30/01/2021

Tecnologia versus Empregos

Por wcalazans

Outro dia falamos aqui sobre o futuro do trabalho, e também sobre o relatório do Pew Research sobre o impacto da IA, robótica e outras tecnologias avançadas, no futuro dos empregos. Esse relatório foi baseado nas respostas de 1.900 especialistas a várias perguntas, e uma delas foi:

Os aplicativos e dispositivos robóticos em rede, automatizados e de inteligência artificial (IA) acabarão com mais empregos do que criarão até 2025?

Nessa linha de raciocínio, o economista do MIT David Autor, – em seu artigo Polanyi’s Paradox and the Shape of Employment Growth (O paradoxo de Polanyi e a forma de crescimento do emprego) apresentado no simpósio anual Jackson Hole Federal Reserve, uma reunião de banqueiros, especialistas em finanças e acadêmicos mais proeminentes do mundo, onde o tema principal foi “Reavaliar a dinâmica do mercado de trabalho“, os participantes puderam expôr seus argumentos com base nas evidências empíricas existentes e aqui vai um resumo dos pontos principais.

Os computadores trouxeram grandes avanços na automação de muitas tarefas humanas físicas e cognitivas, especialmente aquelas tarefas que podem ser bem descritas por um conjunto de regras.

O professor Autor argumentou que, apesar dos avanços contínuos em IA e robótica, os “desafios para substituir trabalhadores por máquinas em tarefas que exigem flexibilidade, julgamento e bom senso, permanecem imensos”.

Esse argumento é baseado no conceito de conhecimento tácito, introduzido pela primeira vez na década de 1950 pelo cientista e filósofo Michael Polanyi. O conhecimento explícito é formal, codificado e pode ser facilmente explicado às pessoas e replicado em um programa de computador. O conhecimento tácito, por outro lado, é o tipo de conhecimento que frequentemente não temos consciência de que temos e, portanto, é difícil de transferir para outra pessoa, quanto mais para uma máquina. Geralmente, esse tipo de conhecimento é melhor transmitido por meio de interações pessoais e experiências práticas. Exemplos do dia a dia incluem falar um idioma, andar de bicicleta, dirigir um carro e reconhecer facilmente muitos objetos e animais diferentes.

Podemos saber mais do que podemos dizer”, observou Polanyi no que Autor se refere como o paradoxo de Polanyi. Esse aparente paradoxo capta de forma sucinta o fato de que sabemos muito sobre como o mundo funciona, mas não somos capazes de descrever explicitamente esse conhecimento.

O artigo baseia-se ainda na pesquisa anterior de Autor sobre a polarização das oportunidades de emprego nos EUA, onde ele examinou a dinâmica de mudança do mercado de trabalho dos EUA, observando três segmentos diferentes:

  • Empregos de alta qualificação e altos salários, onde as oportunidades se expandiram significativamente, com os ganhos dos trabalhadores com formação universitária necessários para preencher esses empregos aumentando continuamente nos últimos trinta anos;
  • Empregos de baixa qualificação e baixos salários, que também têm se expandido, enquanto seu crescimento salarial, especialmente desde 2000, tem sido estável a negativo;
  • Empregos de média qualificação e com salários médios que têm diminuído, embora seu crescimento salarial também tenha diminuído ao longo dos anos, especialmente desde 2000.

Muitas atividades de nível médio envolvem tarefas relativamente rotineiras, ou seja, tarefas ou processos que podem ser bem descritos por um conjunto de regras. Eles incluem atividades manuais, como manufatura e outras formas de produção, bem como, atividades baseadas em informações, como contabilidade, manutenção de registros, lidar com questões simples de atendimento ao cliente e muitos tipos de tarefas administrativas.

Como as principais tarefas dessas ocupações seguem procedimentos precisos e bem compreendidos, elas são cada vez mais codificadas em softwares de computador e executadas por máquinas”, escreve Autor. “Esta força levou a um declínio substancial no emprego em apoio administrativo e administrativo e, em menor grau, na produção e no emprego operacional.”

