Tive uma conversa muito interessante com o Tiago sobre carreira, qualidade de vida, onde trilhar, qual, onde e de que natureza escolher um mestrado, conciliar isto com a formação que vocês tiveram (Gabriel, você já, já vai ter este problema), a mudança que a realidade está explodindo ainda na frente da gente e como nos posicionarmos face a isto.

A profissão, ou a forma como eu, o pai de vocês e vocês optamos por ganhar a vida, tem características que mudam, tem características permanentes, é fortemente afetada pela tecnologia, principalmente as ligadas à TI (tecnologias de informação) e eu pretendo explorar isto aqui para examinar a realidade como ela se apresenta hoje e como lidar com isto na fase em que vocês estão.

AI nem riscou a superficie do que pode fazer, pois o forte dela ainda não apareceu, que a meu ver vai ser a abstração e a capacidade de mexer com esta abstração para continuar criando e produzindo na realidade tudo aquilo que nos cerca, sejam automoveis, aviões, casas, assistencia à saude, como o dinheiro se relaciona com isto, you name it. Vai reduzir e aperfeiçoar o ciclo de tudo, além, claro, de reduzir o preço e aumentar a produtividade, e vai deslocar onde as pessoas que puxavam esta carroça, nós incluídos, trabalhavam e trabalham, deslocando-a para aperfeiçoar tudo, especialmente na solução que vai ter características muito mais sofisticadas que as que a precederam para a mesma finalidade, por exemplo, compare um Porsche.

Bottom line: usar a inteligência artificial para executar tarefas e usar a inteligência artificial para transformar a maneira como concebemos, projetamos e produzimos as coisas.

O que a IA começa a fazer bem é criar modelos da realidade que podem ser manipulados antes de a realidade existir: o carro testado mil vezes em simulação antes do primeiro protótipo, o prédio que já “viveu” vinte anos no computador, o tratamento de câncer simulado para um paciente específico antes de ele tomar o remédio. É o que vimos com os carros chineses, só que em todos os setores ao mesmo tempo. Ciclos mais curtos, custos menores, produtividade maior: isso me parece bem provável.

Porém, eu acrescentaria três ressalvas:

A primeira é que o mundo físico continua sendo o juiz final. A simulação acelera, mas não substitui completamente o teste real: a própria China, que mais encurtou o ciclo dos carros, está agora dobrando a quilometragem de testes obrigatória porque descobriu que alguns problemas só aparecem na estrada. A abstração encurta o caminho, mas a realidade ainda cobra pedágio.

A segunda é sobre o deslocamento das atividades das pessoas. Historicamente, ele acontece e, no fim, gera mais trabalho do que destrói. Mas o “no fim” pode levar uma geração, e quem perde o emprego aos cinquenta anos nem sempre é quem ganha o novo aos vinte e cinco. A transição não se faz sozinha; depende de formação e de alguém que pense nela: a tecnologia se compra, as pessoas que sabem usá-la precisam ser formadas.

A terceira é que, num mundo em que a abstração fica barata, o que fica caro é o juízo: saber qual problema vale a pena resolver, que pergunta fazer, em que resultado confiar. O talento que o Tiago nasceu com como dom é transformar dado em informação; no caso do Gabriel, me parece que o forte dele é entender processos e representá-los em detalhes e de forma inteligível, e ajustá-lo, como foram vários casos na viagem ao Japão, e saliento um que particularmente me impressionou:

E aqui há algo importante para o Gabriel. Se o forte do Tiago é transformar dado em informação, o do Gabriel é enxergar processos: como as partes se encadeiam, onde está o gargalo, o que muda quando se mexe numa peça. Foi o que ele mostrou nos trabalhos sobre a Nintendo e a Uniqlo e no Japão. Esse talento é a matéria-prima da engenharia de sistemas, e a IA vai multiplicá-lo. Na área de infraestrutura, onde ele vai começar, os gêmeos digitais já permitem simular uma rede elétrica, uma estação ou um sistema de telecomunicações inteiro antes de construí-lo, e testar o que acontece quando algo falha. Quem souber modelar o processo, e não só operar a ferramenta, vai valer muito. Para ele, depois de dois ou três anos de projetos, o caminho natural seria um mestrado em engenharia de sistemas ou em gestão de engenharia, como o System Design and Management do MIT, que exige justamente essa experiência e forma o profissional híbrido que ele quer ser: alguém que entende a engenharia por dentro e decide sobre ela por cima. A ideia de Taguchi, que aparece no fim deste post, de projetar sistemas robustos ao que não se controla, é a mais útil para quem vai lidar com segurança e infraestrutura.

