Os mais recentes avanços na inteligência artificial oferecem múltiplos benefícios às organizações “orientadas por uma missão” e poderão revolucionar o seu trabalho. Todavia, a sua adopção não é linear e muito menos fácil. Será necessário que o sector social ultrapasse várias barreiras mas, se tudo correr como o previsto, as vantagens serão absolutamente transformadoras
Traduzido e adaptado por HELENA OLIVEIRA
© Stanford Social Innovation Review
Quando o tema é a prevenção do suicídio, cada minuto de tempo de resposta importa. E foi por isso que a equipa de tecnologia da reconhecida organização sem fins lucrativos Crisis Text Line, sedeada na cidade de Nova Iorque, analisou cerca de 65 milhões de mensagens de texto para determinar que palavras estavam mais estatisticamente associadas a riscos elevados de suicídio. Esta escala de análise seria claramente impraticável sem alguma forma de análise automatizada e os seus resultados surpreenderam a equipa. A utilização do termo “EMS” [a sigla em inglês utilizada pelos jovens para “ending myself” – acabar comigo] numa mensagem, por exemplo, é cinco vezes mais preditiva de um risco elevado de suicídio do que a própria palavra “suicídio”.
A partir da utilização desta análise, a equipa consegue agora dar uma maior prioridade às mensagens que recebe, à semelhança do que acontece com os sistemas de triagem nas urgências hospitalares. E, como resultado, a organização é presentemente capaz de responder a 94% das pessoas que enviam estas mensagens num período de tempo inferior a cinco minutos.
Este é apenas um exemplo de “inteligência artificial orientada para uma missão” – a aplicação responsável da inteligência artificial (IA) para resolver desafios societais e ecológicos. Por vezes apelidada de “IA para o bem”, a IA orientada para um determinado propósito consiste na utilização de técnicas de machine learning para agilizar operações e melhorar programas em organizações sem fins lucrativos e em empreendimentos sociais.
Claro que IA é o termo alargado que se traduz nos avanços em constante evolução nas capacidades das máquinas em realizarem tarefas que, normalmente, requerem a inteligência humana. O machine learning consiste numa abordagem especifica da IA que aplica técnicas estatísticas em volumes de dados para treinar os computadores a realizarem tarefas sem regras explicitas de programação humana. Já o deep learning, por seu turno, consiste num tipo de machine learning que se baseia nas técnicas que “aprendem” camadas múltiplas de representações de uma forma que imita a forma que o cérebro processa a informação. Neste artigo, os autores referem o termo IA de forma intencional na medida em que se estão a referir a esta tecnologia de forma alargada. E, no caso do machine learning, que é responsável pela vasta maioria da investigação e desenvolvimento da IA na actualidade, o termo será utilizado quando os autores se estiverem a referir a projectos específicos que fazem uso desta técnica.
[quote_center]A IA orientada para um determinado propósito consiste na utilização de técnicas de machine learning para agilizar operações e melhorar programas em organizações sem fins lucrativos e em empreendimentos sociais[/quote_center]
A utilização da IA em contextos que “promovem o bem” poderá impulsionar as capacidades do sector da mudança social. Especificamente, a mesma tem o potencial para reduzir custos, aumentar a qualidade e alargar o impacto deste tipo de organizações de mudança social.
O primeiro passo
Como referem os autores, estamos a testemunhar uma Explosão Cambriana em termos de machine learning, com os algoritmos a derrotarem os vencedores mundiais do complexo jogo Go, a conduzirem carros, a realizarem traduções em tempo real através das câmaras dos telefones inteligentes e a agilizar processos de negócio que já por si estão significativamente optimizados, como a redução da conta do arrefecimento do centro de dados da Google em 40 por cento.
Estas inovações irão transformar igualmente o sector não lucrativo. Os autores prevêem que as organizações do sector irão adoptar a IA, num período inicial, para aumentar a sua capacidade organizacional – melhorando a eficácia e sustentabilidade ao fortalecerem a angariação de fundos, o marketing, os serviços administrativos e outras competências, processos e recursos. É que os investimentos em capacitação organizacional são similares entre todos os tipos de organizações. Como resultado, os investimentos tecnológicos neste tipo de capacitação poderão disseminar-se muito rapidamente no sector não lucrativo, sendo expectável que seja esse o caso com as soluções baseadas em machine learning.
