Tomada de Decisões

Ajay Agrawal, Joshua Gans e Avi Goldfarb, no livro “Máquinas de previsão: a economia simples da inteligência artificial”, afirmam as máquinas de previsão serem tão valiosas porque:

(1) muitas vezes podem produzir previsões melhores, mais rápidas e mais baratas se comparadas aos humanos;

(2) a previsão é um ingrediente-chave na tomada de decisão sob incerteza; e

(3) a tomada de decisão é onipresente em toda a nossa vida econômica e social.

No entanto, uma previsão não é uma decisão – é apenas um componente de uma decisão. Os outros componentes são julgamento, ação, resultado e três tipos de dados: entrada, treinamento e feedback.

Ao decompor uma decisão em seus componentes, podemos entender o impacto das máquinas de previsão no valor de seres humanos e outros ativos. O valor dos substitutos para as máquinas de previsão, ou seja, a previsão humana, diminuirá. No entanto, o valor dos complementos, como as habilidades humanas associadas à coleta de dados, julgamento e ações, se tornará mais valioso.

No caso dos taxistas londrinos, cada um investiu três anos para aprender “O Conhecimento” – como prever o caminho mais rápido de um local para outro em uma determinada hora do dia – e nenhum piorou em seu trabalho por causa das máquinas de previsão. Em vez disso, muitos outros motoristas se tornaram muito melhores em escolher a melhor rota usando máquinas de previsão. As habilidades de previsão dos taxistas não eram mais escassas mercadorias. Os motoristas sem serem taxistas ao possuírem habilidades de direção e sensores humanos (olhos e ouvidos) efetivamente foram aprimorados por máquinas de previsão, permitindo eles competissem com taxistas por melhores vias (não congestionadas) via uso de Waze.

O julgamento envolve determinar o retorno relativo associado a cada possível resultado de uma decisão, incluindo aqueles associados a decisões “corretas”, bem como aqueles associados a erros. O julgamento exige especificar o objetivo realmente em busca e é um passo necessário na tomada de decisões.

Como as máquinas de previsão tornam as previsões cada vez melhores, mais rápidas e mais baratas, o valor do julgamento humano aumentará, porque precisaremos de mais delas. Podemos estar mais dispostos a exercer esforço e aplicar o julgamento às decisões quando previamente escolhemos não decidir, ou seja, aceitando o padrão.

As máquinas de previsão aumentam o retorno do julgamento porque, diminuindo o custo da previsão, aumentam o valor de compreender as recompensas associadas às ações. No entanto, o julgamento é caro. Descobrir os payoffs relativos para ações diferentes em situações diferentes requer tempo, esforço e experimentação.

Muitas decisões ocorrem sob condições de incerteza. Decidimos trazer um guarda-chuva porque achamos que pode chover, mas podemos estar errados. Decidimos autorizar uma transação porque achamos ela ser legítima, mas podemos estar errados. Sob condições de incerteza, precisamos determinar a recompensa (ou o castigo) por agir em decisões erradas, não apenas certas. Assim, a incerteza aumenta o custo de julgar os payoffs de uma determinada decisão.

Se houver um número gerenciável de combinações de ação-situação associadas a uma decisão, podemos transferir o julgamento de nós mesmos para a máquina de previsão (isso é a “engenharia da função de recompensa”) para a máquina poder tomar a decisão com base em predição. Isso permite automatizar a decisão.

Muitas vezes, no entanto, existem muitas combinações de ação-situação, de modo ser muito caro codificar antecipadamente todos os pagamentos associados a cada combinação, especialmente os muito raros. Nesses casos, é mais eficiente para um ser humano aplicar o julgamento após a predição da máquina de previsão.

As máquinas podem aprender a prever o julgamento humano. Um exemplo está quando ele está dirigindo. É impraticável para os seres humanos codificar seu julgamento sobre como lidar com todas as situações possíveis. No entanto, treinamos sistemas de direção autônomos, mostrando-lhes muitos exemplos e recompensando-os por prever o julgamento humano: o que um humano faria nessa situação?

Existem limites para a capacidade das máquinas de prever o julgamento humano. Os limites estão relacionados à falta de dados. Existem alguns dados não apresentados pelos humanos, como as diversas preferências individuais. Esses dados têm valor, e as empresas atualmente pagam para acessá-los por meio de descontos no uso de cartões de fidelidade e serviços on-line gratuitos, como o Google e o Facebook.

Máquinas são ruins na previsão de eventos raros. Os gerentes tomam decisões sobre fusões, inovações e parcerias sem dados sobre eventos passados ​​semelhantes para suas empresas. Os humanos usam analogias e modelos para tomar decisões em situações tão incomuns. As máquinas não podem prever o julgamento quando uma situação não ocorreu muitas vezes no passado. Nesse caso, não há banco de dados.

