Pedro Alves, CEO e Fundador da Ople.ai – Série de Entrevistas

Pedro Alves é o CEO e Fundador da Ople.ai, uma plataforma que empodera analistas e especialistas em matéria com poderosas análises preditivas. A plataforma é equipada com o conhecimento e a expertise dos principais cientistas de dados do mundo, para que os usuários possam se concentrar no que realmente são bons: criar impacto nos negócios.

O que o atraiu inicialmente para a ciência de dados?

Em 2001, eu vi um tremendo potencial na aprendizagem de máquina e inteligência artificial. Enquanto estudava ciência da computação como undergrad, e decidindo qual subcampo seguir, pensei: OK, AI/ML é uma área da ciência da computação que acho interessante – você pode ajudar a prever eventos em qualquer campo. Seja em biologia, medicina ou finanças, se você tiver aprendizagem de máquina e IA, pode avançar significativamente esses campos. Eu sempre pensei que a matemática por trás disso era fascinante.

Quando entrei na pós-graduação, decidi que a melhor maneira de melhorar minha expertise em aprendizagem de máquina seria aprender a aplicá-la. Eu sempre fui muito prático; não queria aprender teoria apenas por causa da teoria. Escolhi estudar aprendizagem de máquina como se aplica ao campo da genômica e proteômica. Todo o meu trabalho de pós-graduação foi em biologia computacional, mas o foco era em aprendizagem de máquina.

Logo após, entrei na indústria de saúde, onde vi um grande potencial para aplicações de AI/ML. Foi quando comecei a ver os problemas que a IA tinha na prática, fora da academia. Eu experimentei a realidade da IA e aprendi como ela havia sido aplicada de forma ineficaz no mundo real, e não por causa de problemas técnicos. Então, eu me tornei atraído por resolver o problema.

Você foi anteriormente o principal cientista de dados da Banjo, onde lidou com desafios na área de redes sociais. Pode discutir alguns desses desafios?

Como empresa, detectávamos eventos registrados em redes sociais, especificamente eventos que precisavam ser destacados como um perigo potencial, como um acidente de carro ou um prédio em chamas. Nós ajudávamos a sinalizar esses eventos, para que pudéssemos mobilizar os primeiros respondentes. Estávamos usando as redes sociais para o bem.

Muitos desses eventos são raros, em relação aos dados das redes sociais. Por exemplo, há numerosos acidentes que acontecem todos os dias em qualquer cidade, mas quando você olha para o volume de dados das redes sociais, uma foto de um acidente de carro se torna bastante minúscula. Considere as milhões de fotos de filhotes, fotos de comida, outra milhão de fotos de selfies, e então uma foto de um acidente de carro, tudo em um curto período de tempo. Basicamente, na Banjo, estávamos procurando a agulha no palheiro.

Então, um dos desafios que surgiam era em relação à visão computacional. Embora a visão computacional fosse decente na época, quando você tenta encontrar um em alguns milhões, mesmo uma pequena taxa de erro de probabilidade pode completely decimar suas chances de detectar esses eventos raros.

Por exemplo, havia um conjunto de dados público que, quando usado para treinar redes neurais, fazia com que elas não pudessem identificar cores. Mesmo que uma foto no conjunto de dados fosse colorida, e a rede neural estivesse olhando para todos os RGB, ela não usava a cor como um indicador. Pegue um carro de polícia tradicional e um táxi tradicional – ambos são basicamente o mesmo modelo de carro e uma peça extra de maquinaria no topo (por exemplo, sirenes em um carro de polícia ou um sinal de ocupado/livre em um táxi). Mas, se você olhar para a cor, a diferença entre os dois é aparente. Por causa desse exemplo, fomos capazes de entender que criar um conjunto de dados adequado é vital.

Em 2017, você então lançou a Ople. Qual foi a história de gênese por trás dessa startup?

Eu queria que as empresas recebessem um sólido retorno sobre o investimento ao implementar a IA. De acordo com a Gartner, entre 80 e 90 por cento dos projetos de IA nunca veem a luz do dia. Isso não tem nada a ver com aspectos técnicos, como a precisão do modelo. É geralmente cultura da empresa ou aspectos procedimentais dentro da empresa.

Isso pode ser devido à falta de comunicação suficiente entre a equipe de ciência de dados e o usuário de negócios, levando a modelos que estão prevendo algo que a equipe de negócios não precisa, porque a equipe de ciência de dados não entendeu o que precisava ser construído. Ou, se eles construírem o modelo correto, então, quando a equipe de ciência de dados termina, a equipe de negócios não aproveita as previsões de forma alguma. Na maioria das empresas, departamentos como vendas, marketing e logística são os que realmente deveriam estar utilizando a IA, mas é a equipe de ciência de dados que entende os modelos. Quando essas equipes não entendem os modelos que estão sendo construídos para elas, elas tendem a não confiar nas previsões e, portanto, não as usam.

Então, se a IA não está mudando a forma como a empresa faz negócios, qual é o ponto?

Queríamos criar uma plataforma que resolvesse isso – queremos ajudar a equipe de ciência de dados ou os analistas de negócios, analistas de dados, quem quer que esteja envolvido com a empresa nesse processo – a construir os projetos certos e ajudar os funcionários a entender e confiar nos modelos. Se resolvermos isso, então acredito que a ciência de dados finalmente pode ser valiosa para as empresas de uma forma real.

