[Série IA 1/3] Mitos sobre IA - Saiba a verdade

Desenvolvedor, sim, vc mesmo aí no outro lado da tela, vc já considerou "surfar na onda" da IA? "Depende" como resposta, não vale.

Garanto que vê muita coisa sobre IA por aí, mas será que tudo é verdade? Vou iniciar uma série de tópicos sobre IA aqui no Tabnews. E pra começar, vamos ver alguns mitos que se ouve sobre IA. Meu nome é Nicollas Prudencio e vem comigo que vamos abordar esse assunto.

"IA é mágica". "Ela funciona perfeitamente, olha que perfeição, parece um humano. Acho que vai até nos substituir".
NÃO! Isso tudo é mito. A IA não é mágica, houve um grande trabalho e custo pra chegar no resultado ideal. Muita gente acha que se trabalhar com IA tudo vai acontecer magicamente, as coisas vão ser facil... NÃO, CLARO QUE NÃO! Há um grande processo que considera muitos conceitos de ciencia de computação, estatística e matemática. São várias tarefas até finalmente treinar o modelo, e quando se inicia, mesmo que se saiba com mais precisão onde quer chegar, nada está definido e tudo é incertezas, dúvidas.

• Engenharia de requisitos
  Ao receber a demanda para desenvolver uma IA, o cientista de dados e engenheiro de machine learning precisam fazer toda a parte de engenharia de requisitos. Isso inclui vários tarefas complicadas pra mapear todos os requisitos necessários pra finalmente iniciar o desenvolvimento.

• Análise do negócio
  Depois, de definido e antes de iniciar o desenvolvimento, é preciso analisar se o que será projetado atende aos requisitos e realmente resolve o problema de negócio.

• Escolha e coleta dos dados
  Vc precisa definir de onde os dados que vão treinar o modelo vão vir. Vc também precisa identificar se esses dados são válidos para o treinamento, isto é, eles atendem os requisitos para treinar o modelo e obter o resultado desejado.

• Otimização dos dados
  Depois disso, com os dados já definidos será necessário fazer análise dos dados e otimizações.

• Decisões
  Desde o prcesso anterior, as decisões já começaram. As vezes é necessário fazer um cutoff, ou seja, remover uma parte do dataset pois não tem registros suficientes para o modelo aprender. Imagina que vc tem 2000 registros de dados de salario de desenvolvedor backend. Porém, no mesmo dataset, vc tem apenas 20 registros para gerente, outras profissões contem menos que isso ainda. Nesses casos que o cutoff é necessário.

• Testes dos algoritmos
  Vc sabe qual o melhor algoritmo usar pra construir um modelo de IA, já tendo todo o trabalho feito até aqui? Bom, se vc souber, me diz que também quero saber. Ninguém no planeta Terra sabe qual o melhor algoritmo usar, não é possível prever isso ou simplesmente "chutar". É regressão linear? Talvez, árvore aleatória? Não sabemos, ninguém sabe, vamos ter que descobrir. Como? Testando. Aqui são feitos treinos usando todos os algoritmos. Com os resultados desse treino, vamos definir qual foi o melhor.

• Avaliação de desempenho
  Após os modelos treinados com diferentes algoritmos, vamos vc precisa de algumas métricas pra identificar o quanto os modelos aprenderam, e compará-los, assim poderá identificar qual foi o melhor, o qual irá considerar.

• Deploy
  Com o modelo pronto, chegar apenas em 50% do processo. Isso mesmo, o trabalho é extenso, nada é fácil como pensam por aí. Sim, todo um mundo novo começa a partir daqui, que não tem nada a ver com o que foi feito até aqui. O processo de deploy é outro mundo.

"O humano vai ser substituido pela máquina."

Nesse caso, depende em qual escala uma pessoa quer dizer quando fala isso. Se for em uma escala de trabalho manual e repetitivo, sim, substituirá e isso é completamente normal. Faz parte da capacidade humana inovar, isso é mais uma forma de inovar. É claro que não é nada bom perder o emprego e ver as pessoas sendo substituidas, mas esse é o curso normal do mundo dos negócios. Se vc não sabia, toc toc, precisa acordar. O que as companhias mais querem é ter mais lucro, uma das formas disso é aumentando seu lucro líquido, e isso envolve cortar custos e/ou baratear muito seu valor. Pagar um humano é caro? Muito, exigem diversas áreas envolvidas apenas pra ter humanos trabalhando em uma empresa. Com máquinas também teria, mas em uma escala menor.

"Não é necessário supervisão em IA".
Outro mito completamente errado. As pessoas, desde gerentes e CEOs, acham que vc criou um modelo, faz deploy e pronto, agora não precisa se preocupar mais. NÃO! Conforme seu negócio vai progredindo, os modelos precisam de manutenção preventiva, retreino e muitas outras coisas. Talvez até de manutenção preventiva. Por exemplo, o chatGPT, logo no início, teve grandes problemas com preconceitos raciais em relação ao seu modelo. Ele discriminava pessoas por suas raças, imediatamente o que a OpenAI fez? Isso mesmo, manutenção. No caso, manutenção corretiva, dai foi contratado diversos engenheiros pra retreiná-la.

Com esses 3 pontos sobre mitos de IA, espero ter esclarecido. Se quiser saber mais de IA, comunidade All Stack te convida para nossa comunidade de IA recém criada, fique a vontade para participar aqui. O link da fonte trás mais mitos se quiser se aprofundar.

Deixe seu comentário com sua opnião e se o tópico te trouxe novas informações.