Esse pode ser meu argumento mais forte para usar dados e análises como um impulsionador da criação de valor e do crescimento econômico no século XXI. As economias de aprendizagem são mais significativas do que as economias de escala nas indústrias baseadas no conhecimento. E logo todos os setores da economia serão baseados no conhecimento e seu processo de aprendizagem.
Com relação ao domínio das “economias de aprendizado”, as organizações devem fazer duas coisas: 1) dominar o aprendizado de máquina; e 2) dominar o aprendizado humano. Para fazer isso, eles devem capacitar o aprendizado de máquina e humano e adaptar-se continuamente para reimaginar modelos operacionais, desintermediar relacionamentos com clientes e interromper modelos de negócios.
Os aprendizados ou know-how que são registrados, compartilhados, reaplicados e aprimorados por meio da implantação prática caso a caso são o que compõem as economias de aprendizado. Aqui está uma visão mais detalhada do aprendizado automatizado e manual.
O processo de aprendizagem das máquinas
Aqui estão alguns dos métodos mais populares usados pelas máquinas para aprender usando IA e ML.
Aprendizagem Ativo
Os modelos de aprendizado de máquina funcionam essencialmente como dispositivos de adivinhação e verificação. Eles analisam alguns dados, calculam um palpite, verificam sua conclusão (resultado), fazem um pequeno ajuste e tentam novamente com alguns dados novos usando várias técnicas[1]. O acesso a dados rotulados com precisão (resultados) é essencial para que um modelo de aprendizado de máquina funcione bem. Em alguns casos, rotular corretamente os dados requer o conhecimento de especialistas em assuntos humanos (SMEs). Dado o estado atual do modelo analítico, o Active Learning usa técnicas matemáticas para classificar os dados que o SME precisa rotular. Para acelerar o aprendizado de máquina, o aprendizado ativo maximiza a colaboração homem-máquina.
Aprendizagem por Transferência
Uma rede neural é primeiro treinada em um tipo de problema e, então, com apenas um treinamento mínimo, seu “aprendizado” é “transferido” para outros problemas de natureza semelhante. Esse processo é conhecido como aprendizagem por transferência. O aprendizado por transferência visa compartilhar e reutilizar o conhecimento (pesos e vieses) obtido com o uso de redes neurais para resolver um problema e, em seguida, aplicar esse aprendizado a outro problema relacionado. Por exemplo, as habilidades adquiridas ao aprender a identificar carros podem ser usadas na tentativa de identificar caminhões ou tanques.
Aprendizado de Reforço
Ao mapear as circunstâncias para as ações por meio de tentativa e erro, o aprendizado por reforço maximiza as recompensas e minimiza as penalidades. Dentro das restrições de uma situação operacional específica, o Reinforcement Learning emprega um “Agente AI” autônomo para encontrar ou aprender uma estratégia bem-sucedida por meio de tentativa e erro experimental.
Aprendizagem por reforço é o processo de aprendizagem por meio da execução repetida de uma tarefa (como jogar um determinado jogo, lavar a louça ou dirigir um carro). Quando o programa escolhe bem, é recompensado; quando escolhe mal, não é recompensado (ou é punido). Para que as conexões do modelo AI / ML (pesos e vieses) eventualmente façam os movimentos “certos” sem que os programadores programem explicitamente as regras do jogo, um sistema de recompensas e penalidades deve estar em vigor. É verdade que o aprendizado por reforço é semelhante ao jogo infantil Hotter-Colder, embora eu não me lembre de que a punição fazia parte dele.
Meta-Aprendizagem
O subcampo de meta-aprendizagem do aprendizado de máquina envolve a aplicação automática de algoritmos de aprendizado aos metadados da experimentação. Ao criar modelos algorítmicos que podem adquirir rapidamente novas habilidades ou se adaptar a ambientes desconhecidos, o meta-aprendizado visa ensinar as máquinas “como aprender” sem a necessidade de enormes conjuntos de dados de teste.
O objetivo do meta-aprendizado é desenvolver sistemas que possam “aprender a aprender”, utilizando conceitos-chave de IA e aprendizado profundo, como retropropagação e descida de gradiente estocástico.
Aprendizado não é apenas para máquinas
Surpresa! Como as máquinas, os humanos são capazes de aprendizado e adaptação contínuos. Mas também é necessário desenvolver uma cultura que capacite as equipes e promova o aprendizado contínuo por meio de tentativas, falhas, aprendizado com os erros e tentativas novamente.
As organizações que concentram sua liderança executiva em primeiro lugar em permitir que as equipes de linha de frente – aquelas equipes no ponto de envolvimento do cliente e/ou operacional – aprendam continuamente e se adaptem mais rapidamente do que seus rivais prosperarão em um mundo de mudanças constantes. Por essa razão, as “caixas organizacionais” devem dar lugar aos “redemoinhos de empoderamento”, que estimulam a improvisação organizacional.
A capacidade de uma organização de adicionar e remover membros da equipe preservando a integridade operacional e a eficácia dessas equipes é conhecida como improvisação organizacional ou improvisação.
As equipes que adotam a improvisação organizacional e a diversidade são bem-sucedidas, assim como os grandes times de basquete, futebol, quartetos de jazz e outros times esportivos.
Resumo
As economias de aprendizado são mais fortes do que as economias de escala nas indústrias baseadas no conhecimento, e logo todas as indústrias serão baseadas no conhecimento.
Você deve dominar o aprendizado de máquina e humano se quiser ter sucesso nas “economias de aprendizado” e vencer as guerras da transformação digital. Ou seja, as organizações devem permitir o aprendizado e a adaptação humanos e de máquina para interromper os modelos de negócios, reimaginar os modelos operacionais e desintermediar os relacionamentos com os clientes.
