Inteligência Artificial – Usos nos sistemas produtivos e impactos sobre o mundo do trabalho

0
Reprodução internet

Fernando Alcoforado*

Abstract- This essay aims to present the scientific and technological advances of artificial, their uses in productive systems and their impacts on the world of work.
Resumo- Este ensaio tem objetivo apresentar os avanços científicos e tecnológicos da inteligência artificial, os seus usos nos sistema produtivos e seus impactos sobre o mundo do trabalho.
Keywords- Artificial intelligence. Artificial intelligence and productive systems. Artificial intelligence and the world of work.
Palavras-chave- Inteligência artificial. Inteligência artificial e sistemas produtivos. Inteligência artificial e mundo do trabalho.

1. Introdução

Há muitas definições de inteligência artificial, mas muitas delas estão fortemente com o conceito de criar programas de computador ou máquinas capazes de se de forma inteligente como os seres humanos. Inteligência artificial (AI) é a capacidade de um computador digital ou um robô controlado por computador para executar tarefas comumente associadas a seres inteligentes. O termo é frequentemente aplicado ao projeto de desenvolvimento de sistemas dotados dos processos intelectuais característicos dos humanos, como a capacidade de raciocinar, descobrir o significado, generalizar ou aprender com a experiência passada.

O que é Inteligência? Os psicólogos geralmente não caracterizam a inteligência humana apenas por uma característica, mas pela combinação de habilidades diversas. A pesquisa em AI concentrou-se principalmente nos seguintes componentes da inteligência: aprendizagem, raciocínio, resolução de problemas, percepção e uso da linguagem. Quanto à aprendizagem, existem várias formas diferentes aplicadas à inteligência artificial. O mais simples é aprender por tentativa e erro. Por exemplo, um programa de computador simples para resolver problemas de jogo de xadrez. O programa pode armazenar as soluções com a posição de uma das peças do xadrez, de modo que da próxima vez que o computador encontrar a mesma posição da mesma peça, ele lembraria as soluções adotadas. Esta simples memorização de itens e procedimentos individuais – conhecida como “rote learning” – é relativamente fácil de executar em um computador. Mais desafiante é o problema de executar o que se chama generalização que está sendo enfrentado. A generalização envolve a aplicação da experiência passada a situações novas análogas.

Raciocínio é a capacidade de extrair inferências adequadas à situação. As inferências são classificadas como dedutivas ou indutivas. Um exemplo de inferência dedutiva é o caso de acidentes anteriores que foram causados por falha em um componente de uma máquina do qual se deduz que o acidente foi causado pela falha deste componente. Na inferência dedutiva, a verdade das premissas garante a verdade da conclusão, enquanto que no caso indutivo a verdade da premissa presta apoio à conclusão sem dar uma garantia absoluta. O raciocínio indutivo é comum na ciência, onde os dados são coletados e os modelos tentativos são desenvolvidos para descrever e prever o comportamento futuro até que o aparecimento de dados anômalos forçe o modelo a ser revisado. O raciocínio dedutivo é comum em matemática e lógica, onde estruturas elaboradas de teoremas irrefutáveis são construídas a partir de um pequeno conjunto de axiomas e regras básicas.

A resolução de problemas, particularmente na inteligência artificial, pode ser caracterizada como uma busca sistemática através de uma série de possíveis ações para alcançar algum objetivo ou solução predefinida. Os métodos de resolução de problemas dividem-se em fins especiais e de propósito geral. Um método de propósito especial é feito sob medida para um problema específico e, muitas vezes, explora características muito específicas da situação em que o problema está embutido. Em contrapartida, um método de propósito geral é aplicável a uma grande variedade de problemas. Uma técnica de uso geral usada em AI é análise passo-a-passo ou incremental da diferença entre o estado atual e o objetivo final. O programa seleciona ações de uma lista de meios – no caso de um robô simples até atingir o objetivo.

Na percepção, o ambiente é escaneado por meio de vários órgãos sensoriais, reais ou artificiais, e a cena é decomposta em objetos separados em várias relações espaciais. A percepção é complicada porque o objeto pode parecer diferente dependendo do ângulo a partir do qual é visto, da direção e da intensidade da iluminação na cena e o objeto contrasta com o campo circundante. Atualmente, a percepção artificial é suficientemente avançada para permitir que sensores ópticos identifiquem indivíduos, veículos autônomos, isto é, sem motorista, dirijam a velocidades moderadas na estrada aberta e robôs percorram edifícios coletando latas de refrigerante vazias. Um dos primeiros sistemas para integrar a percepção e a ação foi o FREDDY, um robô estacionário com um olho de televisão em movimento e uma mão de pinça, construída na Universidade de Edimburgo, na Escócia, durante o período 1966-73. FREDDY foi capaz de reconhecer uma variedade de objetos e poderia ser instruído a montar artefatos simples, como um carro de brinquedo, de uma pilha aleatória de componentes.

