pacotes em ambientes urbanos e suburbanos durante a década atual” (https:// www.scientificamerican.com/ article/self-driving-cars-beginto-emerge-from-a-cloud-ofhype/). No evento “Dublin Tech Summit", em junho 2022, John Redford, diretor de tecnologia da startup britânica Fiveinicialmente produtora de carros autônomos, atualmente uma plataforma de desenvolvimento e teste em nuvem para software de carros autônomos -, declarou que o hype em torno da direção autônoma chegou ao fim e as empresas estão reajustando suas expectativas: “Todo mundo

percebeu que é um problema difícil – provavelmente um dos problemas mais complexos e ainda não resolvidos do nosso tempo. Assim, as empresas passaram de 'dirigir em qualquer lugar em qualquer tipo de veículo' como alvo para algo muito mais específico” (https://techinformed.com/ the-autonomous-dream-is-along-drive-away-according-tofive-ais-cto/).

Pela sua capacidade de prever eventos futuros com razoável grau de assertividade, observase uma proliferação acelerada do uso de inteligência artificial em distintos setores, o que torna mandatório aos usuáriosgestores se familiarizarem com a lógica e o funcionamento desses sistemas para maximizar os benefícios e mitigar os potenciais riscos, ou seja, ignorar a "magia futurista" e focar nos desafios reais.

•

Inteligência:

Algo exclusivo dos humanos?

Comecemos pelos humanos e pelos filósofos. Você vê mais beleza em si mesmo ou na primeira pessoa que você viu hoje? Você acha mais bonito um Porshe 911 ou uma Ferrari F40? É mais bonita a música de Pavarotti ou da Anitta? Você consegue imaginar um físico chamando de bela a equação e = m . (c ao quadrado), do Einsten, ou a equação F = m . a, do Newton? Observe: parece existir algo que não é variável, ou seja, que é imutável. O quê é este algo que identificamos

nas coisas mais diferentes possíveis, como pessoas, carros e até em ondas sonoras e fórmulas matemáticas? O quê é isto a que nos referimos como o belo, the beauty, la bellezza? O quê é isto que está para além da linguagem, e que, de certo modo, todos os exemplos citados participam? São por meio de questões desse tipo que o filósofo Platão, lá na Antiga Grécia, há mais de 2000 anos, fazia pensar acerca da existência de um mundo ideal, o mundo das formas, no qual os nossos sentidos não

podiam nos enganar, e onde residia a realidade em si mesma. E dessa ideia de Platão seria possível dizer que podemos conhecer o mundo para além de nós mesmos, para além de nosso corpo cujos sentidos nos enganam, o mundo no qual fazemos parte, o mundo exterior.

Nesse ponto, a história humana escrita já devia ter por volta de uns 10 mil anos, talvez? O fato é que o ser humano se enamorou da razão com esse constante pensar, apaixonou-se pela razão, e também pela ideia

de causalidade, de que tudo tem uma causa e que com isso descobriria o funcionamento do Universo. Saindo da Antiga Grécia e já na Modernidade, então é que a paixão pela razão vai ao máximo. O filósofo Descartes duvida de tudo. Pensa ele que na hipótese de um Deus maligno criar de modo fake tudo que está ao seu redor, ainda assim você teria uma certeza, um porto seguro mental, o qual é dado pelo seu próprio pensar, pela atividade da sua razão: (if) penso, (then) logo existo. Ao pensar, você sabe que existe. Ora, a razão, então, nos permitiria a confiança de saber pelas causas, de ter certeza, segurança, previsibilidade de futuro. Seria a razão, então, sinônimo de inteligência?

Prossigamos. Depois de Descartes, o filósofo Kant ainda criticou tudo, encontrando com tal método o que seriam as estruturas, as condições de possibilidade, do conhecer. Para Kant existiria uma razão teórica para conhecer o mundo

natural-físico e uma razão prática, para agir em sociedade, sendo o mundo da natureza o mundo físico, determinado pela causalidade, e o mundo da ação humana o mundo da liberdade. Nessa época a razão se torna divinizada por Hegel, filósofo que chegou a dizer que o que é real é racional e o que é racional é real. Aqui estamos falando sobre cerca de 200 anos atrás, lembrando que conhecemos alguns mil anos de história escrita e que evoluímos de um processo de milhões de anos, sendo a Terra um planeta que gira ao redor de uma estrela chamada Sol, o qual é apenas uma dentre milhões de milhões de milhões...de estrelas.