Muitas organizações sem fins lucrativos utilizam bases de dados de gestão de relacionamentos do Salesforce ou do Blackbaud para gerirem as suas angariações de fundos. Por seu turno, o pacote de contabilidade QuickBooks consiste noutra ferramenta popular entre estas organizações. Este está também a adicionar funcionalidades de machine learning, em particular as que têm como objectivo automatizar a categorização de despesas e de outros dados contabilísticos. Desta forma, o machine learning irá simplesmente tornar-se numa nova funcionalidade em ferramentas já conhecidas, sendo que a barreira para a utilizar será significativamente baixa.
[quote_center]Os autores prevêem que as organizações do sector irão adoptar a IA, num período inicial, para aumentar a sua capacidade organizacional[/quote_center]
Adicionalmente, todas as grandes empresas tecnológicas já desenvolveram chatbots, os quais usam, de forma crescente a IA, para responder a consultas/perguntas enviadas por escrito, tornando-as disponíveis para outros programadores de software para que estes possam adaptá-los para novas utilizações. Os chatbots ajudam as organizações a melhorarem a sua taxa de resposta ao retorquirem, de forma conversacional, a pedidos de informação e a outras perguntas simples, como se fossem respostas a FAQs automatizadas. Também os serviços de apoio a clientes das empresas estão a adoptar, de forma crescente, os chatbots. Para as organizações não lucrativas, estes poderão ter um importante papel no que respeita a gerir pequenos donativos, bem como outras interacções rotineiras.
Os chatbots podem também ser desenvolvidos para aplicações mais inovadoras. Em 2016, a ONG charity:water criou um chatbot que simula conversas com uma rapariga ficcional etíope chamada Yeshi como forma de aumentar a sensibilização para os problemas de acesso à água potável.
Quatro obstáculos à adopção alargada
A fase seguinte para a adopção do machine learning nas organizações sem fins lucrativos e nas empresas sociais será mais lenta, de acordo com os autores do artigo, mas o seu impacto será absolutamente transformacional, na medida em que esta tecnologia torna não só as organizações mais inteligentes no que respeita ao que fazem, como diminui os seus custos de trabalho.
Todavia e antes que essa transformação tenha lugar, terão de ser ultrapassados quatro obstáculos. O primeiro está relacionado com o financiamento. Para que as organizações possam beneficiar da IA para além da sua aplicação específica na capacitação organizacional, terão que investir em soluções customizadas. Cada organização individual terá de suportar a maior parte dos custos inerentes ao desenvolvimento destes produtos e aplicações especiais. E, aos olhos dos financiadores, tal irá aumentar o risco de investimento nestas novas tecnologias.
Já o segundo desafio – a complexidade de se desenvolver sistemas de machine learning – poderá resolver-se por si mesmo. Há apenas algum tempo, estas tecnologias requeriam muitos anos de experiência. Mas, na actualidade, as novas plataformas de desenvolvimento de software da Google, Amazon, Microsoft e outras tecnológicas ajudam a automatizar o processo da construção de sistemas de machine learning, o que reduz as barreiras à sua implementação e expande significativamente o número de programadores de software capazes de utilizarem estas ferramentas em benefício das organizações movidas a propósito. Com ferramentas mais simples e uma maior oferta de programadores, os custos deverão declinar.
[quote_center]Para que as organizações possam beneficiar da IA para além da sua aplicação específica na capacitação organizacional, terão que investir em soluções customizadas[/quote_center]
O terceiro obstáculo está relacionado com a necessidade de conjuntos de dados estruturados, de elevada qualidade e em grande escala, os quais são necessários para construir os sistemas de machine learning. Empresas como a Salesforce ou a Intuit (que desenvolve o QuickBooks) conseguem valer-se dos dados de muitos clientes, o que resolve este desafio para muitas aplicações de capacitação organizacional. Mas quando a questão tem a ver com aplicações relacionadas com programas específicos, são muito poucas as organizações “para o bem” que possuem dados suficientes para treinar os sistemas de machine learning. Mesmo aquelas que os recolhem não os têm nos formatos estruturados necessários para este tipo de aplicações.
