Canvas Cognitivo no III WORKSHOP CIÊNCIA DE DADOS, BIG DATA E ANALYTICS

Realizado em 02/10/18 na PUC-MG no III WORKSHOP CIÊNCIA DE DADOS, BIG DATA E ANALYTICS a OFICINA  – INTELIGÊNCIA ARTIFICIAL E O CANVAS COGNITIVO

A inteligência artificial na transformação da sociedade, das organizações e do trabalho, prometendo um futuro bem diferente.  O que podemos esperar da revolução digital em um mundo direcionado a dados (data-driven) e a algoritmos? Como alguns players estão disponibilizando suas soluções de IA em paralelo ao mundo Open Source?  Em meio a todo esse cenário de mudanças, como mapear, modelar e analisar projetos cognitivos?  Qual o skill necessário e como modelar utilizando o Canvas Cognitivo? Além de todo o conteúdo haverá uma dinâmica na prática com o uso do Canvas Cognitivo.
A AION patrocinou o evento e esteve presente com o Canvas Cognitivo.

Reconhecimento de doenças em plantações

Reconhecimento de doenças em plantações

Este projeto tem objetivo de fornecer informações sobre pragas e doenças para agricultores de pequeno a grande porte.

O projeto consiste no treinamento de algoritmos de reconhecimento de imagens através de Deep Learning para identificar as principais doenças e pragas existentes em plantações de café (inicialmente).

O modelo é treinado e a dinâmica funciona através de um APP no smartphone. A foto é retirada na plantação e enviada para a nuvem com informações de localidade. Ela é comparada ao BD de doenças e o retorno para o agricultor é formado pelo % de certeza da doença identificada.

Em paralelo a indústria de agrotóxicos e de entidades que pregam o cultivo sem agrotóxicos podem acessar a base e trabalhar o mercado, tanto na prevenção quanto no tratamento, além de treinamento aos agricultores.

O modelo do Canvas Cognitivo poderia ser este abaixo.  São várias as possibilidades de API´s de reconhecimento de imagens e de bibliotecas. Optamos pelo Tensorflow neste exemplo.

O parceiro escolhido para que o projeto se torne nacional seria a Embrapa e a aion a empresa de IA a desenvolver a solução.

 

Inteligência Artificial e o mundo orientado a dados

A inteligência artificial (IA) na transformação da sociedade, das organizações e do trabalho, prometendo um futuro bem diferente. O que podemos esperar da revolução digital em um mundo direcionado a dados (data-driven) e a algoritmos: Escassez ou abundância? Quais impactos e perspectivas para a economia capitalista, para o nosso trabalho e a vida de cada um de nós?

Em uma apresentação na SUCESU MINAS, para o projeto SUCESU SABER, relatei sobre este tema instigante.

Entre o lado esquerdo, representando a Abundância, e o lado direito representando a Escassez, fomos dialogando na apresentação para entender qual seria a inclinação mais provável e porque? Há muita gente falando sobre o assunto, pois falar de futuro é até fácil, já que não é preciso provar… Mas ao menos vamos entender:

Nosso crescimento é exponencial, OK eu sei, todo mundo diz isto hoje, mas temos que passar por este entendimento…

Do computador da IBM de 5 Mb de 1956 até hoje, muito evoluímos em termos de tecnologias. Hoje 512 Gb cabem na ponta de seu dedo, e continua a diminuir o tamanho com aumento de capacidade. A CPU que trabalha em processamento sequencial ganhou apoio da GPU – Unidade de Processamento Gráfica que tem avançado muito e apoiado toda a evolução das tecnologias de IA com o processamento paralelo que propiciam.

Mas, apesar de toda a evolução tecnológica, o mundo tem sofrido de falta de crescimento de forma genérica. Em toda revolução industrial houve aumento de % de crescimento do PIB, mas esse não se manteve nos últimos 50 anos. Com taxa de % de crescimento do PIB em torno de 3,5% o capitalismo tem sofrido bastante e nós também.

O capitalismo exige crescimento. A cada ano espera-se mais gente entrando na economia e sem crescimento não se consegue absorver a todos.

Esta figura acima mostra um pouco este fato. Existe uma tendência de redução do crescimento advindo de pessoas, empregos, até pela redução da natalidade em países mais desenvolvidos. Porém, se isto ocorre e o % de crescimento advindo da produtividade apenas se manter, cairemos dos 3,5% para 1,9%. Fim do capitalismo? desemprego? E se o crescimento da produtividade cair?