A previsão aprimorada permite os tomadores de decisão, sejam humanos ou máquinas, lidarem com mais “se(s)” e mais “horas”. Isso leva a melhores resultados. Por exemplo, no caso da navegação, ilustrada neste livro com o robô mail, as máquinas de previsão liberam veículos autônomos de sua limitação anterior de operar apenas em ambientes controlados. Essas configurações são caracterizadas por seu número limitado de “se(s)” [“ifs”] ou estados.

As máquinas de previsão permitem os veículos autônomos operarem em ambientes não controlados, como em uma rua da cidade, porque em vez de codificar todos os possíveis “ses” antecipadamente, a máquina pode aprender a prever o que um controlador humano faria em qualquer situação específica.

Da mesma forma, o exemplo dos lounges de aeroportos ilustra como a previsão aprimorada facilita maior aproveitamento das “horas”. Por exemplo, “sair no horário X ou Y ou Z”, dependendo da previsão de quanto tempo levará para chegar ao aeroporto em um determinado momento em determinado dia. Isso em vez de “sair sempre cedo apenas por precaução” e depois passar mais tempo esperando no saguão do aeroporto.

Na falta de uma boa previsão, nós fazemos um monte de nível “satisfatório”, tomando decisões apenas “boas o suficiente”, dadas as informações disponíveis. Sempre saindo cedo para o aeroporto e, muitas vezes, ficar esperando ocioso, uma vez chegado lá, porque está muito mais cedo ou adiantado, é um exemplo de não grande satisfação.

Essa solução não é a ideal, mas é boa o suficiente, dadas as informações disponíveis. O robô postal e o saguão do aeroporto são invenções projetadas em resposta ao nível apenas satisfatório. As máquinas de previsão reduzirão a necessidade de satisfação média e, assim, reduzirão o retorno do investimento em soluções como sistemas de robôs de correio e lounges de aeroportos.

Estamos tão acostumados a nos satisfazer em nossos negócios e em nossas vidas sociais a ponto de ser preciso imaginar muito todo o vasto leque de transformações possíveis como resultado de máquinas de previsão. Elas podem lidar com mais “ses” e “horas” e, portanto, mais complexas decisões em ambientes mais complexos.

Não é intuitivo para a maioria das pessoas pensar em lounges de aeroportos como uma solução para previsões ruins. Elas serão menos valiosas em uma era de poderosas máquinas de previsão.

Outro exemplo é o uso de biópsias. Elas existem em grande parte em resposta a fraquezas na previsão de imagens médicas. À medida que a confiança nas máquinas de previsão aumenta, o impacto das IAs de imagens médicas pode ser muito maior nos trabalhos associados à realização de biópsias, porque, como nos aeroportos, esse procedimento caro e invasivo foi inventado em resposta à previsão precária.

Salas de aeroporto e biópsias são soluções de gerenciamento de risco. As máquinas de previsão fornecerão novos e melhores métodos para gerenciar riscos.

A introdução da IA ​​em uma tarefa não implica necessariamente automação completa dessa tarefa. A previsão é apenas um componente. Em muitos casos, os humanos ainda são obrigados a aplicar julgamento e tomar uma ação.

No entanto, às vezes, o julgamento pode ser codificado ou, se houver exemplos suficientes disponíveis, as máquinas podem aprender a prever o julgamento. Além disso, as máquinas podem executar a ação. Quando as máquinas executam todos os elementos da tarefa, a tarefa é totalmente automatizada e os humanos são completamente removidos do loop.

As tarefas com maior probabilidade de serem totalmente automatizadas primeiro são aquelas para as quais a automação completa fornece os maiores retornos. Estas incluem tarefas em que:

(1) os outros elementos já estão automatizados, exceto para previsão (por exemplo, mineração);

(2) os retornos da velocidade de ação em resposta à previsão são altos (por exemplo, carros sem motorista); e

(3) os retornos para reduzir o tempo de espera por previsões são altos (por exemplo, exploração espacial).

Uma distinção importante entre veículos autônomos operando em uma rua da cidade versus aqueles em uma mina é a primeira gerar externalidades significativas, enquanto a segunda não. Veículos autônomos ao operarem em uma rua da cidade podem causar um acidente e leva incorrer em custos suportados por Indivíduos externos ao tomador de decisão. Por outro lado, os acidentes causados por veículos autônomos operadores em uma mina só acarretam custos possíveis de afetar os ativos ou as pessoas associadas à mina.

Os governos regulam as atividades geradoras de externalidades. Assim, a regulamentação é uma barreira potencial para a automação total de aplicativos geradores de externalidades significativas.

A atribuição de responsabilidade é uma ferramenta comum usada por economistas para resolver esse problema, internalizando externalidades. Antecipamos uma onda significativa de desenvolvimento de políticas relacionadas à atribuição de responsabilidade, impulsionada por uma demanda crescente por muitas novas áreas de automação.

Tomada de Decisões publicado primeiro em https://fernandonogueiracosta.wordpress.com