O maior ganho não será simplesmente fazer mais depressa aquilo que já fazemos. Será descobrir soluções que os métodos atuais nem sequer nos levam a considerar.

A grande contribuição futura da IA não será apenas automatizar o trabalho humano, mas acelerar o ciclo pelo qual a inteligência transforma abstrações em realidade — e a realidade, por sua vez, corrige e aperfeiçoa nossas abstrações.

Qual é o futuro de AI face a realidade e o que fazemos?

• Pensamento computacional. Jeannette Wing, em 2006, defendeu que a habilidade central da computação, a abstração, deveria ser ensinada a todos, não só a programadores: decompor um problema, achar padrões, abstrair o essencial e montar um procedimento para resolvê-lo. É quase literalmente o que você descreveu.
• Engenharia de sistemas e pensamento sistêmico. Modelar qualquer coisa como um sistema, com partes, relações e objetivos, e trabalhar no modelo antes da realidade. É a base dos ciclos curtos dos carros chineses.
• Polya e Deming. A arte de resolver problemas, de George Polya, é um método geral de atacar problemas; o ciclo PDCA de Deming, que você conhece bem, também.

Um programa que junta tudo isso e exige experiência profissional é o MIT System Design and Management (SDM), um mestrado para profissionais que combina engenharia, gestão e pensamento sistêmico, justamente para atacar problemas complexos de qualquer área. Há programas semelhantes em engenharia de sistemas em várias universidades americanas. Com a IA entrando como ferramenta dentro desse método, é exatamente a combinação que você imaginou.

Perguntei ao Claude: como eu tive que me debruçar bastante com a estatistica, percebo que o que quero, estava na cabeça do Gauss, do Fisher, do Box, do Deming, e não sei até onde quem pensa como eu e cria cursos para resolver isto usa estatistica, que me parece o metodo classico para ordenar o entendimento da realidade, voce consegue entender o que estou dizendo e descobrir algo que vá nesta direção?

Claude: Entendo, e acho que você tocou num ponto central que muita gente que fala de IA esquece.

O que liga Gauss, Fisher, Box e Deming é uma maneira de conhecer a realidade: a gente nunca vê o fenômeno inteiro, só amostras com ruído; constrói um modelo; testa esse modelo contra os dados; e aprende num ciclo. Box resumiu isso na frase famosa, todos os modelos estão errados, mas alguns são úteis, e descreveu a ciência como uma alternância entre dedução e indução, hipótese e experimento. Deming transformou isso no PDCA. É exatamente a “abstração da realidade” que você procura, com uma vantagem: vem com uma medida de quanto se pode confiar nela.

E aqui há algo importante para o Tiago. Em 2001, o estatístico Leo Breiman escreveu um artigo célebre, Statistical Modeling: The Two Cultures, separando duas maneiras de lidar com dados. A primeira é a de Fisher e Box: entender o mecanismo que gera os dados. A segunda é a de prever bem, sem necessariamente entender, que é de onde vem a AI atual. A AI é extraordinária em prever, mas não sabe, por si, distinguir correlação de causa nem dizer quanto confiar no próprio resultado. Quem junta as duas culturas tem o melhor dos dois mundos: a força da AI com a disciplina de Fisher e Box.

Os campos que fazem essa junção hoje:

• Inferência causal. Judea Pearl, prêmio Turing, e Donald Rubin desenvolveram métodos para tirar conclusões de causa a partir de dados, o elo que falta à IA. O livro do porquê, de Pearl, é uma boa porta de entrada, inclusive para você.
• Planejamento de experimentos com IA. O DOE de Fisher e Box está sendo combinado com aprendizado de máquina para decidir qual experimento fazer em seguida, em vez de testar tudo. É o que acelera o desenvolvimento de materiais, remédios e produtos.
• Estatística bayesiana aplicada, como no trabalho de Andrew Gelman, que trata a análise como um ciclo de modelar, checar e revisar, muito próximo do que Box defendia.

