Transcrição do episódio A transcrição é gerada automaticamente por Podscribe, Sonix, Otter e outros serviços de transcrição eletrônica.
Olá pessoal! Bem vindos a mais um 5 Minutes Podcast. Hoje eu queria falar sobre o último artigo que eu publiquei na Harvard Business Review. Juntamente com meu grande amigo Antonio Nieto Rodriguez sobre inteligência artificial, mas com um aspecto muito mais voltado para a sustentabilidade. Ou seja, quando a gente fala de inteligência artificial, hoje a gente não pode deixar de falar da integração e do impacto que a inteligência artificial tem em vários aspectos, inclusive no aspecto de sustentabilidade. Para aqueles que não sabem da área que eu atuei no meu doutorado foi em sustentabilidade. Mas quando a gente pensa em sustentabilidade, é natural a gente achar sempre sustentabilidade num aspecto única e exclusivamente ambiental. Ou seja, sustentabilidade é você preservar o ambiente. Bem, sem dúvida nenhuma, preservar o ambiente é uma parte da sustentabilidade? Sim, mas existem aspectos sociais e aspectos econômicos que são tão importantes nos aspectos de sustentabilidade quanto a sustentabilidade ambiental, que talvez seja a mais visível. E nesse artigo a gente fez uma analogia como aquele triângulo que a gente fala de escopo, tempo e custo. A gente falou um pouquinho sobre complexidade, custo e carbono e a gente brincou com as palavras como esses três CS. Por quê? Porque quando a gente atua e implementa um projeto envolvendo AI um dos aspectos críticos do que a gente precisa fazer para garantir a sustentabilidade desse tipo de recurso que a gente está desenvolvendo e garantir que a complexidade é bem administrada por. Existem aspectos extremamente complexos de regulação de leis, de requerimentos que você tem que seguir, que vão desde requerimentos de privacidade até requerimento de como você armazena o dado ou como você evita alguns determinados tipos de viés que podem gerar perigos na utilização da inteligência artificial, como também o overload de dados.
Ou seja, o que acontece quando você começa a trabalhar com a inteligência artificial? Você tem uma avalanche de informações. Então, como é que você consegue reduzir a complexidade e chegar numa estrutura que garanta a sustentabilidade? Além disso, você tem todas as demandas interdisciplinares, porque ai não é um aspecto meramente tecnológico. Envolve pessoas, envolve gente, envolve tomada de decisão. E isso me leva para o segundo ponto, que é o custo. Ou seja, quando eu falo de data overload, quando eu falo de aspectos regulatórios, vocês concordam comigo que reduzir essa complexidade implica em custo? Implica em quê? Em entender que tipo de custo direto eu vou ter para garantir essas demandas interdisciplinares que eu tenho e, principalmente, para garantir uma sustentabilidade ao longo do ciclo de vida. E ai não é só desenvolver e ai gera uma demanda gigantesca de trabalho para continuar existindo. Quando a gente pensa por exemplo numa ferramenta como chat, EPT, etc, e a gente começa a pensar nele como uma ferramenta para meramente a gente fazer pesquisas, etc. A cada vez que a gente está fazendo aquilo ali, nós estamos colocando todo um sistema para trabalhar em um sistema que está tendo que se aprimorar a cada dia. Então isso gera uma demanda financeira gigantesca. A gente estima que, por exemplo, só a Open AI gasta milhões de dólares todos os dias só para manter aquela estrutura funcionando e evoluindo.