Mas o mundo está mudando. Alguns empregos realmente não queremos mais, queremos sim evolução para suportar nosso crescimento e a possível “Abundância”.

Este tipo de trabalho acima, logicamente tem seu valor e sustenta a família, mas não tem capacidade e produtividade para fornecer esta abundância. O mundo precisa de novas tecnologias e processos. As ferramentas evoluíram, a tecnologia evoluiu.

Hoje este é o caminho. Tratores trabalhando sem cabine, com inteligência artificial, para produzir em larga escala. De manhã, tarde e noite a produção não precisa mais parar.

E não seria o fim dos empregos, muitos serão criados, mas é um momento de transição que gera preocupação e deve ser gerenciado sim. Porém não travado.

Segundo a Accenture, e eu concordo com ela, a IA é o caminho, o novo fator de produtividade, que pode sustentar o crescimento do PIB nos patamares necessários, por vota de 3,5% até mais em alguns países.

Entendido que o capitalismo exige crescimento, sem o qual ele entra em colapso, e que a IA é um caminho real, factível, temos que surfar nesta onda. Mas que IA é esta? Aquela dos filmes, a Strong AI ou IA Forte? Onde os robôs são melhores que nós e destroem a raça humana? Por hora não, estamos longe. Hoje a realidade é chamada de Weak AI, ou IA Fraca. Não uma desqualificação da IA, apenas nomes. A IA “fraca” é a que propicia a previsão acima da Accenture, de que computadores e robôs atuem no aumento da produtividade conosco.

Homem + Máquinas em conjunto. Por que? Porque cada um é bom em alguma coisa. Segundo o MIT Management Sloan: “O mecanismo de pesquisa do Google é ótimo para recuperar artigos de notícias sobre jogos de beisebol, por exemplo, mas não pode escrever um artigo sobre o jogo da Liga Infantil de seu filho. O Watson da IBM supera os humanos no Jeopardy !, mas o programa que jogou o Jeopardy! não pode jogar o jogo da velha, muito menos o xadrez. Os Teslas conseguem (mais ou menos) dirigir-se, mas não conseguem pegar uma caixa em uma prateleira do armazém.”

Estamos na etapa inicial, onde computadores são muito especializados naquilo que fazem. Ainda longe de possuírem uma consciência de si. Consciência é experiência e, conforme relata Michio Kaku, os robôs, a IA, não sabem sequer que a água é molhada. Não perguntam além do que são programados para tal.

A Deloitte representa nesta figura abaixo a colaboração ideal entre homens e máquinas:

Pronto, com IA, Machine Learning e Deep Learning temos entregas muito interessantes para a humanidade advinda das máquinas, dos algoritmos.

A IA fornece possibilidades às máquinas como: ler, falar, ver imagens, traduzir línguas, etc. Já no campo do Data Driven, do aprendizado com dados, o Machine Learning (ML) e a sua especialização, Deep Learning (DL), potencializam as entregas da IA acima e ajudam na tomada de decisão. O dado começa a nos dizer muito. Antes não tínhamos capacidade de processamento nem muitos dados, hoje temos tudo isso, apesar de muito lixo nos dados que precisam ser tratados ainda.

A melhor representação que vi sobre este campo de conhecimento é esta acima. A ligação rica entre a IA, Big Data e Data Science. Hoje o assunto quente está no cientista de dados, no Machine Learning. Profissional escasso ainda, que precisa compreender de tecnologia, matemática, comunicação e negócios. Vejo muitos com foco nas tecnologias (algoritmos, frameworks, desenvolvimento) e poucos com entendimento dos negócios e na comunicação.

Alguns trabalhos já são realidade e outros da lista abaixo em pouco tempo serão realidade:

  • Engenheiro de IA
  • Engenheiro de Machine Learning
  • Engenheiro de Visão computacional
  • Detetive de dados – Explicadores de Machine Learning
  • CEO – Chief Ethical Officer
  • Gerente de desenvolvimento de negócios com IA
  • Gerente de equipes homem + máquina
  • Curador de memórias pessoais

Além de funções novas, entregas novas! Nosso conhecido BI – Business Intelligence e Business Analytics nos ajudam muito nas tomadas de decisões com descrições do que ocorreu, mas o que ocorrerá, o que se deve fazer vem da IA, conforme o Gartner nos mostra nesta figura abaixo. A capacidade prescritiva vem da IA, do ML.

