Há alguns anos, vi um vídeo no Ted talks sobre o valor econômico da IA onde o professor Avi Goldfarb explicava que a melhor maneira de avaliar o impacto de uma nova tecnologia é ver como a tecnologia reduz o custo de algo amplamente utilizado.
Os computadores, por exemplo, são calculadoras poderosas, que provocaram a drástica redução de custo de aritmética e outras operações digitais nas últimas décadas. Como resultado, aprendemos a definir todos os tipos de tarefas em termos de operações digitais, por exemplo, transações financeiras, gerenciamento de estoque, processamento de texto, fotografia. Da mesma forma, a Internet e a World Wide Web reduziram drasticamente o custo das comunicações e do acesso a todos os tipos de informações – incluindo números, textos, imagens, músicas e vídeos.
Visto por essa lente, os dados e a revolução da IA podem ser vistos como uma redução do custo das previsões.
As previsões significam antecipar o que provavelmente acontecerá no futuro. Na última década, computadores cada vez mais poderosos, algoritmos avançados de aprendizado de máquina e o crescimento explosivo de big data nos permitiram extrair insights dos dados e transformá-los em previsões valiosas. Como acontecia anteriormente com operações digitais, comunicações e acesso à informação, – agora somos capazes de reformular todos os tipos de aplicativos como problemas de previsão. Uma grande família de aplicativos são os motores de recomendação ou sistemas de recomendação, que a Wikipedia define como “uma subclasse de sistema de filtragem de informações que busca prever a ‘classificação’ ou ‘preferência’ que um usuário daria a um item”.
“A função essencial dos sistemas de recomendação é predizer matematicamente a preferência pessoal”, escreve o acadêmico do MIT, Michael Schrage, em seu livro, Recommendation Engines. Mas,
“os mecanismos de recomendação são muito mais intrigantes e importantes do que suas definições podem sugerir“,
pois eles não apenas prevêem, mas também moldam as preferências dos usuários. Ao longo do livro, Schrage explora o desejo humano de obter conselhos bons, práticos e acionáveis – seja dos deuses, da astrologia ou livros de autoajuda – e a evolução das recomendações em nossas tecnologias baseadas em algoritmos onipresentes até o ponto em que eles ‘Quase nos tornamos uma extensão de nossos cérebros.
“Mais pessoas ao redor do mundo estão se tornando mais adeptos – até mesmo dependentes – dos mecanismos de recomendação para aconselhar, informar e inspirar.”
“As recomendações influenciam cada vez mais como os indivíduos gastam seu tempo, dinheiro e energia para obter mais da vida. Isso explica por que organizações globais, como Alibaba, Netflix, Spotify, Amazon e Google, investem tanto neles”.
Essas plataformas poderosas são impulsionadas por suas enormes economias de escala, – que são amplamente baseadas em recomendações altamente personalizadas. Quanto maior a rede, mais dados estarão disponíveis para recomendar ofertas altamente personalizadas. É disso que se tratam os efeitos de rede: quanto mais produtos ou serviços uma plataforma oferece, mais usuários ela atrairá, ajudando-a a atrair mais ofertas, o que por sua vez traz mais usuários, gera mais dados e torna a plataforma ainda mais valiosa
Esses poderosos mecanismos de recomendação “não apenas antecipam algoritmicamente o que‘ pessoas como você’ desejam, eles estimulam os usuários a explorar opções e oportunidades que podem nunca ter passado por suas cabeças“.
Por exemplo, com base em recomendações personalizadas da Netflix, descobri uma série de ótimos filmes que nunca teria visto por conta própria, – uma parte importante do motivo pelo qual sou um assinante da Netflix há muito tempo. Na verdade, as recomendações personalizadas têm sido uma parte tão importante da marca e do modelo de negócios da Netflix, que a empresa estabeleceu o Prêmio Netflix, em 2006. Uma competição aberta para algoritmos que melhorariam os algoritmos que a Netflix usa para prever as avaliações do usuário de filmes baseados apenas em suas classificações anteriores. A competição terminou em 2009 com um grande prêmio de um milhão de dólares para uma equipe que superou os algoritmos da Netflix por 10,06%.
“A recomendação inspira inovação: aquela sugestão fortuita – aquela surpresa – não apenas muda a forma como você vê o mundo, mas transforma a forma como você vê – e entende – a si mesmo”, argumenta Schrage.
“Deixamos de nos perguntar ‘Como as pessoas podem criar inovações mais valiosas?’ Para perguntar ‘Como a inovação pode criar pessoas mais valiosas?’. Essa distinção é sutil, mas profunda. A ênfase muda da inovação como resultado para a inovação como um investimento em capital humano e capacidades.”
