Categoria: Sem categoria

Não restam dúvidas que a inteligência artificial é um ponto chave na transformação digital das organizações, criando uma alta demanda por profissionais especializados. As instituições de ensino buscam atender a alta demanda com cursos presenciais, limitados por questões físicas, e cursos online (EaD), que atendem a uma grande quantidade de alunos, geograficamente distribuídos. Dada tanta oferta de cursos sobre inteligência artificial, o desafio é selecionar, entre os nacionais e do exterior, qual a melhor opção. Existem três tipos de teorias sobre cursos online: independência e autonomia dos alunos; industrialização do ensino; e, interação e comunicação. Para o ensino de IA é fundamental, como uma área que requer uma construção lógica-matemática, uma forte interação com professores experientes. A seleção deve ser feita pelo modelo de ensino que ofereça maior interação entre professor, alunos e colegas.

A Internet levou o EaD a milhões de pessoas no mundo

Nas últimas décadas, a Internet viabilizou o ensino a distância (EaD) para milhões de pessoas. Isto permitiu que instituições de ensino tradicionais e startups de ensino (EdTech) criassem cursos online em várias áreas do conhecimento. A portaria do Ministério da Educação nº 2.117:2019, autorizou as instituições de ensino de engenharia e saúde (exceção de medicina) a terei até 40% da carga horário em EaD (Ministério da Educação, 2019). A expansão dos dispositivos móveis abriu uma perspectiva para o ensino a distância, chamado de mLearning, permitindo um acesso mais amplo da população ao EaD. Uma pesquisa mostra que 66% de todos os brasileiros são usuários de internet móvel (Pag|Brasil, 2019). A pandemia do Covid-19 expôs as vantagens do EaD para milhões de pessoas, com várias entidades de ensino liberando seus cursos, gratuitamente, para a comunidade. Várias entidades de ensino tradicionais tiveram que adotar o EaD como solução de continuidade de negócios. Isto deve gerar um impulso ainda maior do EaD no cenário educacional.

A interação entre professores e alunos é fundamental para a construção de conhecimento

As premissas básicas para adquirir habilidades e que a informação seja transmitida e que o aluno tenha condições de construir o conhecimento. As instituições de ensino devem garantir que as duas premissas sejam atendidas para certificar um aluno tenha adquirido habilidades suficientes para atender as demandas de mercado.

Existem três grupos de teorias sobre EaD

Alguns autores afirmam que o conhecimento é construído segundo as teorias interacionistas e que é possível o EaD atender a este requisito (VALENTE, MORAN, & ARANTES, 2011). É possível classificar as teorias sobre o EaD em três grupos: (1) Teorias de independência e autonomia; (2) Teorias de industrialização do ensino; e, (3) Teorias de interação e comunicação.

As teorias de independência e autonomia, consideram que o aluno tem condições, a partir das informações transmitidas, construir o conhecimento. A independência e autonomia atribui ao aluno maior responsabilidade pelo aprendizado. O uso de tecnologias de informação (TI), permite que os professores consigam a interação com processos autônomos, como jogos interativos, o que se denomina “teoria da distância transacional”.

As teorias de industrialização do ensino, consideram que as instituições de ensino tenham capacidade de produzir conteúdo e processos automatizados para a formação em massa. O planejamento sistemático e a otimização dos recursos permitem atingir os objetivos econômicos e educacionais.

As teorias de interação e comunicação foca no acompanhamento individual dos alunos, apontando a interatividade entre professor, alunos e entre os colegas como pontos importantes na construção do conhecimento. A conversão didática pode acontecer de várias formas, como em chats, fóruns de discussão e troca de mensagens entre o professor e aluno ou em grupo. Isto permite o envolvimento dos alunos em atividades intelectuais que os fazem experimentar ideias, refletir, comparar e aplicar o julgamento crítico sobre o que é estudado.

A interatividade é importante para fixar conceitos nas mentes dos alunos

A interatividade é importante para fixarmos conceitos em nossas mentes, como pensava Kant, é a forma de resolver impasses entre as visões empiristas e racionalistas. Nas investigações de Piaget, foi identificado três tipos de conhecimento construídos pelos indivíduos: conhecimento físico (construído pela ação direta do sujeito sobre o objeto), conhecimento lógico-matemático (fruto da reflexão sobre as informações coletadas no nível prático, gerando a conceituação) e o conhecimento social-arbitrário (formado na interação com outras pessoas na sociedade) (VALENTE, MORAN, & ARANTES, 2011).