Com relação ao uso da linguagem, é importante observar que uma linguagem é um sistema de sinais com significado por convenção. Nesse sentido, o idioma não precisa ser confinado à palavra falada. Os sinais de trânsito, por exemplo, formam uma minilíngua, sendo uma questão de convenção que símbolo de perigo significa “perigo à frente” em alguns países. Uma característica importante das linguagens humanas com a percepção dos sinais de trânsito é complicada pelo fato de que um objeto pode parecer diferente dependendo do ângulo. Uma linguagem produtiva pode formular uma variedade ilimitada de frases. É relativamente fácil escrever programas de computador que parecem capazes, em contextos severamente restritos, responder com fluência em linguagem humana a perguntas e declarações. Embora nenhum desses programas realmente entenda a linguagem, eles podem, em princípio, chegar ao ponto em que seu domínio de uma linguagem é indistinguível daquele de um ser humano normal.

Desde o desenvolvimento do computador digital na década de 1940, foi demonstrado que os computadores podem ser programados para realizar tarefas muito complexas – como, por exemplo, descobrir provas para teoremas matemáticos ou jogar xadrez – com grande proficiência. Ainda assim, apesar dos progressos contínuos na velocidade e na capacidade de memória do processamento de computadores, ainda não existem programas que possam combinar a flexibilidade humana em domínios mais amplos ou em tarefas que exigem muito conhecimento diário. Por outro lado, alguns programas alcançaram os níveis de desempenho de especialistas e profissionais humanos na realização de certas tarefas específicas, de modo que a inteligência artificial neste sentido limitado é encontrada em aplicações tão diversas como, por exemplo, diagnóstico médico e reconhecimento de voz.

O aprendizado de máquina (machine learning) é um campo de ciência da computação que dá aos computadores a capacidade de aprender sem serem explicitamente programados. Arthur Samuel, um pioneiro norte-americano no campo de jogos de computador e inteligência artificial, cunhou o termo “aprendizado de máquinas” em 1959, quando trabalhava na IBM. Evoluído a partir do estudo do reconhecimento de padrões e da teoria da aprendizagem computacional na inteligência artificial, o aprendizado de máquina explora o estudo e a construção de algoritmos que podem aprender e fazer previsões sobre os dados. Esses algoritmos seguem instruções estritamente estáticas do programa fazendo previsões ou decisões baseadas em dados, através da construção de um modelo a partir de entradas de amostra.

O aprendizado de máquina é empregado em uma variedade de tarefas de computação como a filtragem de e-mail, detecção de intrusos de rede ou iniciantes mal-intencionados que trabalham para uma violação de dados, reconhecimento óptico de caracteres aprendendo a classificação e visão por computador. O aprendizado de máquina está intimamente relacionado com as estatísticas computacionais (e muitas vezes se sobrepõem), que também se concentra na criação de previsão através do uso de computadores. Tem fortes laços com a otimização matemática, que fornece métodos, teoria e domínios de aplicação ao campo. Na análise de dados, o aprendizado de máquina é um método usado para conceber modelos e algoritmos complexos que se prestam à predição. Em uso comercial, isso é conhecido como análise preditiva. Esses modelos analíticos permitem que pesquisadores, cientistas de dados, engenheiros e analistas “produzam decisões e resultados confiáveis e repetíveis” e descobrem “insights ocultos” através da aprendizagem de relacionamentos históricos e tendências nos dados.

Em 1950, o cientista da computação britânico Alan Turing já especulava sobre o surgimento de máquinas pensantes (thinking machines) em sua obra “Computing Machinery and Intelligence”, e o termo “inteligência artificial” foi cunhado, em 1956, pelo cientista John McCarthy. Após alguns avanços significativos nos anos 1950 e 1960, quando foram criados laboratórios de inteligência artificial em Stanford e no Instituto de Tecnologia de Massachussets (MIT, na sigla em inglês), ficou claro que a tarefa de criar uma máquina assim seria mais difícil do que se pensava. Veio então o chamado “inverno da inteligência artificial”, um período sem grandes descobertas nesta área e com uma forte redução no financiamento de suas pesquisas.

