Inteligência Artificial e possibilidades de aplicações em Transportes

Inteligência artificial tem sido um dos temas mais citados quando se fala em inovação e transformação digital. No entanto, suas diversas aplicações em logística e supply chain ainda são pouco exploradas, seja pelas grandes empresas de sistemas disponíveis, seja por startups, seja por desenvolvimentos internos de cada empresa.

Esse texto aborda os principais conceitos associados a inteligência artificial e explora algumas das possibilidades de aplicações em transportes.

Introdução a Inteligência Artificial e Machine Learning

Inteligência artificial (IA) é uma área do conhecimento que estuda formas de "fazer máquinas pensarem". Dentro do que é IA existe uma área do conhecimento chamada de Machine Learning que estuda o uso de matemática como forma de criar "pensamentos", ou seja, aplicam matemática a um grande volume de dados para gerar informações relevantes para tomada de decisão.

Existem vários tipos de técnicas/metodologias matemáticas que podem ser aplicadas a dados como: probabilidade, estatística, álgebra linear, programação numérica e operacional, etc. A aplicação da técnica matemática de redes neurais (multi-layer NN) em big data nesse processo tem sido chamado de Deep Learning.

Os modelos de IA podem ser organizados em modelos com propósitos gerais ou com propósitos específicos. Os modelos com propósito específico buscam fazer com que "máquinas" realizem tarefas específicas com o maior nível de acuracidade possível ou determinar se alguma pessoa (funcionário) seria a pessoa mais adequada para finalizar a tarefa (como diagnosticar uma doença através de análise de uma imagem, predizer preços de estoque, filtrar e-mails de forma eficiente, encontrar a rota mais eficiente até um dado lugar, etc). Machine learning é classificado como um tipo de IA com propósito específico dado que através dele criamos modelos matemáticos baseados em um grupo de dados específicos com objetivo de obter respostas específicas.

Diferente dos seres humanos, que fazem boas inferências a partir de pouco volume de dados, os algoritmos de Machine Learning funcionam muito bem quando o volume de dados é grande.

O crescimento do volume de dados disponível e nossa capacidade de tratá-los em grande escala deve crescer nos próximos anos, apoiada pela Lei de Moore, e o trabalho de estruturação desses dados deve facilitar também sua aplicação.

Nesse contexto, boas aplicações de Machine Learning devem permitir o acesso dos algoritmos ao volume de dados necessário.

Machine Learning é uma técnica que pode trazer a luz e o conhecimento de padrões de dados antes não percebidos pelos humanos e fazer com que a evolução da humanidade se redirecione com base em uma capacidade de análise, que sem a aplicação desse tipo de técnica ela não teria acesso.

Para contextualizar as crescentes discussões sobre machine learning, verificamos que de acordo com as predições quanto ao crescimento da capacidade de processamento de dados, em 2025 já seria capaz de simular através de um computador a capacidade humana e em 2045, teoricamente, haveria capacidade para simular a capacidade de toda a população A figura 2 apresenta um gráfico que ilustra essa expectativa de crescimento (baseado na www.futuretime.net)

Mudanças estruturais e disruptivas nos processos humanos devem ocorrer de forma sem precedentes nos próximos 25 anos.

Informação semelhante foi apresentada de forma gráfica na Time Maganize conforme podemos ver na figura 3. Segundo podemos observar, por volta de 2023 a capacidade computacional que teremos disponível deve ultrapassar a capacidade de processamento de dados de um cérebro humano e por volta de 2045 teremos chegado a capacidade cerebral de toda a humanidade.

Nesse contexto, a capacidade de processar dados não será uma restrição, no entanto, para poder utilizar essa capacidade é necessário que um grande volume de dados esteja disponível nesse ambiente de processamento e que possamos utilizar ferramentas capazes de trabalhar esses dados.

Inteligência artificial, em especial Machine learning, surge como uma alternativa de ferramenta para trabalhar com a análise de grandes volumes de dados.

Uso de Machine Learning

As plataformas para criação de modelos de machine learning vêm sendo aprimoradas rapidamente fazendo com que seu uso seja mais fácil e amigável.

Atualmente, os modelos de machine learning são criados majoritariamente através de plataformas de programação como o Python, por exemplo, sendo então uma possibilidade restrita aos que entendem de programação e desenho de modelos matemáticos.