O ensino de inteligência artificial requer a construção lógico-matemático por suas características abstratas, tornando necessária uma forte interação de professores experientes.

O desafio da aprendizagem de inteligência artificial no ensino industrializado é a capacidade de interação dos professores com os alunos em classes muito grandes. Nestas situações, os professores interagem com os alunos em momentos pontuais, como em chats, fóruns de discussão, e-mail ou sessões online síncronas, limitando a capacidade de interação com todos os alunos de forma mais intensa, focando apenas naqueles que buscam maior interatividade.

O ensino presencial de inteligência artificial tem algumas vantagens sobre o EaD por ter classes menores e, principalmente, onde o professor pode propor o desenvolvimento de um projeto ao longo do curso, permitindo o engajamento e colaboração dos alunos. Por outro lado, o ensino presencial é limitado em abrangência geográfica, um importante inibidor para a formação de especialistas para atender as demandas do mercado.

A vantagem do ensino presencial de inteligência artificial deve ser levada para o EaD.

Um modelo de EaD que atende os requisitos de ensino para inteligência artificial é do estilo “boutique”, tendo como base o desenvolvimento de um projeto comum entre os alunos, com forte interação entre o professor e os alunos, em classes online de até 20 alunos, número máximo para a coordenação e interatividade de um professor em assistente.

O modelo “boutique” permite o acompanhamento individual de cada aluno pelo professor, reforçando a atenção em alunos com dificuldades para entender algum tópico. Cria um sentimento de equipe entre os alunos, facilitando a colaboração entre eles e, consequentemente, maiores oportunidade de aprendizado. O ensino, tendo como base um projeto a ser construído, proporciona o acompanhamento de métricas de desempenho, deixando claro a necessidade do esforço necessário e conhecimentos adicionais para completar o projeto.  

O papel do curador e professor no EaD

O curador de EaD deve produzir conteúdo que atenda às necessidades e demandas dos cursos e perfil dos alunos (persona). O professor, muitas vezes o próprio curador, deve encorajar e se aproximar dos alunos, agindo para ( (CORRÊA, 2007):

• Auxiliar os alunos com informações relevantes para o tema em estudo;
• Estabelecer o diálogo com os alunos;
• Encorajar os alunos no desenvolvimento dos estudos, tarefas, fóruns de discussão e contribuir com ideias e comentários;
• Capacitar os alunos a ter intervalos de reflexão e anotações de conceitos e informações importantes;
• Organizar o texto conforme a sequência de construção do conhecimento e desenvolvimento de suas competências.

No futuro as máquinas com inteligência artificial assumiram o papel do professor na interatividade

É razoável pensar que em breve, a interatividade com o aluno seja realizada por máquinas de inteligência artificial, atendendo a maioria dos requisitos para um aluno construir o conhecimento lógico-matemático para o aprendizado de inteligência artificial. Porém, para chegar neste estágio precisamos de engenheiros especializados para construir estas máquinas, que devem ser ensinados com os recursos atuais.

Referências

CORRÊA, J. (2007). Educação a distância: orientações metodológicas. Porto Alegre: Artmed.

Ministério da Educação. (11 de 12 de 2019). PORTARIA Nº 2.117, DE 6 DE DEZEMBRO DE 2019. Fonte: MEC: http://www.in.gov.br/en/web/dou/-/portaria-n-2.117-de-6-de-dezembro-de-2019-232670913

Pag|Brasil. (2019). Brasil: Os números do relatório Digital in 2019. Fonte: Pag|Brasil: https://www.pagbrasil.com/pt-br/insights/relatorio-digital-in-2019-brasil/

VALENTE, J. A., MORAN, M., & ARANTES, V. A. (2011). Educação a distância : pontos e contrapontos. São Paulo: Summus.