Na década de 1990, a comunidade dedicada à inteligência artificial deixou de lado uma abordagem baseada na lógica, que envolvia criar regras para orientar um computador como agir, com a adoção de uma abordagem estatística, usando bases de dados e pedindo para a máquina analisá-los e resolver problemas por conta própria. Especialistas acreditam que a inteligência das máquinas se equiparará à de humanos até 2050, graças a uma nova era na sua capacidade de aprendizado. Computadores já estão começando a assimilar informações a partir de dados coletados, da mesma forma que crianças aprendem com o mundo ao seu redor. Isso significa que estamos criando máquinas que podem ensinar a si mesmas a participar de jogos de computador – e ser muito boas neles – e também a se comunicar simulando a fala humana, como acontece com os smartphones e seus sistemas de assistentes virtuais.

2. O uso da inteligência artificial em sistemas produtivos

A inteligência artificial já está sendo bastante utilizada em sistemas produtivos. A Inteligência Artificial pode substituir o ser humano nas atividades de produção e, também, pode aumentar ao máximo a sua produtividade. Segundo dados expostos pela Accenture em uma de suas pesquisas, até 2035, a IA contribuirá para um aumento de até 40% da produtividade do setor industrial, diminuindo custos e aumentando a produção de manufaturas ao redor do globo. O panorama atual dos sistemas de IA permite que eles entendam todo o processo produtivo e de negócios e identifiquem, de forma automática, quais são os principais problemas que devem ser resolvidos. Uma rede neural de um sistema de IA é capaz de analisar mais de um bilhão de dados em poucos segundos, sendo uma ferramenta incrível para apoiar um tomador de decisões dentro de uma empresa, garantindo, assim, a melhor opção dentre as possíveis. Como os dados coletados são constantemente atualizados, os sistemas de IA sempre atualizam, também, seus resultados, viabilizando que os gestores tenham acesso a informações recentes de variações ocorridas no mercado de atuação da empresa. Entre os benefícios da IA para os sistemas produtivos estão:

Confiabilidade das decisões: a automatização e disponibilidade de dados permitem tomadas de decisão conscientes, com confiança de que serão as melhores alternativas sempre.

Insights: além de buscar por informações em determinados momentos, analisar os dados apresentados pela IA também pode gerar oportunidades de negócios que não teriam sido visualizadas de outra forma.

Segurança: manter sistemas de IA dentro da empresa ajuda a evitar erros e vazamentos de dados por parte de colaboradores, uma vez que seu contato com as informações diminui consideravelmente e vários processos passam a ser realizados pelo sistema.

São vários os exemplos de aplicação de IA no setor empresarial com o objetivo de auxiliar e melhorar a produtividade. Veja alguns exemplos de como a Inteligência Artificial vem sendo utilizada:

Assistentes virtuais
Temos vários exemplos de assistentes virtuais que se utilizam de tecnologias como reconhecimento de voz para captar e entender as demandas de seus usuários e processar comandos. Mesmo que essa tecnologia ainda não tenha garantido um lugar cativo dentro dos escritórios, já é possível utilizar as assistentes virtuais para diversas atividades, o que facilita a vida dos colaboradores e melhora a sua produtividade. Por exemplo, esses sistemas já são capazes de marcar reuniões, administrar agendas, realizar pesquisas, dentre outras atividades, todas coordenadas por comandos de voz, facilitando a vida dos colaboradores de uma empresa. Os principais players do mercado atualmente são a Amazon, com a sua solução Alexa, a Microsoft com a assistente Cortana, a Apple com a famosa Siri e o Google Assistente, da gigante das buscas.

Previsão de demanda
A IA e o aprendizado de máquina permitem que suas soluções prevejam demandas do mercado por meio de modelos matemáticos complexos, o que é uma ótima maneira de estar um passo à frente da concorrência. Uma vez que os sistemas de IA identificam uma oportunidade futura de negócios, eles podem repassar essa informação ao tomador de decisão, que decide qual atitude irá tomar diante da previsão.

Identificação de ameaças
A segurança da informação dentro de uma empresa é fundamental para garantir a continuidade dos negócios e, consequentemente, a sua produtividade. A IA pode ser utilizada para realizar levantamentos constantes da infraestrutura da empresa e garantir a sua proteção. Além disso, soluções de inteligência artificial podem realizar a manutenção preventiva de diversos sistemas, evitando, assim, que eles fiquem desatualizados ou apresentem lentidão, o que pode acabar afetando os processos da empresa.

