Uso maciço do WhatsApp também na Eleição da Índia

Madhumita Murgia, Stephanie Findlay e Andres Schipani (Valor, 17/05/19) informam: na gigantesca eleição geral da Índia, com cerca de 900 milhões de eleitores, a ser completada neste domingo, o partido do premiê indiano, Narendra Modi, o Bharatiya Janata (BJP), está usando o WhatsApp para fazer uma das campanhas políticas digitais mais sofisticadas do mundo, contando com um enorme exército de voluntários.

A proliferação de smartphones aumentou significativamente o acesso à internet na Índia. Mais de 300 milhões de indianos estão agora no WhatsApp, o que torna o país, de longe, o maior mercado do aplicativo. O WhatsApp se tornou a arena central da eleição na Índia. Ela começou em 11 de abril de 2019.

O pleito indiano segue-se à desagregadora eleição no Brasil, na qual o candidato da extrema-direita, um obscuro capitão ignorante e desqualificado para o cargo presidencial, saiu vencedor. Ele foi ajudado, em parte, pela mídia provocada por uma suposta facada, em outra parte, por uma onda de boatos tóxicos e de desinformação, boa parte dos quais disseminados por meio do WhatsApp.

A Índia é o mais novo teste da capacidade do aplicativo de mensagens de moldar uma eleição, agora na maior democracia global.

O problema, evidentemente, não está na tecnologia, mas sim no uso dela por pessoas ignorantes e/ou mal-educadas. Se o aplicativo ajudou a unir famílias e amigos com uma ferramenta de comunicação barata, ele também se tornou um canal de divulgação de notícias falsas impossível de monitorar.

As pessoas intolerantes de extrema-direita encontraram seus pares e perderam a vergonha anterior, quando tinham um certo pudor em mostrar sua ignorância e seu anti-intelectualismo. Sem o anterior complexo de inferioridade, viram poderem ser maioria em uma eleição se unissem a ignorância e a má-fé.

Estratégias com Inteligência Artificial (IA)

Ajay Agrawal, Joshua Gans e Avi Goldfarb, no livro “Máquinas de previsão: a economia simples da inteligência artificial”, afirmam: a liderança de C-suite não deve delegar completamente a estratégia de IA ao departamento de TI, pois ferramentas poderosas de IA podem ir além de aumentar a produtividade das tarefas executadas no serviço de execução contra a estratégia da organização e levar à mudança da própria estratégia.

A IA pode levar a uma mudança estratégica se três fatores estiverem presentes:

(1) há um trade-off principal no modelo de negócios (por exemplo, loja-depois-envio versus envio-depois-loja);

(2) o trade-off é influenciado pela incerteza (por exemplo, as vendas mais altas do envio-depois-loja são superadas pelos custos mais altos de itens devolvidos devido à incerteza sobre o que os clientes comprarão); e

(3) uma ferramenta de inteligência artificial ao reduzir a incerteza inclina o balanço do trade-off para a estratégia ótima mudar de um lado para o outro (por exemplo, uma IA reduzir a incerteza, prevendo o que um cliente irá comprar em escala de tal forma os retornos de um modelo de envio-depois-loja superarem os do modelo tradicional).

Instrumentos ou Ferramentas de Inteligência Artificial (IA)

Ajay Agrawal, Joshua Gans e Avi Goldfarb, no livro “Máquinas de previsão: a economia simples da inteligência artificial”, afirmam: as ferramentas de IA são soluções pontuais. Cada um gera uma previsão específica e a maioria é projetada para executar uma tarefa específica. Muitas startups de IA são baseadas na construção de uma única ferramenta de inteligência artificial.

Grandes corporações são compostas de fluxos de trabalho transformadores de entradas em saídas. Os fluxos de trabalho são compostos de tarefas, por exemplo, um IPO da Goldman Sachs é um fluxo de trabalho composto por 146 tarefas distintas.

Ao decidir como implementar a IA, as empresas dividirão seus fluxos de trabalho em tarefas, estimarão o ROI para construir ou comprar uma IA para:

1. executar cada tarefa,
2. classificar as IAs em termos de ROI e
3. começar do topo da lista e trabalhar daí para baixo.

Tomada de Decisões

Ajay Agrawal, Joshua Gans e Avi Goldfarb, no livro “Máquinas de previsão: a economia simples da inteligência artificial”, afirmam as máquinas de previsão serem tão valiosas porque:

(1) muitas vezes podem produzir previsões melhores, mais rápidas e mais baratas se comparadas aos humanos;

(2) a previsão é um ingrediente-chave na tomada de decisão sob incerteza; e

(3) a tomada de decisão é onipresente em toda a nossa vida econômica e social.