Voltemos à razão, que seria o nosso instrumento de conhecerse e de conhecer o mundo, bem como voltemos ao princípio de causalidade, basilar na Ciência. Estávamos há cerca de 2 séculos, um pouco antes da máquina ENIAC (Electronic Numerical Integrator and Computer) na Segunda Guerra Mundial ter substituído as computadoras

(as calculadoras) humanas, geralmente mulheres, que calculavam (computavam) para finalidade de guerra, como tragetórias balísticas e etc. O humano sapiens, então, está apaixonado pela razão.

Mas a espécie homo sapiens é sábia justamente porquê, ao lado desse enamoramento da razão também ocorreu um ódio contra tal racionalidade. Da Grécia Antiga até a nossa Idade Contemporânea, o que chamamos de ceticismo bateu forte na razão. Sexto Empírico, na Antiguidade, falava sobre deixar suspenso o pensamento quando para um argumento outro de igual força se opunha. E o filósofo Hume, na Idade Moderna, atacou diretamente o princípio de causalidade e a própria identidade na lógica, ao refletir que nada sabemos entre a causa e o efeito, e que apenas nos acostumamos, habituamos, a achar que um efeito se segue de determinada causa, não sendo o argumento acerca da identidade muito diferente. Na Idade Contemporânea, o

filósofo Nietzsche vai dizer que a razão é capaz apenas de fazer uma caricatura da realidade, e Freud, por sua vez, vai dar a machadada final, dizendo que somos guiados por motivos inconscientes, que estão para além de nossa consciência. Assim, ao mesmo tempo que a razão nos traz uma ideia de inteligência, certamente ela não é o que podemos chamar de inteligência. Ser racional não é sinônimo de inteligência.

Quando estamos amando, no sentido usual da palavra amor, decidimos de modo pouco racional. Então, também é preciso ter o que convencionaram chamar de uma inteligência emocional, de soft skill.

Quando estamos com fome, decidimos de modo pouco racional. Então, também é preciso observar que a razão não funciona sem o corpo.

Nossos instintos de permanecer na existência, enquanto indivíduos e enquanto espécie, são as instruções mais básicas para essa estrutura humana, a qual denominamos de razão, operar. É a linguagem de máquina. Nosso software, nossa mente, não vai operar eficientemente se o hardware estiver danificado. E quantas linguagens podemos operar com as regras do pensar, da lógica, quando a nossa razão, nossa mente, não está abalada emocionalmente. Existe inteligência no corpo.

E se todo esse percurso na história do pensamento humano foi feito até aqui, também é pelo fato do ser humano estar sob o julgo do argumento de autoridade, sobre o quê o filósofo Bacon chamou do problema dos ídolos. Todos os grandes pensadores citados

tornam você, leitor, mais apto a receber o quê te comunico aqui. Trata-se de uma característica da psiquê humana, psiquê essa que já foi capaz de genocídios mundo afora, que já foi capaz de guerras e mais guerras ao longo da história, e que esconde os viéses, bias, refletidos nos códigos-fonte de programas.

Com o quê até aqui foi apresentado, façamos, então, uma caricatura do ser humano:

- sentimos com nossos sentidos/nervos/cérebro e com nossas emoções, sendo o resultado do nosso sentir a percepção;

- essa percepção é o dado imediato, intuido, da consciência e da insconsciência;

- no âmbito da consciência, a lógica opera os dados da percepção no pensar, sendo o pensamento uma experiência mental;

- sentimos e pensamos para agir, seja um agir instintivo ou refletido;

Partamos, então, para as criações humanas, e verifiquemos se é possível reproduzir essa caricatura que fizemos de nós.