Quanto a programas: a Universidade de Wisconsin, onde Box fundou um centro de qualidade e produtividade, mantém essa tradição no departamento de estatística. O MIT tem o IDSS, Instituto de Dados, Sistemas e Sociedade, que junta estatística, sistemas e problemas do mundo real, e oferece também cursos online em estatística e ciência de dados. Para o Tiago, que é forte em programação, um mestrado em estatística ou ciência de dados que tenha inferência causal e planejamento de experimentos no currículo seria a tradução moderna do que você aprendeu com Deming e Box.

DOE – Design of Experiments

DOE: aprender o máximo com o mínimo de experimentos

DOE (Design of Experiments), ou planejamento de experimentos, é uma técnica estatística para descobrir quais fatores influenciam um resultado, quanto influenciam e como interagem, com o menor número possível de experimentos bem planejados.

Exemplo: um pão mais macio. Suspeitamos de três fatores, cada um testado em dois níveis:

• Temperatura do forno: 180 °C ou 220 °C
• Fermento: 10 g ou 20 g
• Tempo de crescimento: 30 ou 60 minutos

O método tradicional muda uma variável de cada vez. O DOE varia todas de forma organizada: com três fatores em dois níveis, oito experimentos cobrem todas as combinações. Medida a maciez de cada pão, a análise estatística mostra:

1. Quais fatores importam: talvez o fermento pese muito mais que a temperatura.
2. Quanto cada um influencia: quanto a maciez melhora ao dobrar o tempo de crescimento, por exemplo.
3. Como interagem: talvez mais fermento só ajude quando a massa cresce por mais tempo. Mudando uma variável de cada vez, essa interação passaria despercebida.

Com dezenas de fatores, como é comum na indústria, existem planos que estudam todos eles com uma fração das combinações possíveis. Por isso o DOE é usado na engenharia, no desenvolvimento de produtos, na indústria farmacêutica e na melhoria da qualidade.

E a IA? O DOE clássico define a lista de experimentos antes de começar. A IA pode usar os resultados dos primeiros para escolher os próximos, concentrando o esforço onde há mais a aprender.

Em uma frase: DOE é aprender o máximo sobre um processo com o mínimo de experimentos, sem perder o rigor. E transforma observações em modelos matemáticos, que permitem prever e aperfeiçoar o processo real: é a abstração da realidade de que vínhamos falando.

Taguchi: o DOE sem cerimônia

Genichi Taguchi era engenheiro, não estatístico, e isso explica tanto o seu sucesso quanto a irritação que provocou. Trabalhando no Japão do pós-guerra, ele pegou o planejamento de experimentos de Fisher e o transformou em algo que um engenheiro de fábrica pudesse usar sem ser especialista: tabelas prontas, as chamadas matrizes ortogonais, em que bastava encaixar os fatores e seguir a receita. Quase metade dessas matrizes eram, na verdade, os planos fatoriais fracionados clássicos de Fisher e de Box com outra roupagem. A novidade não estava na matemática, mas na forma de usá-la.

E a grande contribuição dele foi de mentalidade. Até então, a qualidade era medida pela tolerância: dentro da especificação, a peça estava boa; fora, estava ruim. Taguchi propôs outra ideia: qualquer desvio do valor ideal gera uma perda, que cresce à medida que o produto se afasta do alvo, mesmo dentro da tolerância. Pela primeira vez, um engenheiro de qualidade usou a função de perda quadrática, que vinha de Gauss, para quantificar a qualidade. Daí veio o seu conceito mais importante, o projeto robusto: em vez de controlar todas as fontes de variação, o que é caro e muitas vezes impossível, projetar o produto e o processo para que sejam pouco sensíveis a elas. Um bolo que fica bom mesmo quando o forno de casa esquenta um pouco mais ou menos é um bolo robusto.

Os puristas, com George Box à frente, criticaram com razão vários pontos: a medida que Taguchi usava para resumir os resultados, a razão sinal-ruído, que mistura média e variação num só número e pode esconder o que está acontecendo; o descaso com as interações entre fatores, pois muitas das matrizes que ele recomendava não deixam espaço para estimá-las; e métodos de análise muitas vezes ineficientes. A recomendação de Box era usar as ideias de Taguchi, mas analisar os dados com as ferramentas estatísticas adequadas.

