Descobrir estruturas e modelos de IA para tomada de decisões

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

Listar três modelos de tomada de decisões.
Explicar como se aplica estruturas de decisão voltadas para dados a situações do mundo real.
Descrever os três modelos de IA fundamentais e seus usos.
Reconhecer vieses e garantir a imparcialidade em dados e modelos de IA.

Agora vamos dar uma olhada nos modelos de tomada de decisões, nas estruturas voltadas para dados e nos modelos de IA, além da necessidade absoluta de se lidar com vieses e imparcialidade em todos eles.

Modelos de tomada de decisões

Existem vários modelos e teorias de tomada de decisões. Essas estruturas foram criadas para ajudar as pessoas e as organizações a tomarem decisões mais embasadas, objetivas e eficazes com base em provas empíricas.

Veja alguns dos principais modelos.

Modelo de tomada de decisões racional: este modelo assume que as pessoas tomam decisões lógicas e consistentes pesando todas as alternativas possíveis e escolhendo a que tem maior utilidade. Racionalidade é a base desse modelo e ele busca fazer a escolha ideal.

Modelo de racionalidade limitada: a racionalidade limitada reconhece que, em cenários da vida real, os tomadores de decisão operam com informações limitadas e restrições cognitivas. Eles tomam decisões que são "boas o suficiente" em vez de buscar a opção ideal.

Tomada de decisões intuitiva: a tomada de decisões intuitiva usa o instinto e as experiências pessoais. Ela costuma ser usada quando é necessário tomar decisões rápidas ou quando as informações estão incompletas.

Estruturas de decisão voltadas para dados

As estruturas de decisão voltadas para dados oferecem uma abordagem estruturada à tomada de decisões usando dados como a principal força motriz. Existem duas estruturas principais de tomada de decisões no setor.

Ferramenta	O que é isso?
Árvores de decisão	Essas representações gráficas ajudam você a visualizar e a avaliar as opções de decisão, os resultados e as probabilidades.
Matriz de Pugh	Essa matriz de decisões ajuda você a comparar várias alternativas com a quantificação de critérios e a avaliação de seus impactos.

Árvore de decisão

Uma árvore de decisão dá a você uma abordagem sistemática à tomada de decisões ou escolhas com base em um conjunto de critérios. Ela oferece uma maneira estruturada de avaliar várias opções e seus possíveis resultados, o que ajuda você a escolher o plano de ação mais adequado. As árvores de decisão consistem em nós e ramificações, sendo que os nós representam decisões ou escolhas e as ramificações representam os possíveis resultados ou consequências.

Por exemplo, uma árvore de decisão pode ajudar você a determinar se deve praticar um esporte (sim ou não) com base nas condições climáticas. Ela pode mostrar que se estiver ensolarado, então é preciso verificar a umidade e, se a umidade estiver muito alta, indicar "não jogue", mas se estiver baixa, "sim jogue". Ou, se estiver nublado, "sim jogue", e assim sucessivamente em relação a várias condições.

Essa estrutura costuma ser usada em negócios, no setor financeiro, na saúde e em aprendizagem de máquina para modelar processos de tomada de decisões e otimizar as escolhas com base nos dados e na lógica.

Exemplo de árvore de decisão para determinar se você deve praticar um esporte ou não.

Matriz de Pugh

A matriz de Pugh, também conhecida como método de Pugh ou matriz de decisão, é uma ferramenta de tomada de decisões que você pode usar para avaliar e comparar várias alternativas ou opções com base em um conjunto de critérios. Ela oferece uma abordagem sistemática para a tomada de decisões embasadas com a quantificação e a classificação de opções diferentes. O método foi desenvolvido por Stuart Pugh, um engenheiro britânico e teórico de design.

A matriz de Pugh ajuda você a tomar decisões racionais levando em conta vários fatores e sua importância relativa de maneira estruturada. O exemplo de uma matriz de Pugh abaixo mostra critérios que começam com uma linha de base de 0 e alternativas comparadas com a linha de base como positivas (+), negativas (-) ou iguais (0). Essas comparações são totalizadas para classificar e otimizar as soluções. Esse método é uma ferramenta valiosa em campos como engenharia, design de produto e gestão empresarial.