Você afirmou que os cientistas de dados estão perdendo tempo valioso realizando tarefas que podem ser automatizadas com a IA. Quais são alguns exemplos de tarefas que devem ser automatizadas?

Um cientista de dados geralmente leva vários meses para concluir um modelo, e uma vez finalizado, a empresa implementará o modelo, embora ele provavelmente não seja tão preciso quanto possível. Nos meses seguintes à implementação do modelo, o cientista de dados continuará a trabalhar nele, tentando aumentar a precisão do modelo em pequenas quantidades incrementais. É geralmente onde muitos cientistas de dados gastam seu tempo, quando poderiam estar gastando tempo fazendo outras tarefas, como garantir que os funcionários entendam, confiem e usem os modelos de IA em lugar. Todo o tempo gasto em tarefas como engenharia de recursos, treinamento de modelos, ajuste de parâmetros e seleção de algoritmos, tentando aumentar a precisão de um modelo, pode ser facilmente automatizado com a IA.

Pode descrever o que é meta-aprendizado e como a Ople aplica isso?

Antes de chegar ao meta-aprendizado, é importante entender a primeira camada da aprendizagem de máquina. Digamos que você tem um conjunto de dados que prevê quando as máquinas vão quebrar em uma fábrica. A máquina notificará os funcionários de que ela está prestes a quebrar, para que eles possam realizar manutenção preventiva. Isso é considerado a primeira camada de aprendizado.

Meta-aprendizado, frequentemente conhecido como “aprendizado para aprender”, é entender ainda mais o processo de aprendizado. Então, enquanto você está treinando seu modelo para prever erros de máquina, você tem outro modelo observando. Por exemplo, o segundo modelo poderia ajudar as empresas a entender quais parâmetros o modelo de manutenção preventiva está aprendendo bem e quais parâmetros não estão funcionando bem. Quando você faz meta-aprendizado, você melhora em construir modelos mais eficientes, mais rápido.

Quais são suas opiniões sobre dados sintéticos?

Os dados sintéticos podem ser incrivelmente difíceis de trabalhar, se não forem executados corretamente.

Digamos que você tem dados de registros médicos – você tem 20 pacientes, e para esses pacientes, você tem a idade, gênero, peso, altura, pressão arterial, lista de medicamentos, etc. É possível criar dados sintéticos com aprendizagem de máquina com base nesses registros médicos. No entanto, se você confiar apenas na aprendizagem de máquina ou estatística, você pode acabar com dados sintéticos sem sentido. Pode criar uma combinação aleatória e casual dos valores, como uma criança de 3 anos que é 1,80 metros de altura ou uma pessoa de 1,20 metros de altura que pesa 450 quilos. Embora a IA/ML sejam confiáveis em muitos casos, os dados sintéticos usados para registros médicos precisariam ter a entrada de um médico.

Então, você envolve um profissional de saúde para criar parâmetros, como “se a pessoa tiver essa idade, qual é um intervalo de altura e peso realista” ou “se estiver tomando esse medicamento, quais medicamentos não devem ser tomados?” Esse processo se tornaria uma empreitada massiva e muito complicada para mapear todas as possibilidades, como elas se relacionam com os registros médicos de cada paciente.

No entanto, no domínio das imagens, os dados sintéticos podem ser muito mais fáceis de entender e criar. Digamos que você tem uma foto de um carro, e o carro está localizado no canto superior esquerdo. Você não precisa ser um especialista para saber que o mesmo carro poderia estar no canto inferior esquerdo, canto superior direito ou no centro. Não apenas a pessoa pode apontar uma câmera de muitas maneiras, mas também pode realinhar a foto. Movendo o foco da foto, para que o carro esteja em todos os cantos diferentes, é criar dados sintéticos – outro método simples é usar rotação.

Pode dar alguns exemplos de como a Ople foi capaz de ajudar as empresas com suas necessidades de dados?

A Ople.AI dá às empresas a capacidade de utilizar análises de dados profundas em todos os níveis da organização e dar aos funcionários a oportunidade de desbloquear o valor da IA, com apenas alguns cliques. Em vez de as organizações confiarem em uma pequena equipe de cientistas de dados para articular e implementar a IA, a Plataforma Ople.AI equipa os funcionários em vários departamentos com as ferramentas para acessar insights dos dados e, por sua vez, aumentar sua eficiência diária.

Com isso dito, um grande obstáculo que as organizações frequentemente enfrentam ao implementar a IA é a explicabilidade do modelo. É fundamental para as empresas oferecerem IA que seus funcionários possam entender e, mais importante, confiar. A explicabilidade do modelo ajuda com isso. Nosso objetivo com a Plataforma Ople.AI é dar aos funcionários, que podem não ser especialistas em IA ou tecnologia, a chance de entender facilmente como os modelos fazem previsões e por quê. Criar explicabilidade do modelo gerará resultados poderosos para as empresas a longo prazo.

Além disso, há muito mais valor que um modelo pode trazer para as empresas além de fazer previsões. A IA pode descobrir problemas potenciais ou áreas que podem ser capitalizadas. Nós chamamos isso de explicabilidade de dados – são as várias maneiras pelas quais um modelo pode compartilhar insights inteligentes sobre os dados que são valiosos para uma empresa. Essa é uma grande maneira pela qual a IA pode ajudar os negócios, e é uma área em que estamos avançando em relação à nossa concorrência.

Obrigado pela entrevista, leitores que desejam aprender mais devem visitar Ople.ai.