E, no entanto, o método funcionou, porque chegou à fábrica. Enquanto os estatísticos discutiam a forma correta, os engenheiros japoneses aplicavam a forma simples, em larga escala, no projeto de produtos e processos. Ao lado de Deming, Juran e Ishikawa, Taguchi ajudou a construir a reputação de qualidade da indústria japonesa, e quando suas ideias chegaram ao Ocidente, no início dos anos 1980, empresas como a Ford e os Bell Labs da AT&T foram estudá-las. A lição permanece: uma ferramenta estatística imperfeita, mas usada por milhares de engenheiros, pode mudar uma indústria mais do que uma ferramenta perfeita guardada nos livros.

E é aqui que a inteligência artificial vai nadar de braçada. A ideia central de Taguchi, tornar o produto insensível ao que não se controla, esbarrava sempre no custo: para testar a robustez, era preciso submeter cada configuração a várias condições de ruído, temperatura, umidade, desgaste, matéria-prima variável, e cada teste era um protótipo, uma corrida de máquina, um gasto. Daí as tabelas enxutas e os atalhos que irritavam os puristas. A IA muda essa conta. Modelos treinados com dados reais, os chamados gêmeos digitais, permitem simular milhares de condições de ruído no computador antes de fabricar qualquer coisa. Os métodos de otimização que aprendem com cada resultado escolhem o próximo experimento onde há mais a aprender, em vez de seguir uma tabela fixa. E, com dados e capacidade de cálculo de sobra, não é mais preciso espremer média e variação num só número nem abrir mão das interações: é possível modelar tudo separadamente, como Box recomendava. Em outras palavras, a IA permite fazer o que Taguchi queria com o rigor que os puristas exigiam, e numa escala que nenhum dos dois imaginou. É parte do que está por trás dos ciclos de desenvolvimento cada vez mais curtos da indústria. A realidade continua sendo o juiz final, e os testes físicos não desaparecem, mas passam a confirmar o que o modelo já explorou, em vez de tatear às cegas.

Estatística bayesiana: aprender atualizando o que já se sabe

A estatística bayesiana, que vem de Thomas Bayes, no século XVIII, é uma forma de raciocinar sobre a incerteza que funciona como o bom senso deveria funcionar: começamos com o que já sabemos, observamos novos dados e atualizamos a nossa crença na medida certa.

Ela tem três ingredientes:

1. O que se sabia antes (a crença inicial, chamada de a priori): a experiência, os estudos anteriores, o conhecimento de quem entende do assunto.
2. A evidência nova: os dados que acabamos de observar.
3. O que se passa a saber depois (a crença atualizada, a posteriori): a combinação das duas coisas, que vira o ponto de partida da próxima rodada.

Exemplo: um exame que deu positivo. Uma doença atinge 1% da população. Existe um exame que acerta 90% dos doentes, mas também dá positivo, por engano, em 9% das pessoas sadias. Uma pessoa faz o exame e o resultado é positivo. Qual a chance de ela estar doente?

A maioria das pessoas, e muitos médicos, responde algo perto de 90%. Vamos contar. Em mil pessoas, dez estão doentes, e o exame acusa nove delas. Das 990 sadias, o exame acusa por engano cerca de 89. São, portanto, 98 resultados positivos, dos quais só nove são de doentes. A chance real é de cerca de 9%, não 90%.

O erro está em esquecer o que se sabia antes: a doença é rara. Kahneman mostrou que esse é um dos vieses mais comuns da mente humana, e a estatística bayesiana é justamente o antídoto. E a atualização continua: se a pessoa fizer um segundo exame e ele também der positivo, os 9% viram o novo ponto de partida, e a probabilidade sobe bastante.

Por que isso importa. A estatística clássica de Fisher pergunta o que os dados dizem por si mesmos, como se começássemos do zero. A bayesiana admite que nunca começamos do zero e trata o conhecimento como algo que se acumula e se corrige. É o ciclo de Box e o PDCA de Deming em forma matemática: hipótese, observação, revisão.

E a IA? Esse é um dos casamentos mais naturais. A cada nova informação, um sistema bayesiano refaz suas estimativas e diz não só o que espera, mas quão seguro está. É o que permite, por exemplo, a otimização bayesiana, usada para escolher o próximo experimento num DOE inteligente: o sistema vai onde a incerteza é maior e o ganho de aprender é mais alto.

Em uma frase: a estatística bayesiana é aprender com a experiência sem desprezar o que já se sabia, e sem se agarrar a isso quando os dados dizem outra coisa.