Muitas organizações estão usando IA para analisar grandes conjuntos históricos de dados de vendas, tendências de mercado e outras variáveis para criar modelos de demanda em tempo real. Agora, há um entusiasmo exagerado com a aplicação da IA Generativa para tarefas como cálculo de níveis ideais de estoque, cronogramas de produção e planos de distribuição. A má notícia? “A IA Generativa não se aplica a esses casos”, afirma Ricardo Taborda, cofundador da 7D Analytics.
Os LLMs existentes ainda não dão conta dessas tarefas, e ele explica por quê.
“A Generativa é um modelo probabilístico”, diz ele. “Ela vai completar o texto, o vídeo… Enfim, dependendo da aplicação, fará uma determinada coisa considerando a maior probabilidade para realizar o que está sendo pedido. Previsão e otimização de demanda requerem algo mais”, diz Taborda. “Embora também sejam probabilísticos, os modelos de IA preditiva e prescritiva usados hoje em supply chain, têm uma parte determinística fundamental para a resolução desses problemas”, diz ele.
Por exemplo. Imagine que você tenha 79 metros de arame farpado e queira fazer um galinheiro junto ao muro do seu terreno. E que você esteja estudando como colocar esse arame de forma a acomodar o maior número possível de galinhas no galinheiro. Você precisa saber quais devem ser as medidas de comprimento e largura do galinheiro, dada a quantidade de arame que tem, certo?
“Esse é um clássico problema de otimização”, explica Taborda. “Um problema tranquilo de resolver com uma derivada. Apesar disso, o Bard, atual Gemini, não conseguiu chegar na resposta correta”, completa.
De cara, parte de uma premissa falsa e não informada: a de que a área máxima do galinheiro é de 79 m². “A partir da daí, alucinou”, explica Taborda.
O pessoal da 7D decidiu, então, refinar a pregunta, inserindo mais uma informação: a de que cada galinha ocupa um metro quadrado.
Dessa vez o modelo também melhorou a resposta, mas continuou errando. Partiu do perímetro, mas esqueceu de que um dos lados seria o muro. A melhor otimização?
“O fato de o Gemini ter falhado não tem nada a ver com a qualidade do modelo. Se ele é bom ou ruim. Tem a ver com a tecnología por tras da IA Generativa”, explica Taborda. “Ainda não é inteligência para otimização. Vai evoluir a ponto de conseguir interpretar esse tipo de problema? Provavelmente. A OpenAI tem trabalhado com o pessoal da Wolfram Alpha nesse sentido. Nós mesmos, na 7D Analytics, estamos estudando áreas de aplicação da IA Generativa na gestão de supply chain”, completa.
O mesmo vale para problemas comuns, de negócio. “Que são, em sua maioria, problemas que podem ser resolvidos com variáveis lineares”, explica Taborda.
Por exemplo: na sua fazenda, você pode plantar cana e milho. Cada alqueire plantado de cana rende R$ 6 mil, e cada alqueire de milho rende R$ 2 mil. Mas dadas as características do solo, não é possível plantar mais que dois alqueires de cana e quatro de milho. Cada alqueire plantado requer três lavadores. Você tem 15 à disposição. Quanto você deve plantar de cana e de milho para ter o maior lucro possível?
“O Bard começou muito bem. Acertou como deveria resolver o problema… Mas, na hora considerar as restrições, desconsiderou uma delas. A da necessidade de 3 trabalhadores para cada alqueire”, comenta Taborda.
O que significa que em vez de calcular “x mais y menor ou igual a 15” deveria calcaular “3x mais 3y menor ou igual a 15”. “E em um modelo de otimização, um erro desse é fatal”, comenta Taborda.
Considerando que problemas de negócio têm milhares de variáveis que devem ser trabalhadas pelos modelos, com milhares de restrições, montá-lo considerando apenas a lógica probabilística da IA Generativa não é, hoje, o caminho mais recomendável, como querem fazer crer muitas consultorias. “É temerário”, conclui Taborda. Mais ainda diante do fato de que dos atuais modelos de IA Generativa serem convincentes nas respostas, embora com soluções erradas, difíceis de perceber sem conhecimento matemático.
Previsões e otimizações requerem uma combinação de algoritmos de Machine Learning e técnicas estatísticas para identificar padrões nos dados e extrapolar esses padrões para prever eventos futuros ou tomar decisões informadas. O futuro aponta para uma integração de capacidades preditivas e generativas, em sistemas capazes de entregar um valor aprimorado para empresas e para a sociedade. Compreender ambas e investir em capacitação é o melhor a fazer hoje.