A riqueza dos dados está no Machine Learning com suas várias técnicas para entregar “algumas coisas”, não tudo. ML não é mágica. Podemos classificar, prever números, clusterizar, aprender com erros, técnicas retratadas na figura abaixo.

 

Dependendo do caso o cientista de dados saberá aplicar, se uma técnica supervisionada ou não supervisionada, por exemplo. Dependerá se existe uma variável alvo ou não, se existe respostas já para testar o modelo, se pretende-se identificar um número ou classificar….

Como se faz hoje a inserção da IA nas empresas? Através de uso de API´s de IA, ou estudios, ou desenvolvimento próprio com soluções Open Source disponíveis. De Watson, AWS, Microsoft e Google com suas API´s e estúdios, passando por frameworks como CNTK, Spark, Caffe, Torch, Keras, Mxnet, Tensorflow, etc e desenvolvendo diretamente em Python, por exemplo, com suas bibliotecas ricas como SciPy, matplotlib, etc. Um mundo de alternativas, das mais simples como chamadas a API`s já treinadas, a desenvolver a própria aplicação e treinar os modelos próprios. Abaixo algumas delas:

Na busca pelo melhor caminho, as dificuldades são muitas, como ter metodologia e ferramenta para modelar o projeto de IA.  Por essa razão foi idealizado o Canvas Cognitivo, fruto das consultorias anteriores que realizei e da dificuldade em ter uma metodologia fácil, inteligível e boa para tal, retratado na figura abaixo.

Bem, além dessas informações, muito mais foi apresentado e discutido na SUCESU Minas sobre o tema, mas aqui não seria local para conseguir passar tudo mesmo. Em resumo:

“Temos uma necessidade de crescimento advinda do próprio capitalismo (e não é que socialismo seja melhor, pelo contrário) que pode gerar certa abundância para todos se conseguirmos gerenciar este crescimento com apoio da inteligência artificial, gerando uma sociedade melhor, com menos doenças e mais produtividade.”

Sérgio Viegas –  aion.ai, Criador do Canvas Cognitivo www.canvascognitivo.com.br e do Meetup de IA ( https://www.meetup.com/pt-BR/Meetup-de-Inteligencia-Artificial/ ), é Vice presidente de Inteligência Artificial da SUCESU Minas.

sergio@aion.ai

Supermercado – reconhecimento de imagens – continuação

Cliente: Supermercado

Dando sequencia ao post anterior, a equipe do projeto do supermercado chegou ao modelo do Canvas Cognitivo abaixo para apresentação à diretoria. A opção escolhida foi usar o SageMaker da AWS como plataforma para o modelo de deep learning que será desenvolvido sobre a API do Tensorflow de detecção de objetos.

O Modelo será treinado usando servidores com BD S3 da AWS, pagos sobre demanda, apenas no tempo necessário para treinamento e testes.

Neste estágio de levantamento de informações sobre o projeto  já se tem maior noção do aumento previsto de vendas e os custos já estão mais claros, próximos de R$ 200.000,00 para o projeto no primeiro ano e um custo variável recorrente de cerca de R$ 2.500,00.

A opção pela Amazon dá maior escalabilidade ao projeto, podendo subir ou descer a capacidade de processamento e armazenamento conforme os clientes utilizem o APP.  Este gerenciamento poderá ser feito inclusive por horas de pico, com aumento de capacidade em determinadas horas do dia que apresentam maior movimentação nos supermercados.  Horários mais tranquilos terão capacidade de máquina reduzida visando redução de custos.

A opção de uso do Chatbot com Amazon Lex é viável financeiramente e será implantada após estabilização do APP e das aplicações de IA.

Reconhecimento de imagens em supermercados

O cenário de varejo, atacado e distribuição é altamente competitivo. A informação é um item valioso para que as empresas possam entregar seus produtos no menor custo possível, da melhor forma possível, visando uma maior lucratividade já apertada pela concorrência.  O segmento está se tornando data-driven com muita força.  O dado é o novo petróleo !