Atualmente, é impossível desassociar a gestão do conhecimento (KM – Knowledge Management) a sistemas de inteligência artificial. Muitas análises manuais ou com o auxílio de ferramentas tradicionais, como o MS-Excel, perdem espaço para os modelos matemáticos de inteligência artificial. Começam a ser comuns nomes como Random Forest, progressão logística, algoritmos genéticos, redes neurais artificiais, redes bayesianas, entre outras. Todos estes modelos são tão fáceis de se usar como o MS-Excel, usando softwares disponíveis no mercado, alguns até gratuitos. Ou seja, o seu uso além de ampliar a visão do conhecimento da organização em diversas áreas, ainda pode ser mais barato que as técnicas tradicionais. Existem duas barreiras para a adoção da inteligência artificial nas organizações: reunir dados relevantes para as análises e o conhecimento da equipe. Ambos podem ser ultrapassados com treinamentos eficazes.

Vamos imaginar algumas situações para compreender a importância do uso da inteligência artificial aplicada nas organizações.

Atualmente, como a área de RH, tradicionalmente, avalia o clima organizacional da organização? O caso mais comum é através de entrevistas com os funcionários, de forma presencial ou através de formulários, uma vez por ano. Algumas empresas investem grandes quantias na contratação de empresas especializadas em clima organizacional, justificando a possibilidade de um benchmarking com outras empresas e ser classificada entre as melhores para se trabalhar.

Uma alternativa mais eficaz e eficiente é fazer análises de sentimento dos textos escritos, cotidianamente, pelos funcionários em e-mails e mensagens instantâneas corporativas, usando computação afetiva. É possível e fácil, identificar palavras positivas, negativas e neutras que as pessoas escrevem e avaliar o clima organizacional. Isto é útil de várias formas, avaliar, antecipadamente, o impacto de uma mudança importante na empresa e, posteriormente, os resultados das mudanças.

Outra situação é avaliar a eficiência de uma nova norma interna na organização. Vamos considerar que uma organização esteja com um problema de conformidade – compliance – prejudicando um determinado indicador de desempenho (KPI). Aqui é possível utilizar uma técnica muito utilizada em marketing digital conhecida como teste A/B. Lance diferentes redações da nova norma e avalie qual das redações é mais eficiente para a compreensão dos funcionários e que mais rápido trás resultados de melhoria do indicador de desempenho. Para avaliar os resultados, podemos utilizar a análise textual da norma, avaliando palavra a palavra e escolhendo os textos com a melhor seleção de palavras.

O uso de inteligência artificial é típico em modelos de análise de falhas de equipamentos na linha de produção das fábricas. Analisando o histórico de falhas dos equipamentos, utilizando todos os dados internos e externos, é possível determinar quando um equipamento ou um sistema de produção pode apresentar uma falha e paralisar toda a produção. Estas técnicas, muito utilizadas para análise de risco e gestão da manutenção, reduzem as perdas financeiras das empresas, com programações mais eficientes de manutenções preventivas.

Atualmente, a inteligência artificial pode ser utilizada para quase todas as áreas de conhecimento, oferecendo novas perspectivas de melhoria organizacional e transformação digital das organizações.

Não existem mais dúvidas que os computadores irão superar a inteligência dos humanos. O AlphaGo, software de inteligência artificial da Google, derrotou o campeão sul-coreano de Go, um antigo jogo de estratégia chinês mais complicado que o xadrez, em março de 2016 na cidade de Seul. O AlphaGo ganhou por 4-1 com lances inusitados que surpreenderam os especialistas. Concluiu-se mais tarde que a humanidade não tem mais possibilidade de derrotar o AlphaGo. Com isto, contratar pessoas pela sua inteligência deixará de ser um diferencial para as empresas, pois as empresas deverão substituir seus sistemas de apoio a decisão por softwares do tipo do AlphaGo. O que irá diferenciar é a consciência dos empregados, que conceituamos como sendo o sentido ou percepção que o ser humano possui do que é moralmente certo ou errado em atos e motivos individuais.

A Wikipédia define consciência como uma qualidade da mente, considerando abranger qualificações tais como subjetividade, autoconsciência, senciência (sentir sensações e sentimentos), conhecimento, e a capacidade de perceber a relação entre si e um ambiente. É um assunto muito pesquisado na filosofia da mente, na psicologia, neurologia e ciência cognitiva.

Cada indivíduo constrói ao longo de sua vida sua própria realidade subjetiva, influencia pelo meio que vive. A filosofia discute muito sobre temas ligados a realidade subjetiva e a realidade objetiva. Será a realidade apenas uma ilusão? Não vamos chegar ao limite que acharmos que vivemos uma realidade apresentada no filme Matrix. Imagine a situação que trigêmeos são separados da mãe e adotados por três diferentes famílias em diferentes países: Espanha, Israel e Egito. Cada família segue a religião predominante no seu pais: catolicismo, judaísmo e islamismo. Tempos depois, já adultos, os trigêmeos encontram e começam a contar suas vidas. Provavelmente, discordam em vários pontos devido a suas diferentes realidades subjetivas, construídas a partir dos ensinamentos dos país e das comunidades em que vivem.

