IA | A Inteligência Artificial veio para substituir ou ajudar os humanos?



Existe uma ansiedade natural em relação a novas tecnologias. A inteligência artificial em especial, sempre foi retratada nos filmes de ficção científica como uma ameaça aos humanos:

  • The Matrix: os humanos são escravos de um sistema de IA que cria uma ilusão de vida normal para subjugar as pessoas.

  • Exterminador do Futuro: após se tornar autoconsciente, a IA SkyNet passou a perceber os humanos como uma ameaça à sua própria existência.

  • Eu, Robô: IA VIKI chega à conclusão que ela está mais apta a comandar a Humanidade, e que o único jeito de salvar os seres humanos é oprimindo-os e instalando uma ditadura comandada por robôs.

Além desses clássicos, "Tron", "Westworld", "Ex Machina" e até "Wall-E" são filmes que mexem com o nosso imaginário e retratam a IA como super vilã.


Em suma, o cinema muitas vezes mostra que a relação entre robôs e humanos é um jogo de soma zero, onde cada lado joga contra o outro e só vai existir um vencedor. Mas é claro que a realidade não precisa ser esta.


Inteligência Artificial vs Machine Learning


Quando ouvimos falar em “inteligência artificial” no cinema ou na imprensa, muitas vezes o que está se falando são sistemas com inteligência igual ou superior à dos humanos, e que poderiam substituir as pessoas em qualquer tarefa. Porém, esses sistemas denominados de AGI sigla em inglês para inteligência artificial genérica ainda estão longe de existir.


Existem trabalhos sendo feitos nesta direção, mas os principais avanços que vemos no mundo de IA hoje em dia são para resolver problemas bem específicos. Ainda não temos a robô Rosie, dos Jetsons, que fazia todas as tarefas domésticas. Mas temos o robô Roomba, que passa aspirador sozinho na casa. Por este motivo, penso que o termo IA não está sendo bem utilizado.


Por trás destes avanços, está uma tecnologia chamada machine learning, e, mais especificamente, deep learning. Estas duas tecnologias têm como base transformar problemas em números para podermos aplicar funções estatísticas e álgebra linear para resolvê-los. Faz muito mais sentido usar a sigla ML para descrever estes sistemas.


Piloto automático vs co-piloto


Todo sistema de machine learning é, em última instância, um sistema estatístico. Então, por mais preciso que seja, vai cometer erros.


Em algumas tarefas, os erros podem ser aceitáveis. Por exemplo, todo mundo que usa o corretor ortográfico no celular sabe que, apesar de ser uma ferramenta muito útil, ela de vez em quando sugere palavras completamente erradas para o contexto. Mas existem tarefas em que a tolerância para os erros é menor do que os sistemas atuais conseguem oferecer.


Outro dia ouvi num podcast da Andreessen Horowitz (a empresa de venture capital) o conceito de piloto-automático vs co-piloto. Um sistema desenhado como piloto-automático é feito para realizar as tarefas sozinho, sem a necessidade de um operador humano. Já os sistemas co-piloto, são aqueles projetados para ajudarem os humanos nas suas tarefas, deixando-os mais eficientes.


No artigo de 2019, Michael I. Jordan, professor da Universidade de Berkeley, na Califórnia, escreveu que:

“Em um futuro previsível, os computadores não serão capazes de igualar os humanos na sua habilidade de argumentar abstratamente sobre situações do mundo real. Nós precisaremos de interações muito bem pensadas entre humanos e computadores para resolver nossos problemas mais importantes. Precisamos entender que o comportamento inteligente de sistemas de larga escala advém tanto da interação entre os agentes quanto da inteligência individual dos agentes”.

Estes sistemas co-piloto, também chamados de "human-in-the-loop", aproveitam a velocidade do ML e a sua capacidade para analisar volumes enormes de dados, para facilitar a vida do usuário.