Este projeto aqui apresentado é um exercício que visa o aumento das vendas em supermercado, utilizando-se de um APP, que possibilita tirar fotos dos produtos no momento da compra e receber informações úteis que agreguem para o comprador, tais como:

– Preço do produto na gôndola

– Descontos propostos ao cliente

– Ingredientes do produto ou itens que o compõem

– Receitas possíveis ou formas de uso

– Imagens de produtos prontos ou em uso

– Recomendações de produtos complementares

Um exemplo abaixo.  Ao tirar uma foto de uma caixinha é possível apresentar a imagem de um prato já pronto, aumentando o desejo pelo produto.

 

Além do apelo visual, mais agradável, com produtos prontos (pratos) ou em uso (roupas, brinquedos, etc), a solução do APP possibilita precificação dinâmica por perfil do cliente, oferecendo descontos a clientes VIPs, por exemplo.

O supermercado fatura hoje 100 milhões ao mês e a previsão de aumento do faturamento com o APP vai de 5 a 7 milhões.  Esses números precisam ser refinados e as tecnologias descritas com mais detalhes, mas não neste momento, ainda inicial, de levantamento do projeto. Momento este que não exige o aprofundamento que, se realizado, pode atrapalhar a ideia e sua elaboração, focando em detalhes técnicos e de viabilidade que ainda não se fazem necessários.

Existe uma noção de que os preços recorrentes (mensais) são bem baixos para usar uma IA e que o investimento inicial é também facilmente recuperado pelas vendas previstas, o que possibilita, nesta visão inicial, atuar com as imagens e com o BOT (Conversação) que seria um item opcional no projeto.

Abaixo o primeiro rascunho do Canvas Cognitivo para o projeto. Este seria um draft apresentado à direção para tomada de decisão sobre refinar ou abortar.

 

No próximo post mostraremos o detalhamento deste projeto, em sua segunda fase onde a aprovação da diretoria ocorreu para que o projeto avance, usando o Canvas Cognitivo propriamente dito e as API´s e tecnologias necessárias.

Usando aprendizado de máquina para recomendar produtos

“Aproveite que você vai comprar esse livro sobre receitas de comidas mexicanas, tipicamente ardidas, e leve as exóticas pimentas dos países asiáticos”. Utilizar a inteligência artificial, mais exatamente o aprendizado de máquina, ou machine learning (ML), é o objetivo do Canvas Cognitivo apresentado abaixo.
O projeto tem um problema bem específico: a empresa proprietária de uma loja virtual e física deseja aumentar as vendas a partir de sistemas de recomendações, como os existentes na Amazon. Toda vez que um comprador fechar um negócio ou realizar uma pesquisa, o sistema mostra produtos complementares. O Valor principal a ser gerado é o aumento das vendas para quem contrata a implantação, com o aumento das vendas a partir de recomendações de produtos.
Seu Caso de uso, portanto, é entregar recomendações de produtos que complementem uma compra ou pesquisa realizada pelo consumidor.
A solução pretendida tem como alvos — os Clientes ou stakeholders — tanto os visitantes das lojas virtuais como o apoio a vendedores das lojas físicas. O objetivo é dar agilidade nas recomendações de produtos alternativos a partir da identificação do perfil da aquisição realizada ou mesmo pretendida.
O Engajamento, ou seja, o relacionamento entre o cliente e a loja, seja virtual ou física, vai ocorrer por meio de chatbox ou através de atendentes que utilizam recursos de CRM.

A Solução

O sistema a ser desenvolvido utilizando técnicas de machine learning. Ele precisará “entender” e registrar os padrões de comportamento dos consumidores presentes nas bases de dados. Para alcançar o objetivo, no caso em estudo, são recomendados Parceiros e Tecnologias com expertise na área de tecnologia de inteligência artificial.
São várias formas de desenvolver uma solução como essa. Neste caso sugerimos as Aplicações – API’s e ML’s com a linguagem Python e algumas bibliotecas Python. Consideramos que os Dados e integrações a realizar vão envolver dados de visitação  — quem visitou, onde clicou, qual o perfil –, de vendas — itens comprados — e cadastro de clientes e visitantes.

Investimentos

 A proposta apresentada imaginada neste canvas tem como um dos atrativos a possibilidade de não gerar Custos recorrentes – API’s e ML’s  para quem contrata. Afinal, sendo um sistema desenvolvido diretamente em Python ele não vai requerer API`s com custos recorrentes. O Custo do projeto, portanto,  estará vinculado ao desenvolvimento da solução e à sua implementação.
Do ponto de vista do dimensionamento de consumo, a Volumetria terá como foco a identificação do número de visitantes e pesquisas realizadas mensalmente, porém com foco na estrutura de Datacenter e sistemas para suportar o projeto, e não em consumo de APi´s . Do ponto de vista do acompanhamento da Receita / ROI gerada pelo projeto, está previsto um aumento de vendas significativo.
Canvas Cognitivo - recomendação de produtos complementares
Canvas Cognitivo – recomendação de produtos complementares

Usar API´s de IA ou desenvolver os modelos?