Pessoas com diferentes realidades subjetivas tomam diferentes decisões a partir do mesmo conjunto de informações. É aqui que a consciência humana faz a diferença. Os softwares de inteligência artificial podem sugerir uma tomada de decisão, baseada puramente na objetividade, porém será a consciência que julgará e selecionará aquela alternativa que faça mais sentido para a realidade subjetiva do tomador da decisão. O risco é que se a maioria dos consumidores ou interessados na decisão não compartilharem da mesma realidade subjetiva, a decisão será um fracasso.

Como as soluções de inteligência artificial aprendem, como o caso de Machine Learning e Deep Learning, as sugestões do software começarão a se ajustar as decisões que os tomadores de decisão aprovaram. O software recebendo informações de toda a empresa e analisando diferentes decisões tomadas, em vários níveis hierárquicos, entendera quais as consciências dos tomadores de decisões e suas realidades subjetivas. Com isto, poderá desenvolver uma estratégia para cumprir as metas definidas pela organização, assim como o AlphGo fez para vencer o jogo do campeão sul-coreano, até mesmo desconsiderando algumas decisões de empregados que poderiam prejudicar o atingimento das metas.

Uma paródia conta que para testar um software de inteligência artificial os desenvolvedores pediram para o computador calcular o valor de Pi. Para atingir o objetivo, o computador se apoderou de todos os recursos do Universo e aniquilou os humanos tentando encontrar a solução para o problema dado pelo seu criador.

Como diz o ditado, vamos colocar os pés no chão. A realidade objetiva das organizações é buscar lucratividade, competitividade e excelência na prestação de serviços (incluindo os serviços públicos). Os softwares de inteligência já mostraram que podem ajudar, significativamente, as tomadas de decisão das empresas. Alguns softwares como o TensorFlow da Google, liberado como open-source, já estão disponíveis para qualquer indivíduo ou empresa. Várias empresas já estão utilizando softwares de inteligência artificial para criar um novo modelo de governança e tomadas de decisão.

Um caso interessante é o da equipe de beisebol Oakland Athletics. Com baixo orçamento, o time não tinha com bancar jogadores que valiam milhões dólares e se contentava com os jogadores que sobravam. Em 2002, Billy Beane, gerente do Oakland, decidiu usar um algoritmo de computador usado por economistas e geeks para criar um time vencedor usando jogadores subestimados pelos olheiros humanos. Os mais experientes do ramo ficaram indignados com o uso de um algoritmo no santificado meio do beisebol. Muitos afirmavam que o beisebol é uma arte e, portanto, apenas humanos são capazes de decifrar os segredos e o espirito do beisebol. Os resultados contradisseram o senso comum, a equipe do Oakland venceu vinte jogos consecutivos e se saiu bem contra os grandes times. Obviamente, depois que os grandes viram os bons resultados passaram a usar o software para identificar os melhores jogadores, neutralizando a estratégia do Oakland Athletics.

Talvez, se Billy Beane conhecesse a estratégia de Alan Turing durante a Segunda Guerra Mundial, depois que sua Machine Learning, decifrou o código de criptografia alemão, de informar os planos dos alemães apenas das batalhas que fariam sentido ganhar a guerra, evitando que os alemães descobrissem que ele estava decifrando as mensagens, o Oakland Athletics hoje seria o maior campeão da liga americana.

Concluindo, as organizações de sucesso usarão softwares de inteligência artificial para encontrar alternativas ótimas para atingir as metas empresariais a partir do conjunto de realidades subjetivas de seus colaboradores, criadas a partir de suas consciências. Portanto, devemos contratar pessoas baseadas nas suas consciências.