Eles permitem que o usuário ganhe produtividade e cometa menos erros. Ao corrigir os erros do sistema, o usuário também está automaticamente ensinando o modelo, que por consequência vai ser cada vez mais preciso e vai facilitar cada vez mais a vida do usuário. Assim, o ML se torna um aliado e até um “super-poder” do usuário.


Aqui na Beaver, nós criamos o Justin, nossa IA (Justin, da Beaver, Justin Beaver, entendeu? 😉), para ser um co-piloto. A tarefa de ler e extrair informações de documentos jurídicos é bastante lenta, trabalhosa e suscetível a erros, ainda mais sem o uso de ferramentas adequadas.


Nosso sistema extrai os dados e mostra para o operador conferir. Informamos de onde veio cada dado e deixamos o usuário corrigir de forma muito simples, apenas clicando no texto do documento, caso a extração automática tenha cometido algum erro. Desta forma, o analista consegue fazer seu trabalho mais rápido e com mais precisão.


Casos de uso


Alguns de nossos principais clientes são BPOs empresas que agem como back-office terceirizado para grandes bancos. O trabalho destas BPOs consiste em ler todos os documentos relativos às operações de crédito imobiliário, para preencher o sistema do banco e emitir o contrato de empréstimo.


O documento que mais toma tempo do analista é a matrícula imobiliária. Como já falamos em um artigo anterior, este é um documento bastante complexo e despadronizado, o que exige um bom conhecimento por parte do analista que, mesmo assim, pode cometer erros na análise. Usando o nosso leitor de matrículas, os analistas puderam reduzir o tempo de análise em mais de 80%, e reduzir os erros em mais de 60%.


Outro ótimo exemplo é o nosso sistema de firmas e poderes. Um de nossos clientes precisa ler procurações e digitar todos os dados dos procuradores no seu sistema. Este trabalho, feito manualmente, pode demorar horas dependendo do número de procuradores que aparecem no documento apenas na validação de uma única empresa. Uma procuração de banco ou de grande empresa, por exemplo, pode ter mais de cem procuradores!


Hoje, este cliente faz o upload da procuração no nosso app que, em menos de dois minutos, encontra todos os nomes e qualificações dos procuradores automaticamente. Estas informações são mostradas para o usuário numa tela simples, que mostra cada procurador e seus dados. Ao clicar em um dos nomes, o sistema mostra, direto no documento, de onde vieram as informações.


Se o usuário perceber que o CPF encontrado não está correto, por exemplo, ele pode simplesmente clicar direto no documento em cima do CPF certo, que o campo é atualizado na hora. Depois de alguns minutos conferindo tudo, o usuário clica em um botão que alimenta automaticamente o sistema do cliente com os dados. Ou seja, o trabalho que antes exigia várias horas pode agora ser feito em poucos minutos, permitindo que o usuário possa gastar mais tempo realmente analisando a operação em vez de gastar horas digitando dados no seu sistema.


Da mesma forma que a IA que aprende e evolui com a interação com os humanos, os sistemas podem também ser uma excelente ferramenta de treinamento e evolução do conhecimento de seus usuários. Nossos clientes já nos reportaram que o sistema da Beaver vem ajudando a treinar novos colaboradores, que aprendem mais rápido a ler e analisar documentos.


Dito tudo isso...


Enquanto a inteligência artificial é retratada pela mídia e pelos filmes como algo que vai tornar os seres humanos obsoletos, a quase totalidade dos avanços que estão sendo feitos na indústria e na academia hoje em dia é em sistemas que ajudam os operadores humanos a realizar suas tarefas de forma melhor e mais eficiente.


Máquinas e pessoas têm tipos de inteligência diferentes, e ambas são necessárias para a maioria das tarefas. IA e humanos podem trabalhar como um time, aproveitando os benefícios das duas formas de inteligência. Como num time esportivo, o poder de combinar talentos diferentes vem mais da forma como estes talentos interagem e menos da capacidade individual de cada um.




Referências

Artigo MIT: "Artificial Intelligence—The Revolution Hasn’t Happened Yet".

Artigo Beaver: "Processamento de Matrícula Imobiliária".