Exemplo de matriz de Pugh

Essas estruturas de decisão voltadas para dados possibilitam a você fazer escolhas objetivas e baseadas em provas.

Em logística e gestão da cadeia de abastecimento, as estruturas de decisão voltadas para dados podem ser aplicadas para otimizar a movimentação dos itens. As empresas podem usar dados em níveis de inventário, previsões de demanda, custos de transporte e tempo de espera para tomar decisões sobre as rotas de entrega mais econômicas, as localizações de armazenamento e os pontos de repetição de pedidos. Isso minimiza custos, reduz as faltas de estoque e faz com que os produtos cheguem aos clientes de maneira eficiente.

Introdução aos modelos de IA

Agora vamos ver os modelos de IA. Como você viu, a inteligência artificial e a aprendizagem de máquina (IA/ML) são ferramentas avançadas que podem apoiar seus processos de tomada de decisões.

Tipos de modelos de IA

Existem três tipos principais de modelos de IA: aprendizagem supervisionada, aprendizagem não supervisionada e aprendizagem por reforço.

Os modelos de aprendizagem de máquina supervisionada são treinados com conjuntos de dados rotulados, o que permite aos modelos aprender e aumentar a precisão ao longo do tempo. Por exemplo, um algoritmo é treinado com imagens de cães e outras coisas, tudo rotulado por humanos, e a máquina aprende formas de identificar as imagens de cães por conta própria. A aprendizagem de máquina supervisionada é o tipo mais comum usado atualmente.

Na aprendizagem de máquina não supervisionada, um programa procura padrões em dados não rotulados. A aprendizagem de máquina não supervisionada pode encontrar padrões ou tendências que as pessoas não estão necessariamente procurando. Por exemplo, um programa de aprendizagem de máquina não supervisionada pode olhar dados de vendas online e identificar tipos diferentes de clientes que estão comprando.

A aprendizagem de máquina por reforço treina máquinas por meio de tentativa e erro para escolher a melhor ação por meio de um sistema de recompensas. A aprendizagem por reforço pode treinar modelos para jogar jogos, ou treinar veículos autônomos para dirigir, indicando à máquina quando ela tomou as decisões corretas, o que a ajuda a aprender com o tempo quais ações ela deve realizar.

Os modelos de IA generativa usam redes neurais para identificar os padrões e as estruturas em dados existentes a fim de gerar conteúdo novo e original. Uma das inovações da IA generativa é a capacidade de usar diferentes abordagens de aprendizagem, incluindo aprendizagem não supervisionada ou semi-supervisionada no treinamento. A IA generativa usa todas as três técnicas.

Clique nas guias de caso de uso para ver como os vários setores usam esses modelos de IA nos processos de tomada de decisões. (Vamos dar uma olhada mais de perto nesses casos de uso na próxima unidade.)

Viés e imparcialidade na IA

A integração de inteligência artificial nos processos de tomada de decisões em vários domínios trouxe avanços sem igual em termos de eficiência e precisão. Mas à medida que a IA vai se tornando parte integrante das nossas vidas, precisaremos lidar com a questão do viés e da imparcialidade nos sistemas de IA. A importância de se garantir a imparcialidade e manter diretrizes éticas não pode ser subestimada. Viés, discriminação e dilemas éticos podem ocorrer quando os sistemas de IA não são desenvolvidos e usados de maneira responsável.

Como reconhecer o viés e garantir a imparcialidade em dados e modelos de IA

Viés diz respeito à presença de distinções ou preferências sistemáticas e parciais que podem levar a resultados discriminatórios. O reconhecimento de viés é o primeiro passo para resolver e mitigar seu impacto; depois que o preconceito é identificado, os desenvolvedores, cientistas de dados e usuários comerciais podem tomar medidas corretivas. Clique em cada guia para ver as ações realizadas pelas organizações para reconhecer viés e promover a imparcialidade em dados e modelos de IA.

Nesta unidade, você explorou vários modelos de tomada de decisão, estruturas voltadas para dados e modelos de IA, além da necessidade ética de se mitigar vieses e promover a imparcialidade. Na próxima unidade, veja usos de IA no mundo real em situações diversas.