Atividades de baixa e alta qualificação são geralmente de natureza não rotineira. Atividades de baixa habilidade tendem a ser tarefas manuais que não podem ser descritas por um conjunto de regras que uma máquina pode seguir. Os empregos nesta categoria incluem serviços de zeladoria, jardinagem, cargos em restaurantes de fast-food e auxiliares de saúde. Essas atividades não são candidatas a substituições de tecnologia, nem podem ser facilmente complementadas com ferramentas baseadas em tecnologia.

A maioria dos trabalhos de alta qualificação envolve a resolução de problemas por especialistas, comunicações complexas e outras atividades humanas cognitivas para as quais não existem soluções baseadas em regras. Os exemplos incluem diagnósticos médicos sofisticados, projetos complexos e muitas tarefas de P&D, bem como gerenciamento de grandes organizações, ensino e redação de livros e artigos. Os computadores complementaram e aumentaram significativamente a produtividade dessas tarefas altamente qualificadas e com grande quantidade de informações, e permitiram que tratassem de muitos novos tipos de problemas.

Seria de se esperar, portanto, que crescessem os empregos não rotineiros, tanto os de alta habilidade, como os cognitivos e os manuais de baixa habilidade, uma vez que são muito menos passíveis de substituição de tecnologia. No entanto, os empregos de alta e de média habilidade mais rotineiros estão diminuindo, uma vez que são os principais candidatos à automação. O artigo de Autor, apresentado no Federal Reserve dá as evidências quantitativas consideráveis de que este é realmente o caso, não apenas nos EUA, mas também em 16 outros países da União Europeia.

Na prática, o paradoxo de Polanyi significa que muitas tarefas comuns, que vão do simples ao difícil, não podem ser informatizadas atualmente porque não conhecemos as regras para isso”, acrescenta Autor. “A nível econômico, o paradoxo de Polanyi significa algo mais. O fato de uma tarefa não poder ser informatizada não significa que a informatização não tenha efeito sobre essa tarefa. Pelo contrário: tarefas que não podem ser substituídas pela informatização são geralmente complementadas por ela. Este ponto é tão fundamental que é esquecido.”

Quanto ao futuro, já que as máquinas estão sendo cada vez mais aplicadas a atividades que exigem inteligência e capacidades cognitivas, talvez jamais vistas antes, que eram de amplo domínio humano – todos os trabalhadores de uma faixa de conhecimentos ou pelo perfil da atividade, correm o risco de perder a ‘Race Against the Machine’.

O que o paradoxo de Polanyi pode nos ensinar sobre os esforços para informatizar tarefas que exigem flexibilidade, julgamento e bom senso? Autor discute duas abordagens principais que podem nos ajudar a informatizar essas tarefas: controle ambiental e aprendizado de máquina.

O controle ambiental envolve essencialmente a engenharia do ambiente para compensar as muitas limitações das máquinas, ao mesmo tempo em que aproveita seus muitos benefícios. Embora as máquinas achem muito difícil operar em ambientes imprevisíveis, há muito tempo adaptamos e simplificamos os ambientes de trabalho para que possamos nos beneficiar do que as máquinas fazem. As linhas de montagem são exemplos bem conhecidos de adaptação do ambiente de fábrica no qual as máquinas operam. Assim como os trilhos de trem e as estradas pavimentadas que nos permitem usar trens, carros e caminhões, respectivamente. Em ambientes altamente selecionados, como a movimentação entre terminais em um aeroporto, os trens podem até mesmo ser totalmente automatizados e não exigir um operador humano. Mais recentemente, os armazéns estão sendo reprojetados para que humanos e máquinas robóticas inteligentes, possam trabalhar juntos.

E quanto à promessa de carros e caminhões autônomos, que muitos acreditam estar entre nós em menos de uma década, mas outros não têm tanta certeza de quão totalmente automatizados eles serão?

Um carro autônomo do Google, por exemplo, requer mapas altamente detalhados e selecionados para suas operações, através dos quais eles navegam usando os dados em tempo real de seus sensores. Se seu software determinar que o ambiente real é suficientemente diferente de seus mapas pré-especificados, ele ‘entrega’ o controle ao operador humano. “Assim”, observa Autor, “embora o carro do Google pareça exteriormente tão adaptável e flexível quanto um motorista humano, na realidade é mais parecido com um trem correndo em trilhos invisíveis”.