Uma solução poderá ser encontrada em conjuntos de dados alargados, provenientes dos governos ou de outras entidades. Por exemplo, o projecto de monitorização de florestas Global Forest Watch e a ONG tecnológica Reinforest Connection utilizam o machine learning para identificar factores que contribuem para as perdas de cobertura florestal no Congo e na Amazónia. E a iniciativa de pesca sustentável Global Fishing Watch analisou 22 mil milhões de mensagens provenientes de barcos de pesca para desmascarar navios de pesca industriais que operavam ilegalmente.
Uma outra opção para este tipo de organizações reside na partilha de dados. O College Forward, um programa de mentoria tecnológica (proveniente também de uma organização sem fins lucrativos) a ser usado em algumas faculdades está a treinar os sistemas de machine learning da Salesforce para que estes consigam automaticamente prever quais os estudantes com maiores probabilidades de abandonarem os estudos. A organização concedeu licenças da sua tecnologia a 40 outros programas universitários similares nos Estados Unidos, com impacto em 300 mil estudantes. O CEO Austin Buchin afirma que o plano da organização é, eventualmente, ajudar os programas parceiros a estabelecer acordos de partilha destes dados e, quando o fizerem, “ a qualidade das previsões irá disparar”.
O último obstáculo reside em infra-estrutura computacional acessível e financeiramente viável. Os modelos computacionais complexos e os conjuntos de dados massivos que alimentam o machine learning colocam um enorme peso “nos ombros” da infra-estrutura computacional. Felizmente que a Amazon, a NVIDIA, a Google, e a Microsoft oferecem todas serviços de computação em nuvem optimizados para o machine learning. As quatro empresas oferecem programas para organizações sem fins lucrativos, sendo expectável que estendam também as suas ofertas de machine learning a estes mesmos programas.
O future da IA para o bem
Eventualmente, as organizações não lucrativas serão capazes de integrar conhecimentos provenientes do machine learning mediante formas que lhes permitirão automatizar certos aspectos dos seus programas.
E algumas destas organizações já lançaram estes esforços. O Project Skylight, financiado pelo co-fundador da Microsoft Paul Allen, conta com dados provenientes de satélites, de registos de navios de pesca e de outras fontes de dados para permitir aos países identificarem actividades de pesca suspeitas e coordenar as suas respostas em tempo real.
[quote_center]A esperança é a de que o sector social adopte amplamente o machine learning como uma forma de fortalecer o seu trabalho, “esticar” os dólares filantrópicos e expandir o seu impacto[/quote_center]
De forma similar, a Rainforest Connection construiu um sistema de detecção de desflorestação e de caça furtiva que monitoriza dispositivos de gravação em áudio posicionados nas florestas tropicais. A rede está ligada a um sistema de alerta em tempo real concebido para apanhar os caçadores e os madeireiros ilegais.
Mas estes exemplos são excepções. A maioria das organizações sem fins lucrativos não possui uma força treinada de engenheiros ou de cientistas de dados. De qualquer das formas, os autores do artigo estão convencidos que estas mesmas organizações irão começar a adoptar soluções tecnológicas para impulsionar as suas actividades. E já existem oportunidades substanciais para que os empreendedores sociais e o pessoal técnico possam contribuir com os seus conhecimentos na aplicação de machine learning a estas organizações. A esperança é a de que o sector social adopte amplamente o machine learning como uma forma de fortalecer o seu trabalho, “esticar” os dólares filantrópicos e expandir o seu impacto.
Sobre os autores:
Gideon Rosenblat escreve sobre a relação existente entre tecnologia, trabalho e humanidade no Vital Edge.
Abhishek Gupta é o fundador do Montreal AI Ethics Institute e investigador em ética da IA na McGill University.
Traduzido com permissão de “Artificial Intelligence as a Force for Good”. © Stanford Social Innovation Review 2019
Helena Oliveira
Editora Executiva