O uso de API’s, as interfaces de programação de aplicativos das grandes empresas de tecnologia, como a Amazon, IBM, Microsoft e Google, entre outros, em projetos de inteligência artificial, pode ser mais mais simples do que possa parecer, mas não necessariamente é o melhor caminho.

Algumas podem ser uma espécie de caixa preta, recebem dados, são treinados automaticamente e devolvem uma saída, facilitando o desenvolvimento de projetos, propiciando agilidade. Na prática, as API’s  viabilizam projetos mais rapidamente, mas para cada caso há de se avaliar os objetivos e recursos disponíveis.

 

Veja o caso das aplicações Amazon Web Service (AWS), de reconhecimento de imagem, conversação e fala da Amazon, aplicada a serviços de inteligência artificial, como na figura acima. As API´s podem ser chamadas por diversas aplicações do cliente, com o aproveitamento do grande diferencial da AWS nas plataformas de machine learning, frameworks e infraestrutura de dados.

São inúmeras possibilidades de configuração de um caso de uso específico. Através do Amazon Machine Learning (AML) ou SageMaker é possível trabalhar os modelos de machine learning sobre Tensorflow ou Torch por exemplo, até desenvolver tudo em Python. O procedimento elimina a dependência das APi´s apenas, podendo ser desenvolvido e treinado diretamente, como um estúdio de Machine Learning,  e ainda possibilita trabalhar com computação elástica, como o Amazon EC2.  Uma imensidão de possibilidades que devem ser trabalhadas em conjunto, conforme a necessidade.

O Amazon EC2 permite que você aumente ou diminua a capacidade em minutos, em vez de horas ou dias. É possível contratar simultaneamente uma, centenas ou até milhares de instâncias de servidor.

Já com o AWS Lambda é possível executar códigos sem provisionar ou gerenciar servidores. Você paga apenas pelo tempo de computação que utilizar. Não existe cobranças quando o seu código não estiver em execução.

Estas inúmeras possibilidades da Amazon podem transformar digitalmente a empresa, tanto o fornecedor, ao fornecer soluções escaláveis, quanto o cliente que consegue ter acesso a soluções de porte pagando por cada transação, por exemplo.

Preenchimento do Canvas Cognitivo – como fazer?

No Canvas Cognitivo, as API´s, o Sagemaker e , por exemplo, o Tensorflow são inseridos em “APLICAÇÕES – API´S e ML”.

O Amazon EC2 preenche o campo “DADOS E INTEGRAÇÕES”.

A tecnologia Lambda, se utilizada,  estaria na área de “PARCEIROS E TECNOLOGIAS”.

Quatro passos para o início de um projeto de IA

Confira as dicas do Gartner para quem quer implantar projetos de IA
Confira as dicas do Gartner para quem quer implantar projetos de IA

 

A implementação de projetos de inteligência artificial (IA) está apenas começando a acontecer. Diante do cenário de inovação, é natural a existência de dúvidas sobre procedimentos entre especialistas interessados em entender as oportunidades que serão geradas pela inovação.

O grande potencial de crescimento da tecnologia cognitiva foi identificado por uma pesquisa realizada pelo Gartner, instituto de pesquisas do mercado de TI. Segundo o levantamento recente, 46% das grandes empresas inclui a IA como parte dos planos de projetos futuros.

Apenas 4% dos executivos que comandam áreas tecnológicas, já implementaram a inteligência artificial recentemente. Em entrevista para o site cio.com, o executivo Whit Andrews, vice-presidente de pesquisa e analista distinto do Gartner, reconhece que há grande potencial de crescimento do percentual, com líderes de TI começando a pilotar programas de AI.