Muitas tecnologias que compõe o ecossistema de Inteligência Artificial (IA), criada em 1955, chegaram a sua fase de crescimento e maturidade. Atualmente, o mercado de ações está repleto de robôs que compram e vendem ações de acordo com seus algoritmos de tomada de decisão, aplicando teorias desenvolvidas décadas atrás. Os bancos e operadoras de cartão de crédito utilizam soluções antifraudes baseadas em Machine Learning. Grandes áreas administrativas estão aumentando, significativamente, a produtividade e reduzindo custos com a implantação de soluções de RPA – Robotic Process Automation – substituindo atividades repetitivas executadas por pessoas por robôs. Tecnologias de reconhecimento de voz e geração de linguagem natural estão otimizando o atendimento de Call Centers, reduzindo custos e melhorando a satisfação dos clientes. Todas estas tecnologias, já em uso, aceleram cada vez mais a transformação digital das empresas e o uso intensivo de soluções de inteligência artificial. O novo “normal” será empresas operando e tomando decisões baseadas em inteligência artificial.

Um estudo da consultoria Forrester Research prevê um crescimento de mais de 300% em investimentos em IA em 2017 comparado com 2016. O IDC estima que o mercado de IA crescerá de US$8 bilhões em 2016 para mais de US$47 bilhões em 2020.

O gráfico a seguir mostra o estágio de 13 tecnologias que compõem o ecossistema de IA e o tempo que poderá alcançar outra fase.

Destacamos as seguintes tecnologias:

• Geração de linguagem natural, que produz texto a partir de informações do computador;
• Reconhecimento de voz, que transcreve e transforma a fala humana em formato útil para aplicações de computador;
• Agentes virtuais, aplicações de relacionamento homem-máquina de forma natural, como os Chatbots, que trocam mensagens de texto entre o homem e um robô, ou serviços como Amazon Echo usando o Alexa, que conversa em linguagem natural com as pessoas;
• Plataformas de Aprendizado de Máquina (Machine Learning), que dispõe de ferramentas para desenvolvimento e treinamento das máquinas, usando algoritmos e modelos de treinamento;
• Uso intensivo de GPU – unidades de processamento gráfico – ao invés dos tradicionais processadores de dados. As GPUs, desenvolvidas para jogos, agora são utilizadas para acelerar o processamento de sistemas de IA;
• Gestão das tomadas de decisão, onde novos e mais rápidos algoritmos aceleram a convergência de informações para melhores tomadas de decisão;
• Plataforma para Aprendizagem Profunda (Deep Learning), que utiliza conceitos avançados de redes neurais em múltiplas camadas de abstração para o reconhecimento de padrões e classificação de grandes conjuntos de dados para identificar perfis de comportamento, entre outras análises;
• Biometria, que permite interações naturais entre as pessoas e as máquinas, incluindo imagens, reconhecimento faciais, fala e linguagem corporal, entre outros;
• Automação de processos administrativos – Robotic Process Automation (RPA), que utiliza scripts e outros métodos de automação para aumentar a produtividade das áreas de negócios, com redução significativa de custos;
• Análise de texto e processamento de linguagem natural (NLP), que permite a análise de texto, compreendendo a estrutura das frases e seu significado, otimizando a aprendizagem de máquina e análises estatísticas.

O novo “normal” é quando a maioria das empresas utiliza estes recursos e atingem um novo patamar de produtividade e qualidade nas tomadas de decisão. O desafio para estas empresas será encontrar novos diferenciais para apoiar o crescimento.

Em pouco tempo os consumidores começarão sua interação com as empresas através de soluções de Machine Learning. Isto já acontece com alguns serviços de relacionamento com bancos e companhias telefônicas (acho que o nome deveria ser provedores de Internet móvel). Estamos entrando no mundo dos Chatbots, assistentes digitais que estabelecem conversas via Chat entre os clientes e robôs. O Amazon Echo, assistente digital de conversação usando o software de inteligência artificial Alexa, já tem mais de três milhões de usuários. Isto sem falar do Siri da Apple, Cortana da Microsoft, Watson da IBM e Google Assistant, presentes nos smartphones e computadores. Ou seja, as máquinas inteligentes serão nossos representantes no futuro. Será que as empresas estão dando a devida atenção para isto?

Uma pesquisa da consultoria americana Accenture, com mais de 5.400 executivos de TI e de negócios em 2017, mostra que 79% dos entrevistados concordam que ferramentas de inteligência artificial ajudarão suas organizações e 85% afirmaram que investirão intensivamente nos próximos três anos.