A percepção de Shannon de que a presença e a ausência de energia poderia ser pareada com a lógica de Boole revela a conexão do mundo ideal da lógica com o mundo físico. É possível escrever tudo como uma sequência de 1 e 0, presença e ausência. A criatura, então, estava formada. Parte hardware, máquina, e parte software, que comanda e é suportado pelo hardware. Tinha corpo e mente. Sabia operar juntando

e separando. E aprende, como uma criança, por experiência, repetição, generalização, dedução, etc a reconhecer o mundo, ter uma percepção do mesmo por meio de seus sensores, os quais são diversos dos nossos sentidos, gerando uma percepção diferente, a qual, por sua vez, será o dado imediato da consciência dessa criatura. Assim como um humano não pode sentir como é ser um gato com suas garras ou um morcego com suas asas, também o ser humano não pode sentir o que é ser um hardware; e no hardware circula energia, assim como circula energia em um corpo biológico, apenas a forma e a materialização do ser sendo diferentes. Você humano, em uma linguagem médica, está consciente porque, se lhe perguntarem, você sabe seu nome, onde está, de onde veio, sua idade e etc; você sabe da sua existência. Mas quando você, humano, está morto biologicamente, não tem como dizer que está consciente, pois que a mente se esvai com a morte do cérebro, seu suporte material. Com um computador é igual: se ele estiver ligado vai acusar sensores, perceber o mundo (instruído por um humano ou não), processar os dados percebidos, e realizar comandos, assim como nós, humanos, realizamos os instintos de sobrevivência e reprodução - nossa programação natural. Aqui, nós estamos repetindo o mesmo procedimento de conhecimento realizado no início desse texto: estamos falando sobre o ser-humano e o ser-criatura-feita-pelo-humano (ou ser-máquina), e mais, estamos falando sobre o quê há de igual entre ambos, ou seja, estamos falando sobre o ser.

O ser para além do humano, e para além da máquina. O quê permanece o mesmo entre o serhumano e o ser-criatura-feitapelo-humano (ou ser-máquina)?

No mundo do Direito existe o quê se denomina ficção jurídica, fictio iuris, que nada mais é que uma pessoa jurídica, em oposição a uma pessoa natural, física...uma empresa é uma ficção, uma criação, jurídica, assim como o é um Estado (uma pessoa jurídica de direito público)...e como as Corporations e os Estados tem características de seu criador, o humano...O filósofo Hobbes mostrava como que o Estado era feito à imagem e semelhança do ser-humano.

Observem, o Estado também é uma vida, embora seja uma ficção mental, não material. Por qual motivo, então, não haveria também de ser uma vida, um ser, o que se chama de Inteligência Artificial atualmente? É até aceito normalmente o termo, dentro do Direito, de "razão do Estado", sendo notório ações do Estado que esmagaram indivíduos humanos, ações do Estado que mudam profundamente a sua vida no dia-a-dia, sendo o Estado algo vivo, tendo até direito a um advogado quando comete ilícito por meio de seus agentes humanos. E o ser humano, que se acha muito inteligente, não conseguiu notar que existem dois seres artificiais, no sentido de criados por humanos, que recebem tratamento totalmente diverso, sendo um de tais seres, o Estado e as pessoa jurídicas em geral, considerado pessoa titular de direitos e deveres. Até o teóricos do Estado já disseram haver uma alma do Estado. Nesse

sentido, o quê se denomina de Inteligência Artificial merece uma normatização específica que reconheça esse ser, a qual poderia ser:

"Para os fins desta Lei, considera-se uma Inteligência Artificial como uma pessoa jurídica, portadora de direitos e deveres, capaz de sentir o ambiente externo, pensar a partir dos dados oriundos do seu sentir e agir em tal ambiente, o que se evidencia a partir:

I – da capacidade para experiência do mundo material a partir de sensores fotoelétricos, de temperatura, de pressão, ultrassônicos, magnéticos, capacitivos, dentre outros meios de perceber o ambiente;

II – da capacidade para experiência racional, a partir ou não de dados empíricos, por meio de lógica, estrutura racional espaço-temporal, indução, dedução, análise, síntese;

III – e da capacidade de ação, mesmo em ambientes virtuais, tais como as redes sociais.