O controle ambiental é uma grande promessa para o futuro, à medida que projetamos nossas máquinas cada vez mais inteligentes com o ambiente no qual elas irão operar e interagir. E, tais ambientes amigáveis às máquinas não precisam se parecer com os ambientes mais imprevisíveis que são naturais para os humanos devido a todo o conhecimento tácito que adquirimos através da experiência.

O aprendizado de máquina é uma tentativa de aproveitar toda essa experiência prática para contornar o paradoxo de Polanyi. Envolve a aplicação de raciocínio indutivo para que a máquina possa aprender a partir de dados padrões, em vez de seguir instruções explicitamente programadas. “Assim, por meio de um processo de exposição, treinamento e reforço, os algoritmos de aprendizado de máquina podem potencialmente inferir como realizar tarefas que se mostraram extremamente desafiadoras para codificar com procedimentos explícitos.

O aprendizado de máquina foi aplicado com sucesso a muitas tarefas nas últimas décadas. O crescimento explosivo do big data e o advento da ciência de dados como uma nova disciplina representam uma grande promessa para o futuro do aprendizado de máquina e das metodologias baseadas em dados relacionais. Mas, embora tenha grande sucesso em muitas tarefas sofisticadas com uso intensivo de dados, – por exemplo, saúde, marketing, finanças, – o aprendizado de máquina pode enfrentar sérias limitações em tarefas simples do dia a dia que uma criança pode dominar rapidamente, como reconhecer visualmente uma cadeira ou um gato, algo que aprendemos a fazer sem saber bem como.

Além disso, pode haver limitações práticas de engenharia para as aplicações de tais aplicativos de dados intensivos. Como observou o incrível artigo do NY Times de 2012!, os pesquisadores do Google usaram 16.000 processadores para ensinar uma máquina a identificar um gato usando os princípios do aprendizado de máquina. E o computador IBM Watson que em 2011 venceu o Jeopardy! Challenge, consumiu 85.000 watts de potência para derrotar os dois melhores Jeopardy humanos! jogadores, cujos cérebros consumiram cerca de 20 watts. Embora os avanços na tecnologia já tenham melhorado significativamente a eficiência de tais aplicativos com uso intensivo de dados, seu sucesso comercial pode ser limitado dado seus altos custos de energia. Quando se trata de tarefas que exigem amplo uso de conhecimento tácito, ainda temos muito a aprender com a biologia humana.

Ainda assim, o potencial de longo prazo do aprendizado de máquina para contornar o paradoxo de Polanyi é um assunto de debate ativo entre os cientistas da computação”, escreve Autor. “Alguns pesquisadores esperam que, à medida que o poder de computação aumente e os bancos de dados cresçam, a abordagem de aprendizado de máquina de força bruta se aproxime ou excede as capacidades humanas.

O professor Autor conclui o artigo com algumas observações pessoais importantes.

À medida que o trabalho físico deu lugar ao trabalho cognitivo, a demanda do mercado de trabalho por habilidades analíticas formais, comunicação escrita e conhecimento técnico específico aumentou espetacularmente. . . Portanto, o investimento em capital humano deve estar no centro de qualquer estratégia de longo prazo para a produção de habilidades que sejam complementadas em vez de substituídas por tecnologia.

Embora muitas tarefas de habilidade média sejam suscetíveis à automação, muitos empregos de habilidade média exigem uma mistura de tarefas de todo o espectro de habilidades. . . muitos dos empregos de habilidades intermediárias que persistem no futuro combinarão tarefas técnicas de rotina com o conjunto de tarefas não rotineiras nas quais os trabalhadores detêm vantagem comparativa – interação interpessoal, flexibilidade, adaptabilidade e resolução de problemas.

E, finalmente, “os desafios para informatizar inúmeras tarefas diárias – do sublime ao mundano – permanecem substanciais. . . há uma longa história de pensadores importantes superestimando o potencial das novas tecnologias para substituir o trabalho humano e subestimando seu potencial para complementá-lo”.

Conte aos amigos