Dada sua crescente influência em nossas vidas diárias, os sistemas de recomendação são mal compreendidos e seus conselhos são subestimados. As recomendações agregam valor aos usuários ao longo de quatro dimensões principais:
1) ajudando-os a decidir o que podem ou devem fazer a seguir, como o caminho a seguir para evitar lentidão no tráfego;
2) ajudando-os a explorar uma variedade de opções contextualmente relevantes, por exemplo, prever quais itens de pesquisa são os mais prováveis que estamos realmente procurando;
3) ajudando-os a comparar as opções relevantes, como os custos e as avaliações dos usuários de diferentes marcas e modelos de um produto; e, talvez o mais crítico,
4) os sistemas de recomendação ajudam os usuários a descobrir opções e oportunidades que eles próprios podem não ter imaginado.
“Coletivamente, essa ajuda potencial torna os recomendadores irresistivelmente atraentes para usuários e desenvolvedores.”
De acordo com Schrage, recomendações bem-sucedidas devem ser baseadas em cinco princípios-chave:
- Conselho. O conselho gerado por um sistema de recomendação deve ser “contextualizado e personalizado para o indivíduo ou grupo a que serve” e deve ser apresentado no formato que é mais provável de ser valorizado.
- Conhecimento. As opções oferecidas devem criar consciência situacional, ou seja, ajudar as pessoas a compreender as opções e oportunidades ao seu redor. Isso é especialmente verdadeiro quando uma decisão bastante rápida é necessária, como a rota a seguir para evitar o tráfego.
- Avaliação. “As recomendações funcionam bem? As pessoas seguem o conselho? Por que sim ou por que não? Seguir o conselho de forma confiável leva aos resultados desejáveis?” Quanto mais aspiracionais os recomendadores se tornam, mais eles devem fornecer ferramentas de avaliação eficazes.
- Prestação de contas. Os recomendadores devem assumir qualquer responsabilidade por resultados ruins ou por conselhos manipulativos? Quanto mais pessoal e persuasivo for o recomendador, mais a responsabilidade é importante.
- Agência. Apesar da sofisticação cada vez maior dos mecanismos de recomendação, os indivíduos devem manter o poder e a capacidade de agir de forma independente e exercitar a escolha. Mas, sua influência crescente em tantos aspectos de nossa vida cotidiana também leva a obrigações e expectativas desafiadoras.
Esses incluem:
Confiar. “Recomendadores desfrutam de seu maior poder, influência e valor quando têm a confiança dos usuários. Os usuários confiantes de que as recomendações respeitam seus melhores interesses estão abertos ao novo, inesperado e não comprovado. Eles não têm medo de se arriscar. Na verdade, eles vão dar uma chance desconhecida e não experimentada.”
Privacidade. “Por definição e padrão, uma maior personalização requer mais dados e informações pessoais. Conjuntos de dados aparentemente não relacionados podem combinar algoritmicamente para produzir percepções surpreendentes sobre as preferências pessoais. Com esta trajetória de inovação, a segurança e a confidencialidade se tornam ainda mais importantes … Assim como com a saúde, o ‘consentimento informado’ torna-se mais importante à medida que os recomendadores se tornam mais poderosos, abrangentes e preditivos”.
Escassez. A escassez significa falta de informações suficientes. “Mesmo em ambientes digitais com grande número de usuários e itens, a maioria dos usuários avalia apenas alguns itens. Uma variedade de filtragem colaborativa e outras abordagens algorítmicas são usadas para criar “vizinhanças” de perfis de similaridade. Mas quando os usuários avaliam apenas um punhado de itens, verificar gostos / preferências – e vizinhanças de recomendação apropriadas – torna-se matematicamente muito desafiador.”
Escalabilidade. “Conforme o número de usuários, itens e opções aumentam, os mecanismos de recomendação precisam de maior potência computacional para processar dados em tempo real. Determinar – com resolução e granularidade cada vez maiores – ‘pessoas como você’ e definir características e atributos cada vez mais sutis de itens e experiências para classificação e recomendação são problemas difíceis.”
“Com a inovação contínua em aprendizado de máquina, inteligência artificial, sensores, realidade aumentada, tecnologias neurais e outras mídias digitais, o alcance da recomendação se torna mais abrangente, poderoso e importante”, conclui Schrage. “O futuro da recomendação promete ser não apenas mais pessoal, relevante e melhor informado, mas transformador de maneiras que garantem (persuasivamente) surpreender.”