E quando a gente entra no ambiente, a gente precisa entender o seguinte que gasta se muita energia para processar mecanismos de aprendizado por máquina. Só para vocês terem uma ideia, um estudo da Universidade de Massachussets ARM REST. Ela diz que simplesmente para treinar uma vez o mecanismo de aprendizado por máquina que vai virar, por exemplo, um GPT quatro, por exemplo, produz quase 300.000 quilos de CO2. Isso só para vocês ter uma ideia. Isso é um carro funcionando pela vida inteira dele. Isso é não é para operar todo dia. Isso é só para treinar, não é nem para usar. Eu não estou nem discutindo para usar. Eu estou discutindo simplesmente para treinar. É a mesma característica quando a gente fala muito sobre bitcoin ou criptomoedas, ou seja, tudo que criptomoeda não é sustentável do ponto de vista de ambiente. Porque simplesmente para você fazer o que a gente chama mineração desses ativos, você gasta uma quantidade de energia absurda, colossal, que muitas vezes não é sustentável. E a gente termina o artigo falando o seguinte Bem, então como é que a gente faz de uma forma prática? Então a gente desenvolveu um modelo com cinco passos. Primeiro, você tem que entender qual é o objetivo de sustentabilidade do seu projeto de inteligência artificial. Não é da. A sua organização ou do seu projeto. Mas da iniciativa. Dentro da inteligência artificial. Segundo, você tem que organizar seus dados de uma forma centralizada, porque quanto mais distribuído e quanto mais difícil você tiver de acessar esses dados, mais energia, mais layers de complexidade você vai ter para fazer o trabalho.
Outra coisa, você também precisa otimizar e personalizar esses algoritmos. Existem milhões de formas de fazer um algoritmo funcionar. Algumas delas gastam muito mais energia. Algumas delas gastam muito mais complexidade e, evidentemente, muito mais dinheiro. Então, existem ferramentas como, por exemplo, o TensorFlow, que ajuda você, que tem algoritmos que são mais racionais dentro de casos específicos. Em seguida, é importante antes de você fazer um Big Bang e implantar isso, você fazer um piloto em pequena escala para ver se o seu racional está funcionando ou não. Por exemplo, hoje eu tenho um trabalho razoável, agora com um piloto com esse chatbot, e aí muita gente me pergunta Ricardo, por que não pode todo mundo usar, etc. Porque nós precisamos testar, porque senão nós vamos implementar uma solução que simplesmente não é sustentável no longo prazo. Ou seja, ela não é sustentável economicamente, ela não é sustentável ambientalmente e ela não é sustentável do ponto de vista de complexidade na gestão. Porque a partir do momento em que eu tenho, por exemplo, um chatbot em AI que atua em gerenciamento de projetos e ele precisa ser evoluído a cada momento, como é que eu faço uma estrutura que seja menos complexa e naturalmente eu consiga ter uma viabilidade, inclusive econômica para isso? Como é que eu consigo fazer isso usando, por exemplo, os grandes bancos de dados que existem? Então, para isso, você tem que fazer o quê? Começar pequeno, fazer os determinados testes para exatamente você não construir um produto que simplesmente não vai conseguir sustentar.
E aí sim, o quinto e último passo você implementa e coloca isso funcionando, coloca isso em operação em grande escala. Então, são esses cinco passos de definir os objetivos, a centralização dos dados, a personalização dos algoritmos, os plots e testes até a implementação. Então, o que eu quis nesse podcast é resumir um pouquinho a ideia por trás. A gente trabalhou muitos meses nesse artigo e esse artigo grande objetivo era mostrar para vocês que inteligência artificial não é uma coisa desconectada das outras coisas. O uso da inteligência artificial. Ele pode reduzir custos? Pode, Mas ele pode também, na sua própria manutenção, criar uma estrutura que é simplesmente inviável dentro do seu ambiente de projeto inviável, ambientalmente inviável do ponto de vista de complexidade, para você fazer gestão daquela informação e inviável também do ponto de vista financeiro. Então pensem sempre nisso. Se vocês quiserem, deem uma olhadinha no artigo. Nós temos um webinar sobre esse assunto que a gente está fazendo para a gente discutir um pouquinho mais e entender qual vai ser o nosso papel como gerentes de projeto para poder realmente conseguir criar soluções de inteligência artificiais que sejam sustentáveis, que é isso que a gente quer no final. Um abraço enorme para vocês e até semana que vem com mais um 5 Minutes Podcast.