Com isto, teremos que agregar novas interfaces no relacionamento com os clientes, além dos designs gráficos das telas de Web. Teremos que adicionar mais especialistas nas nossas equipes de desenvolvimento, como fonoaudiólogos, linguistas, antropólogos, sociólogos, entre outros especialistas ligados as questões humanas, com o objetivo de ensinar as máquinas a serem mais humanas. Este movimento de transferência do atendimento de humanos para máquinas, eliminará vários postos de trabalho, entretanto criará outros, como vimos.

Com o avanço exponencial da tecnologia, o Alexa do Amazon Echo já responde uma pergunta em cerca de 1,5 segundos. Tempo suficientemente confortável para uma conversa contínua entre humanos e máquina.

Não se iluda achando que isto é coisa apenas para as grandes empresas. Os novos serviços de Machine Learning estão disponíveis nos grandes provedores de serviços de tecnologia, como AWS (Amazon Web Services), Azure da Microsoft e Google Cloud. Isto significa que startups podem desenvolver novos negócios usando Machine Learning e ferramentas de conversação digital.

Para entrar neste novo contexto de relacionamento com clientes as empresas precisam aperfeiçoar seus modelos de gestão do conhecimento. Para ensinar as Machines Learning é necessário organizar o conhecimento interno da empresa antes de iniciar o aprendizado das máquinas. Tipicamente, apenas 20% das informações de uma empresa são estruturadas, normalmente, aquelas que estão em sistemas informatizados. Isto é insuficiente para desenvolver projetos mais amplos de relacionamento com clientes. Com isto, torna-se necessário ampliar a gestão do conhecimento nas organizações.

Como as máquinas aprendem, em pouco tempo adquirem mais conhecimento sobre a organização e podem alavancar novos negócios, melhorar a produtividade, aumentar a competitividade e reduzir custos.

Para finalizar e respondendo à pergunta se as empresas estão preparadas? Acredito que poucas empresas estão preparadas, entretanto, já é um sinal a conscientização e o desenvolvimento de projetos experimentais para iniciar o processo de transformação digital.

As tomadas de decisão podem seguir regras pré-definidas e resultados esperados ou tomadas a partir da intuição das pessoas. A primeira é planejada e testada, a segunda é utiliza nossa intuição a partir de um conjunto dados e experiência. Quanto maior o número de dados, maior será a qualidade das tomadas de decisão. Se questionarmos um motorista de táxi (ou Uber) qual o melhor trajeto para um determinado destino, provavelmente, ele usará o Waze para responder à pergunta, mesmo ele conhecendo várias alternativas. O fato é que ele não tem as informações em tempo real sobre os congestionamentos, acidentes, carros quebrados, blitz da polícia e outros dados, coletadas pelo Waze a partir de informações voluntárias dos motoristas. Ou seja, a qualidade da tomada de decisão depende dos dados que temos no momento.

Um processo tradicional e estático de tomada de decisão segue regras pré-definidas para chegar a uma conclusão e, posteriormente, uma ação. As árvores de decisão sempre têm um ramo que direciona para um especialista, quando os dados não satisfazem suas regras. Com o feedback, os especialistas ajustam o processo para que em uma nova ocorrência o algoritmo possa tratar o dado. A figura 1 mostra um processo tradicional simplificado.

Uma evolução do processo de tomada de decisão é utilizar uma Machine Learning para avaliar a situação em tempo real para ajustar as regras e tomar decisões mais precisas. Os algoritmos usados nas máquinas de aprendizado simplificam o processo de construção de árvores de decisão complexas, podendo utilizar características indiretas de um objeto ou evento para identificar ou prever uma situação. A figura 2 mostra um processo de tomada de decisão com uma Machine Learning.

Entretanto, a questão da falta e qualidade das informações ainda permanece. Se não alimentarmos as máquinas de aprendizagem com dados de qualidades não teremos resultados precisos. Para isto precisamos integrar na plataforma tecnológica outras tecnologias, como Big Data, IoT e acesso a dados externos as organizações.

Antes de investir em soluções de Machine Learning avalie a maturidade da gestão do conhecimento da sua organização e o esforço e custo de integrar outras tecnologias.