No entanto, uma previsão não é uma decisão – é apenas um componente de uma decisão. Os outros componentes são julgamento, ação, resultado e três tipos de dados: entrada, treinamento e feedback.

Ao decompor uma decisão em seus componentes, podemos entender o impacto das máquinas de previsão no valor de seres humanos e outros ativos. O valor dos substitutos para as máquinas de previsão, ou seja, a previsão humana, diminuirá. No entanto, o valor dos complementos, como as habilidades humanas associadas à coleta de dados, julgamento e ações, se tornará mais valioso.

Previsão

Ajay Agrawal, Joshua Gans e Avi Goldfarb, no livro “Máquinas de previsão: a economia simples da inteligência artificial”, afirmam a previsão ser o processo de preenchimento de informações ausentes. A previsão usa as informações já de sua posse, geralmente chamadas de “dados”, e as usa para gerar informações não possuídas.

Além de gerar informações sobre o futuro, a previsão pode gerar informações sobre o presente e o passado. Isso acontece quando a previsão classifica as transações com cartão de crédito como fraudulentas, um tumor em uma imagem como maligno ou se uma pessoa segurando um iPhone é o proprietário.

O impacto de pequenas melhorias na precisão da previsão pode ser enganoso. Por exemplo, uma melhoria de 85% para 90% de precisão parece mais de duas vezes maior do que de 98% para 99,9% (um aumento de 5 pontos percentuais em comparação com 2). No entanto, a melhoria anterior significa os erros caírem em um terço, enquanto o segundo significa os erros caírem por um fator de vinte. Em alguns cenários, erros ao caírem por um fator de vinte são transformacionais.

O processo aparentemente mundano de preencher informações perdidas pode fazer as máquinas de previsão parecerem mágicas. Isso já aconteceu quando as máquinas viram (reconhecimento de objetos), navegaram (carros sem motoristas) e traduziram (tradução automática via aplicativos instalados em smartphones).

Plano do livro “Máquinas de previsão: a economia simples da inteligência artificial”

Ajay Agrawal, Joshua Gans e Avi Goldfarb, coautores de “Máquinas de previsão: a economia simples da inteligência artificial” [Prediction Machines: The Simple Economics of Artificial Intelligence], afirmam: você precisa construir fundamentos tecnológicos antes das implicações estratégicas das máquinas de previsão para sua organização se tornarem aparentes. É exatamente assim a estrutura deste livro, construindo uma pirâmide a partir do zero.

Coloca as bases na primeira parte e explica como o aprendizado de máquina melhora a previsão. Passa ao motivo pelo qual esses novos avanços são diferentes das estatísticas aprendidas na escola ou elaboradas por seus analistas. Em seguida, considera um complemento essencial para previsão, dados, especialmente os tipos de dados necessários para fazer boas previsões e como saber se você tem isso. Finalmente, aprofunda-se no modo quando as máquinas de previsão funcionam melhor em relação aos humanos e quando as pessoas e as máquinas podem trabalhar juntas para uma precisão de previsão ainda melhor.

Economia de Compartilhamento: Abertura de Capital da Uber

Emily Nery e Guilherme Blanco Muniz (Valor, 26/04/19) informam: a Uber confirmou pretender abrir seu capital, ou seja, se tornará uma empresa com ações na Bolsa de Nova York. A empresa deve divulgar a quanto suas ações devem chegar no mercado, porque as vendas estão previstas para este mês de maio de 2019. Com isso, o aplicativo pretende se tornar uma das maiores empresas do setor de tecnologia com capital aberto.

As 368 páginas da documentação apresentadas pela empresa à Comissão de Títulos e Câmbio dos EUA, em dezembro de 2018, só se tornaram públicas agora. Elas revelam vários detalhes sobre a companhia até então considerados misteriosos . Entre todas as informações divulgadas no relatório, duas chamam mais atenção.

A primeira delas é que o Brasil é o segundo melhor mercado para a empresa atualmente. O faturamento por aqui no ano passado atingiu US$ 959 milhões (R$ 3,7 bilhões), o que representa um aumento de 115% em relação a 2017. A Uber soma 22 milhões de usuários no Brasil e 600 mil motoristas trabalhando em mais de cem cidades.