Como tecnologia emergente, é natural que gestores das áreas TI ou de inovação, desenvolvedores e consultores independentes tenham dúvidas sobre como começar a desenvolver os seus projetos. Diante do cenário de dificuldades previsíveis sobre como começar, os analistas do Gartner identificaram quatro recomendações para esse cenário:

1. Comece com pequenos ganhos

“Não caia na armadilha de buscar resultados difíceis, como ganhos financeiros diretos com projetos de AI”, alerta Andrews. “Em geral, é melhor iniciar projetos de AI com um escopo pequeno e buscar resultados suaves, como melhorias de processos, satisfação do cliente ou benchmarking financeiro.”

Projetos de AI, na melhor das hipóteses, produzirão lições que irão ajudar com experiências, pilotos e implementações subsequentes e maiores. Em algumas organizações (ou até na maioria delas), o objetivo financeiro será um requisito para iniciar o projeto. “Nessa situação, defina algo possível”, disse Andrews.

2. Concentre-se em aumentar as pessoas, não substituí-las

Os grandes avanços tecnológicos são frequentemente associados com a redução de pessoal. Embora a redução dos custos do trabalho seja atraente para as empresas, é provável que crie resistência daqueles cujos empregos parecem estar em risco.

“Os benefícios mais transformacionais da AI no curto prazo resultarão da sua utilização para permitir que funcionários busquem atividades de maior valor”, acrescentou Andrews. O Gartner prevê que, até 2020, 20% das organizações dedicarão os trabalhadores ao monitoramento e à orientação das redes neurais.

3. Planeje a transferência de conhecimento

A maioria das organizações não está bem preparada para implementar AI. Isso porque, elas não possuem habilidades internas em ciência de dados e planejam confiar plenamente em provedores externos para preencher a lacuna. Cinquenta e três por cento das organizações classificaram suas capacidades de explorar dados como “limitadas” – o nível mais baixo.

O Gartner prevê que, até 2022, 85% dos projetos de AI fornecerão resultados errados devido à polarização de dados, algoritmos ou equipes responsáveis por gerenciá-los. “Os dados são o combustível para a AI. Então, organizações precisam se preparar agora para armazenar e administrar quantidades ainda maiores de dados”, alertou Jim Hare, vice-presidente de pesquisa da Gartner.

Segundo ele, basear-se principalmente em fornecedores externos para essas habilidades não é uma solução ideal no longo prazo. “Portanto, assegure-se de que os primeiros projetos de AI ajudem a transferir o conhecimento de especialistas externos para seus funcionários e a construir capacidades internas antes de avançar para o projeto de grande escala.”

4. Escolha soluções de AI transparentes

Projetos de AI geralmente envolvem software ou sistemas de provedores de serviços externos. É importante que algumas informações sobre como as decisões são alcançadas estão integradas em qualquer contrato de serviço. “Um sistema de AI que produz a resposta certa não é a única preocupação”, apontou Andrews. “Os executivos precisam entender por que é efetivo oferecer uma visão de seu raciocínio quando não é.”

Embora nem sempre seja possível explicar todos os detalhes de um modelo analítico avançado, como uma rede neural profunda, é importante, pelo menos, oferecer algum tipo de visualização das escolhas potenciais. Na verdade, em situações nas quais decisões estão sujeitas a regulação e auditoria, pode ser um requisito legal fornecer esse tipo de transparência.

Computação Cognitiva (IA) no processo de seleção

Sérgio Viegas

Em palestra realizada no evento Somos+Q1 (#+Q1), promovido pela Universidade Una no final de 2017, falamos de um futuro real para a área de RH focando o processo de recrutamento e seleção. Aqui vai um resumo da mesma:

Perspectivas:  Abordamos dois cenários futuros:

Cenário 1 – Trabalho remoto, por jobs, temporário, denominado pela Accenture de Mão de Obra Líquida.

Cenário 2 – Sem trabalho. Mostramos números que mostram a redução do tempo de trabalho atual no mundo (E a tendência de redução, baseada na série histórica do passado). Como este abaixo da OECD que nos leva a 20h semanais de trabalho até 2100:

Apresentamos alguns trabalhos que tendem e precisam desaparecer do mundo em que vivemos, e mais importante, que EMPREGO é um subitem de TRABALHO. As pessoas querem e precisam de trabalho e não de empregos, o que pode nos levar à Renda Básica Universal.

Comentamos sobre a Inteligência Artificial e os empregos em risco, mas focando no que realmente vai ocorrer, a substituição de tarefas que fazemos por IA mas não perda de empregos generalizada.

Na verdade é a IA que permitirá a divisão do trabalho futuro em tarefas (M.O. Líquida) com robôs e humanos trabalhando conjuntamente para uma produtividade e qualidade de vida melhor.