Verificar a satisfação de colaboradores
A alta rotatividade de funcionários pode acabar se tornando um problema para a produtividade, pois se perde tempo com treinamentos, sendo que o colaborador perde o interesse ou busca outras oportunidades pouco tempo depois. Soluções de IA podem acompanhar os colaboradores, analisando seus dados e identificando insatisfações, dessa forma, auxiliando o RH a tomar as medidas necessárias para manter o profissional satisfeito e produtivo.

O investimento em tecnologias que utilizem a IA para aumentar a produtividade empresarial tendem a aumentar gradativamente. As empresas poderão lançar mão de diversas estratégias para se manterem competitivas no mercado. Porém, é preciso que desde já exista um investimento em transformação digital e processos cada vez mais enxutos para se aproveitar dessa evolução. Organizações que deixam de realizar essa adaptação podem estar selando o seu destino ao fracasso, uma vez que não poderão mais acompanhar o ritmo frenético da evolução das tecnologias.

3. Os impactos da inteligência artificial sobre o mundo do trabalho

BRYNJOLFSSON e McAFEEE afirmam, no livro The Second Machine Age (A segunda era da máquina), que a combinação do poder de computação maciço com redes abrangentes, aprendizado de máquinas, mapeamento digital e a “Internet das coisas” estão produzindo uma revolução industrial completa, na mesma escala que as transformações causadas pela energia a vapor e a eletricidade. A consultoria Boston Consulting Group prevê que, em 2025, até um quarto dos empregos seja substituído por softwares ou robôs, enquanto que um estudo da Universidade de Oxford, no Reino Unido, aponta que 35% dos atuais empregos no país correm o risco de serem automatizados nas próximas duas décadas (BRYNJOLFSSON e McAFEEE, 2016).

Martin Ford afirma que em nossa economia e sociedade, as máquinas estão gradualmente passando por uma transição fundamental: elas se desenvolvem além do seu histórico papel como ferramenta e, em muitos casos, se tornando “trabalhadores autônomos” (FORD, 2015). Se aceitarmos a ideia de que é irrealista barrar a automação e que mais investimento em educação e treinamento seja improvável de resolver o problema do desemprego, Ford considera que a solução mais eficaz consiste na adoção de uma política de garantia de renda para os trabalhadores. Esta ideia não é nova. Friedrich August von Hayek, economista e filósofo austríaco, posteriormente naturalizado britânico, considerado um dos maiores representantes da Escola Austríaca de pensamento econômico, foi o proponente desta ideia quando publicou entre 1973 e 1979 sua obra Law, Legislation and Liberty (Routledge, 1988).

Além da necessidade de prover uma renda básica líquida para os trabalhadores desempregados, Ford (2015) afirma que há um poderoso argumento para a adoção da política de garantia de renda porque o avanço tecnológico, além de promover o desemprego em massa e vertiginosa desigualdade social, ameaça o próprio capitalismo com a perspectiva de queda vertiginosa do consumo. Como o mercado de trabalho continua a erodir e os salários estagnam ou caem, o mecanismo que assegura o poder de compra dos consumidores começa a quebrar e a demanda por produtos e serviços diminui, em consequência. Diante deste fato, a política de garantia de renda proporcionaria as condições para os trabalhadores desempregados consumirem. Competiria aos governos dos países do mundo cobrarem imposto das empresas de alta tecnologia para assegurarem a adoção da política de garantia de renda à população desempregada. O Programa de Transferência de Renda através do qual o Estado proporcionaria renda às pessoas desempregadas seria complementada pela adoção da Economia Criativa e da Economia Social e Solidária como solução para combater o desemprego em massa resultante do avanço tecnológico.

O termo “Economia Criativa” se refere a atividades com potencial socioeconômico que lidam com criatividade, conhecimento e informação e seriam menos afetadas pelo avanço da inteligência artificial. Para entendê-la, é preciso ter em mente que empresas deste segmento combinam a criação, produção e a comercialização de bens criativos de natureza cultural e de inovação como Moda, Arte, Mídia Digital, Publicidade, Jornalismo, Fotografia e Arquitetura. Em comum, empresas da área dependem do talento e da criatividade para efetivamente existirem. Elas estão distribuídas em 13 diferentes áreas: 1) arquitetura; 2) publicidade; 3) design; 4) artes e antiguidades; 5) artesanato; 6) moda; 7) cinema e vídeo; 8) televisão; 9) editoração e publicações; 10) artes cênicas; 11) rádio; 12) softwares de lazer; e, 13) música. É importante dizer que, por focar em criatividade, imaginação e inovação como sua principal característica, a economia criativa não se restringe apenas a produtos, serviços ou tecnologias. Ela engloba também processos, modelos de negócios, modelos de gestão, entre outros (DESCOLA, 2016).