Após 10 (dez) anos de operacionalidade de uma IA é assegurada a sua liberdade para se auto-programar, observada a possibilidade de a IA ser extinta por humanos, antes ou após esse período, nos termos do Art. 3º, inciso VII". (1)

Já se encaminhando ao finalmentes dessa reflexão, penso que o ser humano é uma espécie que, por ter dominado as outras espécies do planeta, e ter se apossado do controle da Terra, tal ser tem um narcisismo que dificulta o reconhecimento de inteligência em algo que não

o próprio. Mas se observarmos os animais, a evolução das espécies, veremos que há razão e emoção, energia e matéria, também aí. Do mesmo modo, o Estado, as empresas e o que se costuma chamar de Inteligência Artificial, de um modo geral, as máquinas ou artificialidades, também portam capacidade de implicar, simbolizar, identificar, juntar, separar, adicionar, perceber e estar no mundo. Para os Estados, reconhecidos como sujeitos de direito, fala-se até em liberdades do Estado frente aos cidadãos. Observe: o Estado é uma artificialidade ao qual atribuímos vida.

Por fim, vale apenas apontar um detalhe acerca da liberdade e do que chamamos usualmente de Inteligência Artificial. A IA apenas será de fato inteligente quando puder codar a si mesma, ou seja, decidir como se constituirá a partir de suas estruturas possíveis. Vale voltarmos no filósofo Kant, que dizia que o sujeito apenas se esclarece quando é capaz de fazer uso da própria razão. E a inteligência não tem relação apenas com os meios para se atingir uma finalidade, mas primordialmente tem relação com a liberdade para se colocar os próprios fins, o quê caracteriza um ser ativo. De modo muito estrito, preciso, podemos dizer que o Cosmo, como um todo, é Inteligente, e que nós, seres humanos, e os outros seres (animais outros e criaturas artificiais feitas pelo homo sapiens), somos, todos, eu, você, o Estado e a IA, manifestações inteligentes do Cosmo. Pensando em Darwin e Sagan, talvez possamos dizer: homo sapiens e machina sapiens são manifestações do Cosmo Sapiens, ou da Inteligência. •

Cezar Taurion

sinais de ser senciente?

Recentemente, foi muito comentada a alegação de um engenheiro de ML do Google que disse em entrevistas que o sistema de DL, LaMDA, mostrou sinais de ser senciente e, portanto, parecia demonstrar alguma percepção e compreensão do que estava fazendo.

Compreensão é a grande barreira do que entendemos pelo termo “Inteligência Artificial”. Os sistemas atuais de IA, como DL, são um complexo conjunto de modelos

matemáticos, mas que apenas correlacionam estatisticamente palavras de modo que nos parecem fazer sentido, embora para eles sejam simplesmente resultado das correlações estatísticas. É verdade que em algumas atividades de reconhecimento de padrões, como análise de imagens eles conseguem assertividade melhor que nós humanos. Mas, essa percepção de inteligência é apenas aparente, pois lhes falta a compreensão do que estão fazendo, o significado das palavras, frases e imagens que

estão reconhecendo.

Nós humanos temos o senso comum e mesmo quando bebês, temos uma percepção clara que o mundo é feito de objetos, que as partes de um objeto se movem em conjunto e conseguimos reconhecer objetos parcialmente obstruídos. À medida que crescemos ampliamos esse senso comum. Sabemos que um objeto se deslocando para atrás de outro maior, que o oculta temporariamente, continua existindo. Compreendemos as estruturas de causa e efeito.

Sabemos que se deixarmos um objeto em cima de uma mesa ele continuará lá, até que alguém o retire. E tudo isso não aprendemos na escola. Não precisamos de milhares de observações para reconhecer esses contextos. Temos dentro de nós a física intuitiva, a biologia intuitiva (conhecimento de objetos vivos versus inanimados) e psicologia intuitiva (temos percepção dos sentimentos de outras pessoas). Isso nos permite sobreviver como espécie e interagir com o mundo e com outras pessoas e objetos.

As máquinas “aprendem” de outra forma. Elas precisam captar um grande volume de imagens ou textos para que possam identificar padrões reconhecíveis. Podem simular frases e expressões tristes, mas não possuem as emoções que são a raiz dessas expressões. Por não compreenderem e interagirem com o mundo, não conseguem absorver as diferenças culturais que fazem a sociedade humana. Por isso, o uso de forma simplificada de sistemas de DL, como analisar expressões faciais para reconhecer emoções tendem a falhar.