A Computação Cognitiva foi apresentada na figura do IBM WATSON, que tem capacidade de entender a linguagem natural, adaptar e aprender com dados e gerar e avaliar hipóteses.

Cenário 1

Enfim chegamos ao ponto do processo de seleção ser abordado. Esse, para se adaptar ao futuro, precisa ser digital, rápido e adaptado à M.O. líquida. O processo de seleção atual consiste de uma forma geral em:

  1. Plataforma de vagas e curriculos
  2. Receber, ler e fazer a triagem dos CV´s
  3. Conversar com candidatos, analisar perfil e efetuar uma avaliação técnica
  4. Escolher melhor candidato x perfil da vaga

O fato hoje é que praticamente toda a parte operacional acima já pode ser feita de forma digital, sem ou com pouco envolvimento de pessoas. Vejamos:

  1. Existem diversas plataformas de vagas e Cv´s como por exemplo o Linkedin. Algumas já permitem o match entre vaga e perfil.
  2. Com a IA conseguimos treinar o Watson a ler currículos de forma absurdamente rápida, já tirando deles (dados não estruturados) itens como: nome, idade, empresas que trabalhou, onde estudou, cargos que ocupou, etc. Com estes dados (agora) estruturados conseguimos separar os CV´s que se adequam em um primeiro filtro à vaga. Importante aqui é que, diferentemente do ser humano, conseguimos ler TODOS os CV´s, não apenas os mais “bonitos”, ou mais “bem estruturados” da triagem inicial. Abaixo um exemplo genérico que mostra como o treinamento é feito no WKS do Watson:
  3. Com Bots (robôs de conversação com IA) conseguimos conversar com TODOS os candidatos selecionados nos filtros. Podemos nesta conversa inicial perguntar sobre pretensão salarial, pedir mais dados de competências, enfim, a entrevista inicial pode ser feita remotamente, bem como perguntas técnicas e direcionar para links com provas técnicas preparadas. Abaixo um exemplo:
  4. Com o Personality Insights (API do Watson), é possível fazer o que a maioria acharia impossível fazer sem um ser humano. Com esta solução conseguimos ter um perfil psicológico completo, através de psicolinguística, que possibilita fazer o match vaga x perfil em segundos. O texto a ser analisado pode ser o próprio CV do candidato, ou um texto escrito por ele que pode ser carregado em uma página WEB ou ainda via acesso a rede social dele (Ex: Twitter). Enfim, um processo rápido e de qualidade que gera informações como esta abaixo, com necessidades, valores e o BIG 5 do candidato:

Portanto um processo completo como este abaixo de Seleção já pode ser automatizado, entrando o ser humano ao fim do processo para uma entrevista pessoal ou para ajustar questões que podem ocorrer durante o processo todo:

Daí vem a pergunta: Não seria o fim deste emprego? Não. É a partir desta automatização de tarefas previsíveis, que exigem alta coleta e processamento de dados que o profissional de RH poderá atuar no que realmente deveria.

Tarefas previsíveis, com alta coleta de dados e alto processamento de dados, devem e serão substituídas por robôs !

Com tanto trabalho braçal, repetitivo e de alto esforço humano (Ex: Ler todos os cv´s com atenção) o profissional de RH deixa de fazer coisas mais importantes como:

  1. Engajamento: Acompanhar os valores e objetivos do negócio e de seus colaboradores para engajar cada vez mais as pessoas no trabalho.
  2. Resultados: Acompanhar os resultados (Pós-contratação) de forma efetiva, diária e podendo assim levar aumento de produtividade para as pessoas e para a organização.

    Bem e em relação ao cenário 2? Aquele sem empregos?

O cenário 2, sem empregos, pode ser um cenário não de falta ou devastação, mas de abundância! Um possível futuro em que a humanidade não tenha que vir “a trabalho”, mas que possa usufruir de toda uma bonança e qualidade de vida, advinda da produtividade mundial aumentada pela IA e robôs. O que fariam?

Artes, lazer, música, filosofia, cultura, esporte, são algumas possibilidades, mas como o homem pode QUERER trabalhar (E deve), startups, especialistas, criação, inovação, enfim, existe uma imensa possibilidade de trabalhos que o homem poderá continuar exercendo, afinal, o futuro dependerá de nossas decisões e ações !