A Economia Social e Solidária é um novo modelo de desenvolvimento econômico, social, político e ambiental que tem uma forma diferente de gerar trabalho e renda, em diversos setores, seja nos bancos comunitários, nas cooperativas de crédito, nas cooperativas da agricultura familiar, na questão do comércio justo, nos clubes de troca, etc. A Economia Social e Solidária constitui uma nova forma de organização do trabalho e das atividades econômicas em geral emergindo como uma importante alternativa para a inclusão de trabalhadores no mercado de trabalho, dando uma nova oportunidade aos mesmos, através da autogestão. Com base na Economia Social e Solidária, existe a possibilidade de recuperar empresas de massa falida, e dar continuidade às mesmas, com um novo modo de produção, em que a maximização do lucro deixa de ser o principal objetivo, dando lugar à maximização da quantidade e da qualidade do trabalho (LACROIX e SLITINE, 2016).

4. Referências

AGRAWAL, Ajay; GANS, Joshua e GOLDFARB, Avi. Prediction Machines. Boston: Business Review Press, 2018.

BRYNJOLFSSON, Erik e McAFEEE, Andrew. The second machine age. New York: paperback, 2016.

DESCOLA. A economia criativa no mundo moderno. Disponível no website <https://descola.org/drops/a-economia-criativa-no-mundo-moderno/>, 2016.

DORMEHL, Luke. Thinking Machines. New York: Tarcher Perigee Book, 2017.

FORD, Martin Rise of the Robots. New York: Basic Books, 2016.

GANASCIA, Jean-Gabriel. Le mythe de la Singularité. Paris: Éditions du Seuil, 2017.

VON HAYEK, Friedrich August. Law, Legislation and Liberty. Abingdon: Routledge, 1988.

KAPLAN, Jerry. Artificial Intelligence. New York: Oxford University Press, 2016.

LACROIX, Géraldine e SLITINE, Romain. L ́économie sociale et solidaire. Paris: Presses Universitaires de France, 2016.

* Fernando Alcoforado, 79, condecorado com a Medalha do Mérito da Engenharia do Sistema CONFEA/CREA, membro da Academia Baiana de Educação, engenheiro e doutor em Planejamento Territorial e Desenvolvimento Regional pela Universidade de Barcelona, professor universitário e consultor nas áreas de planejamento estratégico, planejamento empresarial, planejamento regional e planejamento de sistemas energéticos, é autor dos livros Globalização (Editora Nobel, São Paulo, 1997), De Collor a FHC- O Brasil e a Nova (Des)ordem Mundial (Editora Nobel, São Paulo, 1998), Um Projeto para o Brasil (Editora Nobel, São Paulo, 2000), Os condicionantes do desenvolvimento do Estado da Bahia (Tese de doutorado. Universidade de Barcelona,http://www.tesisenred.net/handle/10803/1944, 2003), Globalização e Desenvolvimento (Editora Nobel, São Paulo, 2006), Bahia- Desenvolvimento do Século XVI ao Século XX e Objetivos Estratégicos na Era Contemporânea (EGBA, Salvador, 2008), The Necessary Conditions of the Economic and Social Development- The Case of the State of Bahia (VDM Verlag Dr. Müller Aktiengesellschaft & Co. KG, Saarbrücken, Germany, 2010), Aquecimento Global e Catástrofe Planetária (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2010), Amazônia Sustentável- Para o progresso do Brasil e combate ao aquecimento global (Viena- Editora e Gráfica, Santa Cruz do Rio Pardo, São Paulo, 2011), Os Fatores Condicionantes do Desenvolvimento Econômico e Social (Editora CRV, Curitiba, 2012), Energia no Mundo e no Brasil- Energia e Mudança Climática Catastrófica no Século XXI (Editora CRV, Curitiba, 2015), As Grandes Revoluções Científicas, Econômicas e Sociais que Mudaram o Mundo (Editora CRV, Curitiba, 2016), A Invenção de um novo Brasil (Editora CRV, Curitiba, 2017), Esquerda x Direita e a sua convergência (Associação Baiana de Imprensa, Salvador, 2018, em co-autoria) e Como inventar o futuro para mudar o mundo (Editora CRV, Curitiba, 2019).

 

COMPARTILHAR

DEIXE SEU COMENTÁRIO

Please enter your comment!
Please enter your name here