O conceito de gestão do conhecimento é amplo e envolve várias disciplinas nas organizações. A características mais tangível nas organizações é a gestão das informações nos sistemas informatizados. É possível avaliar de forma indireta através das competências e treinamentos dos funcionários. Os pesquisadores desta área expandem as áreas de avaliação, incluindo a gestão estratégica, a teoria das organizações, a gestão da tecnologia e inovação, o marketing, a economia, a psicologia e a sociologia, por exemplo. As principais vantagens são o aumento da competitividade, melhoria da produtividade e redução de custos. Entretanto, a melhor métrica para avaliar o nível de maturidade da gestão de conhecimento é a qualidade das tomadas de decisão em todos os níveis organização, desde o funcionário operacional até a alta direção. Isto envolve decisões do dia-a-dia até decisões estratégicas. É neste contexto que as máquinas de aprendizagem – Machine Learning – tem sua aplicação mais relevante, na melhoria da qualidade das tomadas de decisão.

A princípio a solução parece simples. Contrate uma solução de Machine Learning, existem várias disponíveis no mercado, através de grandes provedores de serviços como Google, AWS, Azure, IBM entre outras.

Entretanto, os primeiros desafios são como e quem irá ensinar a máquina?

Como a máquina deve aprender, é suposto que exista um processo estruturado de conhecimento que possa ser traduzido em regras e modelos matemáticos para “ensinar” a máquina a tomar decisões corretas. É neste ponto que está a primeira grande oportunidade para as organizações, usar projetos de Machine Learning para estruturar o conhecimento interno, agregando conhecimentos de boas práticas externas, para ter ganhos de produtividade, competitividade e redução de custos.

Os projetos de Machine Learning abrem a oportunidade de rever todos os processos, colher feedbacks de todos os funcionários envolvidos, buscar novas informações para agregar as tomadas de decisões e avaliar os gaps de competências internas.

Devemos tomar como lições aprendidas alguns fracassos de projetos dos últimos movimentos tecnológicos, como a implantação de ERPs, Internet e Comércio Eletrônico. A tecnologia é apenas uma ferramenta para ajudar no aperfeiçoamento dos processos e tomadas de decisão. Ela em si não resolve nada.

Vamos tomar como exemplo as novas aplicações de Chatbot, chats de empresas que utilizam robôs para interagir com as pessoas. Se a empresa não tem processos estruturados de relacionamento com os clientes, torna-se um desafio ensinar uma máquina.

Por outro lado, a própria Machine Learning pode ajudar a resolver o problema. Se ensinarmos todas as experiências de relacionamento entre os consultores da empresa e os clientes e o resultado final, tanto de retenção ou de satisfação, a máquina pode encontrar o melhor processo de atendimento, considerando o perfil do cliente. Este perfil pode ser construído, instantaneamente, consultado nas redes sociais e outras interações com a empresa.

O fato é que as tecnologias atuais de Machine Learning e outras de Inteligência Artificial abrem enormes oportunidades para melhorar a produtividade, competitividade e redução de custos das empresas.

O impacto das novas tecnologias nas empresas, na economia e na sociedade será dramático. A diferença das outras revoluções tecnológicas é a velocidade que está vem transformando negócios e comportamento dos consumidores, gerando mudanças de conceitos de gestão. A quarta revolução indústria, também conhecida como a Indústria 4.0, eliminará 5 milhões de empregos nos próximos anos. As fábricas serão flexíveis produzindo em massa produtos personalizados, alterando o conceito de produção em massa adotado por Henry Ford. Sistemas de inteligência artificial (IA) irão substituir tradicionais programas de computadores e mudará o processo de decisão. Neste cenário, os modelos de liderança atuais falham e novas habilidades devem ser desenvolvidas pelos líderes do futuro.

Os líderes devem adotar uma liderança dinâmica, equilibrando a liderança responsiva e liderança responsável, para competir em mundo de transformação digital.

A abordagem da liderança dinâmica, reúne as características essenciais e imutáveis que não podem ser negligenciadas pelo líder (integridade, inspiração, inclusão, autenticidade e transparência) e as sete dimensões da arte da liderança (tomada de decisão, comportamento, metas e objetivos, políticas e ações, abordagem motivacional, desempenho e estilo de execução).

Em abordagens complexas os lideres precisam potenciar ou atenuar um ou outro atributo conforme a situação. Esse equilíbrio deve ser baseado nos traços imutáveis dos líderes.

Resumindo, em cenários de transformação digital e desenvolvimento de novos modelos de negócios disruptivos, onde não existe histórico, o que deve balizar as tomadas de decisão são os traços imutáveis de um líder.