POR YOSSI SHEFFI
Diretor do MIT Center for Transportation and Logistics
As mudanças socioeconômicas do início da década de 2020 destacaram o papel das cadeias de suprimentos na economia global, bem como o papel crescente das tecnologias digitais, como inteligência artificial (IA) e automação, no presente e no futuro. Nesta adaptação de seu último livro, The magic conveyor belt: Supply chains, A.I., and the future of work, o professor do MIT Yossi Sheffi destaca como a automação, a robótica e a IA, estão mudando e aumentando os empregos. Também se aprofunda nas ferramentas que ajudarão os profissionais a serem produtivos e agregar mais valor no gerenciamento das cadeias de suprimentos cada vez mais complexas.
Com o advento de novas tecnologias de automação e IA, indivíduos, equipes e organizações precisarão de novas ferramentas para aumentar a produtividade. Essas ferramentas devem permitir que trabalhadores, equipes e gerentes colaborem entre si e com a tecnologia. Depois de refletir sobre o papel dos humanos no fluxo de trabalho, as seções a seguir descrevem quatro categorias de ferramentas que ajudarão os profissionais a detectar, analisar e recomendar cursos de ação em cadeias de suprimentos globais intrinsecamente conectadas.
Ciclos de aprendizagem: Colaboração entre humano e IA
As ferramentas que as pessoas precisarão para trabalhar com máquinas dependerão do papel que os humanos desempenharão na economia futura e como eles podem melhorar sua colaboração com a IA e a automação. Em um artigo da Harvard Business Review, dois executivos da Accenture descrevem cinco princípios que podem ajudar as empresas a otimizar a colaboração entre humanos e IA: reinventar processos de negócios, incentivar a experimentação em equipes, conduzir ativamente a estratégia de IA, coletar dados com responsabilidade e redesenhar o trabalho para incorporar IA e aumentar as habilidades de profissionais.
Para reinventar os processos de negócios, redesenhar o trabalho para integrar a IA e aprimorar as habilidades profissionais, é essencial analisar primeiro o fluxo de atividades da empresa. Vários especialistas desenvolveram modelos teóricos focados em pessoas e organizações com o objetivo de melhorar a eficácia dos processos. Muitos desses cenários incluem algum tipo de sequência e iteração, ou “loop”, de etapas que vão desde a coleta de dados sobre a situação até o desenvolvimento de planos, ação e compilação de informações sobre os resultados.
No contexto da IA e da automação, uma questão importante é qual o papel que humanos e máquinas devem desempenhar nesses ciclos de atividades de aprendizado controlado. Por exemplo, uma pessoa pode estar totalmente imersa em um ciclo quando deve executar uma ou mais etapas essenciais cada vez que uma tarefa é executada. No outro extremo, encontraríamos uma máquina capaz de processar automaticamente a maior parte das etapas das tarefas rotineiras e, apenas em casos excepcionais, anormais ou complexos, exigindo a intervenção de uma pessoa. Esse processo poderia ser executado 24 horas, 7 dias por semana para a maioria das atividades e lidar com apenas uma fração dos casos durante o horário comercial.
Em exemplos ainda mais avançados de automação, a pessoa poderia simplesmente observar os ciclos de aprendizado do sistema através de um painel e investigar e intervir no processo quando algum problema surgir. Finalmente, o envolvimento humano só poderia ocorrer em um nível superior, por exemplo, no caso de projetar sistemas totalmente autônomos que operam continuamente e requerem apenas intervenções pontuais durante as operações.
Iluminando a caixa preta da IA
Muitos sistemas de machine learning atuam como caixas pretas inescrutáveis; eles fornecem respostas sem nenhuma explicação do porquê o software escolheu essa resposta. A falta de argumentação da IA é uma barreira tanto para a adoção quanto para o uso confiável de sistemas de aprendizado profundo, porque as explicações desempenham três papéis principais em qualquer processo de tomada de decisão. Primeiro, são necessárias razões para convencer as partes interessadas de que a resposta da IA está correta. Em segundo lugar, são necessários argumentos para verificar ou validar a resposta da IA: a IA está usando lógica ou dados questionáveis? Em terceiro lugar, as explicações são úteis para ajudar as pessoas a aprender com a IA, pois, veem não apenas a resposta, mas também a justificativa para isso.