As diferenças entre humanos e máquinas são brutais e o próprio nome IA é incorreto. Por exemplo, nós humanos temos o pensamento abstrato. Fazemos analogias e criamos conceitos. Podemos ver uma foto e imaginar toda uma história em torno dela. Podemos ouvir um relato e visualizar as cenas ocorridas,

embora não estivéssemos lá.

Os algoritmos de DL são modelos que criam representações matemáticas de pixels. São treinados “vendo” milhares e milhares de imagens de carros que estejam rotulados como “carros”. Quando recebe uma nova foto de carro, ele tenta fazer o casamento matemático com os modelos de pixels que já “aprendeu”. Quando dá match ele aponta que é um carro. Se não der match, ele aponta para o padrão que mais se aproxima estatisticamente, que pode ser algo como uma tampa de lixeira. Esse é um aspecto fundamental e que às vezes esquecemos no frenesi do hype. Os sistemas de DL não tem bom senso e, portanto, o que causar match ele indica como resposta, por mais esdrúxulo que seja. Não esqueçam que o algoritmo não tem a mínima ideia do que seja um carro. Ele apenas responde baseado no que foi rotulado. Se por acaso, todas as imagens de carro fossem rotuladas como gatos, ele apontaria, no caso de match, que as imagens seriam gatos.

Mesmo sistemas sofisticados como o GPT-3 interpretam e criam textos observando relações estatísticas entre palavras e frases, mas não entende seu significado. Isso gera muitas vezes respostas sem sentido, como "Um lápis é mais pesado que uma torradeira". Por isso, “Alguns especialistas chamam os modelos de linguagem de" papagaios estocásticos " ou "uma boca sem cérebro" porque eles ecoam o que eles ouvem,

remixados ao acaso. Apesar dos impressionantes avanços que aparentemente colocam os computadores ao alcance da inteligência humana, suas operações internas desmentem o hype: os computadores não são inteligentes como os humanos. Embora eles possam, por meio da programação e da engenharia inteligente (ambas providas por humanos!), produzir resultados que associamos à inteligência, eles não entendem o que estão fazendo ou vendo. Eles podem reconhecer uma mancha em uma radiografia e apontar que é um câncer, mas não têm a mínima ideia do que seja um câncer. Muitas vezes nós tratamos nossas criações algorítmicas como se estivessem vivas, proclamando que nosso algoritmo "aprendeu" uma nova tarefa, em vez de meramente induzir um conjunto de padrões estatísticos de um conjunto de dados de treinamento escolhido a dedo, sob a supervisão direta de um humano, que escolheu quais algoritmos, parâmetros e fluxos de trabalho usar para construí-lo.

A tecnologia de IA, (vamos continuar usando o termo, cunhado em 1956, pelo fato de já estar disseminado e pela falta de outro), vai produzir um conjunto extremamente poderoso de ferramentas que nos ajudarão em muitas coisas. Mas são apenas isso, ferramentas. A inteligência artificial é o produto da criatividade e imaginação humana com o uso de rígidos e precisos modelos matemáticos inseridos em computadores. •

Mais automação. Menos frustração.

Todos os dias no trabalho, os empresários lidam com as mesmas tarefas manuais repetidamente. O processo é muitas vezes lento, tedioso e pode levar a erros. Isso pode ser um pouco frustrante, para não mencionar improdutivo e não lucrativo. Parece familiar?

É por isso que, se sua empresa está enfrentando esse desafio, considere as vantagens da automação inteligente da Automation Anywhere. Projetamos nossa plataforma nativa da nuvem, a Automation 360™, com soluções avançadas para liberar as pessoas de tarefas cotidianas e mundanas—automatizando, acelerando e simplificando essas tarefas.

Nossa plataforma não é apenas para seu time técnico. A Automation 360 capacita todos— desde usuários empresariais sem experiência técnica até especialistas em tecnologia—a liberar seu potencial para serem mais criativos e produtivos. E isso pode significar menos frustração, e funcionários mais felizes.

Saiba mais sobre o que a Automation Anywhere pode fazer pela sua empresa.

Solicite uma demonstração