No entanto, podemos imaginar que em breve o acesso a plataformas para desenvolvimento de modelos de machine learning será mais democrático, não somente porque o básico de programação deve passar a fazer parte do currículo das escolas, mas principalmente porque novas plataformas mais simples de serem utilizadas estão sendo criadas e novos métodos mais fáceis de interpretar também.

Fazendo um paralelo com o início do uso dos computadores onde tínhamos que digitar linhas de programação em DOS em telas pretas ou azuis para podermos verificar e trabalhar com dados e sua evolução para os dias de hoje onde já temos diversos sistemas operacionais e softwares que nos facilitam esse processo, podemos esperar que o uso de machine learning também seja facilitado por novos softwares e sistemas.

Nessa linha vemos plataformas de inteligência artificial e machine learning que utilizam de técnicas de programação visual para criar um studio de trabalho baseado em uma sequência visual de modelagem mais amigável, além de novos métodos mais fáceis de interpretar.

Tendo em vista que machine learning utiliza métodos matemáticos, principalmente, estatísticos, para análise de grande volume de dados, temos que uma dificuldade comum dos usuários sem formação em matemáticas ou exatas está na interpretação das diversas variáveis resultantes das diferentes formulações estatísticas usadas. Nesse contexto de entender as formulações, como trabalhar com elas e seus resultados é que estão atualmente envolvidos no processo profissionais chamados de cientistas de dados. A figura 4 ilustra as etapas de elaboração de um modelo de machine learning.

Apesar de machine learning ser uma atividade que deve continuar a ter envolvimento de pessoas com conhecimentos especializados, há várias razões para acreditarmos que a capacidade de interpretação e consequentemente modelagem será ampliada em breve.

Na Europa, a GDPR - General Data Regulation - indica que os clientes de um serviço tem o direito de entender não só como seus dados são utilizados, mas também de entender os motivos que indicam alguma tomada de decisão baseada em dados ao seu respeito. Por exemplo, uma empresa bancária não pode indicar que não pode oferecer crédito a uma pessoa porque a inteligência artificial assim o recomenda, é necessário explicar de forma lógica e inteligível a recomendação. Isso gerou uma frente de desenvolvimento de modelos de machine learning explicativos.

Com objetivo de facilitar o entendimento dos resultados das análises realizadas, o software Rulex inclui algoritimo de predição e análise lógica (Logic Machine Learning) o que constrói com maior facilidade explicações do tipo "IF-ELSE" (Se - Entao) sendo definida como uma explainable machine learning (XAI - Explainable Artificial Intelligence), machine learning explicável. Ou seja, uma nova forma de trabalhar com os dados, além das formulações matemáticas já conhecidas, foi desenvolvida de forma que a análise do resultado pudesse ser feita de forma mais amigável.

Com essas evoluções, espera-se que cada vez mais, pessoas sejam capazes de elaborar e interpretar modelos de machine learning, além de poder desenvolver bons modelos de forma mais rápida, aproveitando-se das facilidades de interpretação da realidade que profissionais de negócio tem, em comparação aos profissionais especializados em programação e dados.

A figura 5 mostra como o esforço de construção de um modelo de machine learning é distribuído dentro de suas etapas, com base na média dos modelos criados. Com a evolução das plataformas de machine learning e de seus algoritmos podemos imaginar uma redução dos esforços dedicados as etapas 2 e 3.

Possibilidades de aplicação de machine learning em transportes

Durante o ano de 2020 a equipe GMC trabalhou na análise de diversas aplicações de machine learning em transportes de forma a apoiar o desenvolvimento de projetos e soluções nesse contexto.

Foram identificadas 22 diferentes possibilidades de aplicação, organizadas em 4 grandes grupos, conforme ilustrado na figura 6: 1) serviço ao cliente, 2) otimização operacional, 3) gestão de fornecedores e 4) correção de cadastros.

As aplicações que fazem parte do grupo Serviço ao Cliente, geram resultados capazes de melhorar a percepção de nível de serviço do cliente final como redução no tempo de entrega, maior qualidade nas informações de data e hora previstas para a entrega, evitar a ocorrência de problemas e/ou antecipar informações que possam vir a ser convenientes ao cliente (como prováveis atrasos) e personalização dos serviços de entrega.

A figura 7 ilustra esses diferentes tipos de aplicações em uma matriz qualitativa de impacto e complexidade.