Modelos de IA lutam para prever o comportamento irregular das pessoas durante a pandemia de Covid-19

Empresas de varejo e serviços em todo o mundo utilizam algoritmos de IA para prever comportamentos dos clientes, estoque de inventário, estimar impactos de marketing e detectar possíveis instâncias de fraude. Os modelos de aprendizado de máquina utilizados para fazer essas previsões são treinados em padrões derivados da atividade normal e diária das pessoas. Infelizmente, nossa atividade diária mudou durante a pandemia de coronavírus, e como MIT Technology Review relatou, os atuais modelos de aprendizado de máquina estão sendo afetados como resultado. A gravidade do problema difere de empresa para empresa, mas muitos modelos foram negativamente impactados pela mudança repentina no comportamento das pessoas ao longo das últimas semanas.

Quando a pandemia de coronavírus ocorreu, os hábitos de compra das pessoas mudaram dramaticamente. Antes do início da pandemia, os objetos mais comumente comprados eram coisas como capas de telefone, carregadores de telefone, fones de ouvido, utensílios de cozinha. Após o início da pandemia, os 10 principais termos de busca da Amazon se tornaram coisas como toalhetes Clorox, spray Lysol, papel toalha, desinfetante para mãos, máscaras faciais e papel higiênico. Ao longo da última semana de fevereiro, as principais buscas da Amazon se tornaram relacionadas a produtos que as pessoas precisavam para se proteger do Covid-19. A correlação entre as buscas/purchases de produtos relacionados ao Covid-19 e a propagação da doença é tão confiável que pode ser usada para acompanhar a propagação da pandemia em diferentes regiões geográficas. No entanto, os modelos de aprendizado de máquina quebram quando os dados de entrada do modelo são muito diferentes dos dados utilizados para treinar o modelo.

A volatilidade da situação tornou a automação de cadeias de suprimentos e inventários difícil. Rael Cline, CEO da consultoria Nozzle, com sede em Londres, explicou que as empresas estão tentando otimizar a demanda por papel higiênico de uma semana para a outra, enquanto “essa semana, todos querem comprar quebra-cabeças ou equipamentos de ginástica”.

Outras empresas têm seus próprios problemas. Uma empresa fornece recomendações de investimento com base no sentimento de vários artigos de notícias, mas como o sentimento dos artigos de notícias no momento é frequentemente mais pessimista do que o usual, as recomendações de investimento podem ser fortemente inclinadas para o negativo. Enquanto isso, uma empresa de vídeo por streaming utilizou algoritmos de recomendação para sugerir conteúdo aos espectadores, mas como muitas pessoas se inscreveram repentinamente no serviço, as recomendações começaram a falhar. Outra empresa responsável por fornecer varejistas na Índia com condimentos e molhos descobriu que os pedidos em grande quantidade quebravam seus modelos preditivos.

Diferentes empresas estão lidando com os problemas causados pelos padrões de comportamento da pandemia de maneiras diferentes. Algumas empresas simplesmente revisam suas estimativas para baixo. As pessoas ainda continuam a se inscrever na Netflix e a comprar produtos na Amazon, mas elas reduziram os gastos de luxo, adiando a compra de itens de grande valor. Em um sentido, os comportamentos de gastos das pessoas podem ser concebidos como uma contração de seu comportamento usual.

Outras empresas tiveram que se envolver mais com seus modelos e fazer ajustes importantes no modelo e em seus dados de treinamento. Por exemplo, a Phrasee é uma empresa de IA que utiliza processamento e geração de linguagem natural para criar cópias e anúncios para uma variedade de clientes. A Phrasee sempre tem engenheiros que verificam o texto gerado pelo modelo, e a empresa começou a filtrar manualmente certas frases em sua cópia. A Phrasee decidiu banir a geração de frases que possam encorajar atividades perigosas durante um período de distanciamento social, frases como “roupa de festa”. Eles também decidiram restringir termos que possam levar à ansiedade, como “prepare-se”, “segure-se” ou “estoque-se”.

A crise do Covid-19 demonstrou que eventos anormais podem afetar mesmo os modelos altamente treinados que são normalmente confiáveis, pois as coisas podem piorar mais do que os piores cenários que são normalmente incluídos nos dados de treinamento. Rajeev Sharma, CEO da consultoria de IA Pactera Edge, explicou ao MIT Technology Review que os modelos de aprendizado de máquina podem ser tornados mais confiáveis sendo treinados em eventos anormais, como a pandemia de Covid-19 e a Grande Depressão, além das flutuações normais para cima e para baixo.