Transcrição do episódio A transcrição é gerada automaticamente por Podscribe, Sonix, Otter e outros serviços de transcrição eletrônica.
Olá pessoal bem vindos a mais um Five Minutes Podcast. Semana passada eu comecei essa série sobre inteligência artificial em projetos e eu falei muito sobre o que é sobre os usos sobre os benefícios da inteligência artificial principalmente em projetos onde você permite reduzir muito o trabalho nas tarefas administrativas. Consegue ter uma estimativa melhor de orçamento e prazo consegue fazer o ajuste do seu time o que a gente chama de Team Fitting, identificar recurso avaliar recursos mas eu terminei falando sobre os desafios e basicamente eu quero citar para vocês três desafios. O primeiro deles é o seguinte: dados são preciosíssimos e muitas vezes e muitos erros que você tem ao tentar aplicar inteligência artificial, machine learning etc. É que você ou tem dados insuficientes ou você tem dados que não são confiáveis. E aí eu queria abrir um parêntese eu conheço muitas empresas que vivem falando a nós queremos colocar AI nos nossos projetos etc. Aí eu chego pra essas empresas falar assim mas você tem informações histórica dos seus cronogramas para você tentar traçar um parâmetro e sentiu assim quem fez o quê e quanto tempo levou. Não nós não temos nada mas nós vamos aplicar a inteligência artificial. Bem não é assim que funciona por quê. Porque gerenciar projetos não é como jogar golfe não é como jogar xadrez com todo o respeito que eu tenho por esses jogos. O gerenciamento de projetos é um jogo que não tem uma regra clara e quando você joga xadrez você tem o pião o pião move daquela forma o jogo inteiro. Agora imagine um jogo de xadrez que o pião move desse jeito.Aí depois de três casos ele mora em outro lugar e depois de quatro jogadas o pião resolve ir embora e procurar outro tabuleiro para jogar porque ele pediu demissão.
Então é muito muito mais complexo você ter esses dados e dados confiáveis. Então quando você por exemplo quer fazer um Team Fitting, você tem que ter uma quantidade de informação razoável sobre aquela equipe sobre aquele tipo de trabalho sobre parâmetros do trabalho para quê? Para que os mecanismos de AI consigam traçar alguma analogia eles vão falar Olha toda vez que muda isso o resultado aumenta ou diminui. Toda vez que acontece isso eu tenho um aumento no orçamento. Só que isso gente nós não estamos falando em uma amostra de cinco projetos um amostra de 20 projetos nós estamos falando numa amostra de centenas de milhares ou preferencialmente centenas de milhões de projetos para fazer isso. Por que por exemplo é menos difícil. Favor Não estou dizendo que eu por exemplo pegar e fazer um carro que dirige sozinho tem todas as complexidades da direção mas eu tenho parâmetros muito claros o carro vai para a frente o carro anda aqui o carro quando tiver essa linha seja daqui ele pode ultrapassar não pode. Eu tenho detector de obstáculo. Eu tenho, e baseado nisso eu construo um comportamento. Mesmo assim nós temos problemas o tempo inteiro com carros autônomos que batem o que atropelam o que tem acidente. Da mesma forma quando você conversa por exemplo com um assistente virtual como o Siri, Alexia, etc você faz uma pergunta e muitas vezes eles não vão entender por causa do seu sotaque a forma como você fala etc.
Agora imagine em um projeto onde você tenha assim, o seu motorista entra em greve o governo muda a regra e diz o seguinte que você está andando hoje com linha pontilhada pode ultrapassar e depois ele chega e fala, não mas é só se a linha for pontilhada verde. Ou seja as regras mudam muito o ambiente de projeto um ambiente muito volátil e isso dificulta demais você conseguir traçar parâmetros por exemplo num jogo de golf ou num jogo de xadrez. Você tem regras que você não tem estratégias você tem mas a regra é bem clara então a partir do momento você alimenta a regra e o computador começa a jogar contra ele ou contra a máquina. A cada jogada que ele faz vão dizer que não foi tão bem. Ele aprende ele aprende. Ele tem uma capacidade de aprendizado como por exemplo aquele AlphaGo é gigantesco naquele filme AlphaGo da DeepMind. Então é bastante claro agora num ambiente de projeto isso não é tão simples. O segundo os padrões de comportamento humano são extremamente complexos. A atividade criativa humana a atividade de criação é muito complexa e motivação como é que eu vou associar o seguinte poxa aquela equipe produz desse jeito mas e se essa equipe está desmotivada. E se você associa a desmotivação com o noticiário político no dia com a distância com uma greve no caminho para o trabalho o que que isso vai influenciar na performance daquele funcionário naquele dia. Então os padrões de comportamento humano são muito mais complexos.
Observem bem Gente eu estou falando isso hoje eu não estou falando pode ser que daqui a X anos alguém consiga criar algoritmos que sejam capazes de pegar e eu juro para vocês. Quinze anos atrás eu estaria maravilhado absolutamente maravilhado que existia a possibilidade de um carro dirigir sozinho. E hoje isso é uma realidade talvez amanhã isso seja a rotina. Mas o que eu estou colocando é o seguinte esses padrões de comportamento humano são extremamente complexos de serem previstos, é por isso por exemplo você vê um comportamento uma eleição por exemplo como mudou o comportamento das eleições das pessoas então você fazer uma previsão usar a inteligência artificial para tentar prever quem vai ganhar uma eleição se torna muito mais desafiador porque antigamente você tinha um certo parâmetro hoje os parâmetros mudaram radicalmente e o terceiro é que existe um aspecto ético e a tomada de decisão ética não necessariamente é tão simples de ser parametrizada e modelada dentro de algoritmo. Eu não estou falando o que é legal ou o que é legal mas a tomada de decisão ética. Eu estava vendo recentemente uma conversa com Yuval Harari com Mike Sanders falando sobre isso. Eles são autoridades nessa parte de utilitarismo e filosofias e história. E eles falando o seguinte será que um carro vai ter a capacidade de decidir por exemplo virar à direita e vamos dizer matar uma pessoa ou virar à esquerda e seguir ou seguir em frente mata quatro. Como é que esse tipo de dilema ético vai acontecer. Como é que por exemplo um cuidador um robô cuidador que se depara com duas pessoas que estão precisando de um atendimento imediato.
Como é que ele vai esse robô ou o que for vai decidir quem vive ou quem morre e qual vai ser a consequência desse dilema ético. Então assim, tem muitas coisas que ainda são atividades humanas eu sou um admirador profundo de inteligência artificial. Acho que tem um mundo de coisas que eles podem fazer para nos ajudar mas ainda existe uma fronteira importantíssima aqui e ela eu ainda não vejo essa previsão de que a inteligência artificial chegue e se ela chegar e assim nós vamos ter que tomar muito cuidado para entender o seguinte e quais vão ser as implicações éticas e morais de você ter por exemplo um AI pilotando um avião e tomando a decisão num caso de um acidente. De qual caso ele vai cair em cima imaginando que você é um habitante de uma dessas casas. Qual vai ser a casa. O que é o certo. Então isso são dilemas que refletem na própria atividade humana mas que na máquina são extremamente, eu ia falar impossíveis de serem mapeado mas são extremamente difíceis. Mas eu acho essa área uma área fascinante é uma área que todos nós gerente de projeto, scrum masters, agilizas temos que está ciente porque sem dúvida nenhuma essa área vai ser uma área que vai impactar diretamente o trabalho que a gente faz em projetos e em produtos. Um grande abraço para vocês até semana que vem com mais um Five Minutes Podcast.