Para resolver esse problema de caixa preta de IA, pesquisadores e engenheiros estão trabalhando em uma nova classe de sistemas de aprendizado de máquina conhecida como inteligência artificial explicável (XAI). Os sistemas de aprendizado de máquina XAI geram respostas, mas também algumas explicações. A pesquisa necessária para a inteligência artificial explicável envolveu mudanças no próprio modelo de aprendizado automático, bem como análises psicológicas para determinar que tipo de explicação os humanos precisariam ou desejariam para ter um melhor uso do sistema.
Gêmeos digitais para gerenciamento e simulação
À medida que o ambiente de negócios, as cadeias de suprimentos e a tecnologia se tornam cada vez mais complexos, as pessoas precisam de mais ferramentas para entender o sistema existente e experimentar com segurança as decisões, táticas e estratégias propostas. Gêmeos digitais é uma tecnologia que torna tudo isso possível. Um digital twin é uma réplica digital detalhada e realista de um sistema físico, seja um equipamento, um meio de transporte, uma fábrica, um armazém, uma empresa ou mesmo toda uma cadeia de abastecimento. No entanto, um gêmeo digital é mais que apenas uma representação computacional de um recurso, pois, o recurso está conectado à sua representação digital para se atualizar constantemente de acordo com suas condições reais.
A tecnologia de digital twin permite o uso de um tipo de IA conhecido como aprendizado por reforço, que aprende por tentativa e erro
Os digital twins podem ser usados para visualizar e monitorar o desempenho do sistema físico. Eles também são usados para treinar trabalhadores em operações básicas ou resolução de problemas. As empresas podem fazer várias cópias de um gêmeo digital com a finalidade de simular e comparar os efeitos da volatilidade, de diferentes cenários, contingências, ou propostas de mudanças no objeto ou como ele é utilizado.
A tecnologia de digital twin também permite o uso de um tipo de IA conhecido como aprendizado por reforço, que aprende por tentativa e erro, ou seja, tenta várias ações e é “recompensado” ou “punido” dependendo dos resultados obtidos. Cópias de um gêmeo digital podem fornecer um ambiente simulado realista para esses sistemas de aprendizado por reforço.
Melhores interfaces e ferramentas de colaboração
As interfaces entre humanos e máquinas são um elemento essencial da colaboração entre humanos e robôs. Os avanços em computadores móveis, monitores e câmeras de altíssima velocidade, baixo consumo de energia e baixo custo estão possibilitando novas interfaces de computador que criam cenários de realidade aumentada (AR) e realidade virtual (VR).
Com a realidade aumentada, o usuário usa um fone de ouvido ou óculos inteligentes, além de um dispositivo móvel que sobrepõe dados digitais em seu campo de visão. O sistema de AR conecta visualmente um objeto físico e os dados digitais associados a ele de duas maneiras. Primeiro, a RA sobrepõe os dados digitais ao ambiente físico do usuário. Por exemplo, uma pessoa pode olhar para um equipamento e obter sobreposições de tendências de desempenho da máquina, mensagens de erro, manuais de instruções, programações de usuários etc. Em segundo lugar, muitos sistemas de RA registram o espaço físico e os objetos (como a localização de artigos ou quantidades em contêineres), bem como as ações executadas (por exemplo, pegar um objeto ou concluir uma tarefa de manutenção). Esses dois aspectos da RA garantem que o objeto e seu gêmeo digital estejam sincronizados.
