Saltar para o conteúdo
Voltar ao Lab

Inteligência Artificial

Apollo.Grid

A pergunta

Como podemos ajudar alguém a perceber que soluções de IA existem e quais fazem realmente sentido para aquilo que precisa?

Potencial

O problema já não é a falta de soluções de IA: é o excesso. Sem um critério de correspondência entre necessidade e capacidade, a escolha faz-se por ruído de mercado.

Porque é que é tão difícil escolher uma solução de IA?

Porque o problema já não é a falta de soluções, é o excesso. Uma direção que queira resolver um problema concreto encontra, em meia hora de pesquisa, dezenas de produtos que dizem mais ou menos a mesma coisa, com a mesma linguagem e demonstrações igualmente convincentes.

Sem um critério que ligue a necessidade à capacidade, a escolha acaba por ser feita pelo ruído do mercado: ganha quem investiu mais em marketing, quem apareceu numa conferência ou quem já era fornecedor de outra coisa. Nenhum destes critérios tem qualquer relação com o problema que era preciso resolver.

Como se escolhe uma solução de IA a partir da necessidade, e não do catálogo?

Começando pela decisão e não pela tecnologia. A pergunta útil não é «que soluções de IA existem para a área financeira», é «que decisão preciso de tomar melhor, e que capacidade é que isso exige».

Isso implica três traduções que hoje ninguém faz. Traduzir um problema de negócio numa capacidade necessária, numa linguagem que não seja a do fornecedor. Traduzir as promessas dos produtos para essa mesma linguagem, para que possam ser comparadas. E dizer, quando for o caso, que nenhuma solução serve, que é a resposta mais útil das três e a que nenhum comparador comercial vai dar.

Porque é que é difícil comparar soluções de IA de forma independente?

Porque a informação sobre o que uma solução faz de facto é produzida por quem a vende, e a mesma capacidade é descrita de dez maneiras diferentes consoante o mercado a que se dirige. Qualquer mapa construído a partir do material dos fornecedores herda as distorções desse material.

Há ainda uma dificuldade de fundo: um comparador que ganhasse dinheiro com quem aparece no mapa deixaria de ser útil no dia seguinte. Por isso, o modelo de sustentação deste projeto é parte do problema a resolver, e não um pormenor a decidir no fim.

Como se avalia o que uma solução de IA faz realmente?

Testando-a com os próprios casos da empresa, e sobretudo com os difíceis. Uma demonstração mostra o produto no seu melhor cenário; o que interessa saber é como se comporta com os dados reais, incompletos e desarrumados, e com as exceções que dão trabalho às pessoas hoje.

Há mais duas perguntas que revelam muito. A primeira é falar com clientes que tenham o mesmo problema, e não apenas o mesmo setor, porque um caso de sucesso noutro tipo de decisão diz pouco. A segunda é perguntar ao fornecedor o que a solução não faz e o que acontece quando erra. A qualidade dessa resposta costuma dizer mais sobre o produto do que a própria demonstração.

Em que fase está o Apollo.Grid?

Está em fase de conceito: a pergunta e as dificuldades estão definidas, mas ainda não existe um método de correspondência testado nem uma decisão sobre o modelo de sustentação.

Continuar a explorar

Tem uma pergunta que ainda não encontrou resposta?