Com a realidade aumentada, o usuário utiliza um fone de ouvido ou óculos inteligentes, além de um dispositivo móvel que sobrepõe dados digitais em seu campo de visão
A realidade virtual, ao contrário, substitui completamente o campo de visão do usuário por uma visão imersiva gerada por computador de um mundo virtual ou digital. A tecnologia normalmente cria um mundo totalmente sintético ou usa cópias de um gêmeo digital para fornecer simulações imersivas para aplicações em engenharia, treinamento, experiência do cliente e exploração hipotética. A realidade virtual também suporta trabalho remoto ou telepresença através de exibições imersivas que transmitem dados de câmeras de vídeo ao vivo de um local remoto. Outra aplicação é a realidade virtual multiusuário, que pode oferecer funcionalidade colaborativa a trabalhadores e parceiros separados fisicamente. Essas interfaces virtuais podem ser úteis em um contexto de cadeia de suprimentos global ou em locais de trabalho onde reunir todos, os especialistas ou partes interessadas no mesmo lugar é muito caro ou demorado.
Democratizando o desenvolvimento de ferramentas
Uma das principais tendências em informática e alta tecnologia é a "desqualificação" que está ocorrendo na automação e nos sistemas baseados em IA, tornando cada vez mais aspectos do uso dessas tecnologias acessíveis a um número maior de pessoas. Isso permite que os profissionais criem automação e IA para facilitar a transição para trabalhos assistidos por software que terão maior demanda no futuro.
Uma categoria dessas ferramentas de fácil utilização tem o objetivo de ajudar os trabalhadores a criar seus próprios sistemas de automação robóticos de processos sem precisar escrever códigos de programação. O profissional executa uma tarefa de rotina no computador enquanto a ferramenta registra a sequência de atividades. A ferramenta é então capaz de criar um processo robótico que repete essas ações em instâncias futuras da mesma tarefa.
Outra categoria inclui as chamadas plataformas de desenvolvimento low-code ou no-code. Essas plataformas permitem que não programadores criem software, como uma página da web, um aplicativo ou aplicativos para celulares. As plataformas utilizam ferramentas de design gráfico, um conjunto de modelos e blocos de construção para que o usuário possa desenvolver softwares sem ter que aprender uma linguagem de programação.
As plataformas de desenvolvimento de código podem aplicar a tecnologia machine learning à grande quantidade de software disponível para as pessoas escreverem código. A IA generativa pode criar código a partir de uma simples descrição de texto do que deve fazer. Com esses sistemas, os não programadores podem escrever uma descrição do que desejam e a IA criará um código que se encaixe nessa descrição.
Embora os sistemas de IA generativa possam reduzir o nível de habilidade necessário para o desenvolvimento de software, com a consequente perda de oportunidades para programadores e engenheiros de computação, isso será vantajoso para os especialistas no assunto, que poderão criar produtos por conta própria. Em 2021, a consultoria Gartner previu que, até 2024, 80% dos produtos e serviços de tecnologia seriam criados por profissionais não tecnológicos. É possível, então, que a narrativa de "85 milhões de empregos perdidos, 97 milhões de empregos ganhos" (sobre como a automação afetará o emprego ao longo do tempo) diga mais sobre as mudanças na forma como os funcionários de hoje gastam seu tempo do que sobre o fato de terem ou não um emprego.
Referências
- Wilson, H. James, and Paul R. Daugherty. 2019. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review. April 4, 2019.
- Turek, Matt. 2018. Explainable Artificial Intelligence. Darpa.mil. 2018.
- Gartner Says the Majority of Technology Products and Services Will Be Built by Professionals Outside of IT by 2024. n.d. Gartner.
Dr. Yossi Sheffi é professor da cátedra Elisha Gray II de engenharia de sistemas no Massachusetts Institute of Technology (MIT), onde atua como diretor do MIT Center for Transportation and Logistics.
Adaptado de The Magic Conveyor Belt: Supply Chains, A.I., and the Future of Work, publicado por MIT CTL Media, copyright 2023.