#10-
No último post, falamos de uma palestra do keynote, da IBM (foi proferida pelo
Dr Pyiush Malik, da IBM e teve o título de “Towards a smarter Data-driven
future”) , onde o assunto “Watson” foi
tratado. Aproveito para intercalar nessa série de posts, a tradução e outros comentários sobre Watsom, inclusive uma entrevista feita com os usuários (early
adopters) da Plataforma e sua primeiras percepções. O artigo, escrito por Tom Davenport(*) para o
WSJ-CIO(Wall Street Journal-CIO) em dezembro de 2015 e traduzido e comentado
por mim, encontra-se no link http://blogs.wsj.com/cio/2015/12/03/lessons-from-the-cognitive-front-lines-early-adopters-of-ibms-watson/
Watson
é uma das mais interessantes tecnologias do século 21. Desenvolvido pela IBM,
no seu esforço de criar um exemplo real e aplicável de uma plataforma de Inteligência artificial, o
produto tornou-se famoso por vencer o programa Jeopardy, espécie de QUIZ, em
2011, show que apresentava perguntas genéricas sobre temas amplos, onde grandes concorrentes profissionais e
considerados imbatíveis atuavam na
disputa de prêmios altíssimos. Watson acabou por batê-los todos A reportagem de Tom Daveport, especial para o
Wall Street Journal, aqui traduzida e comentada, garimpou os primeiros resultados do uso
intensivo do Watson em segmentos da indústria, no caso em algumas organizações
de “health care”. Várias grandes organizações se predispuseram a oferecer os
primeiros “insights” sobre a aplicação
do Watson, no apoio à pesquisas de câncer, ou em desenvolvimento de testes
clínicos, além de aplicações na área de veterinária. Organizações de peso nos
EUA foram entrevistadas como o Memorial Sloan Kettering Cancer Center(MSKCC)-NYC,
MD Anderson Cancer Center (MDACC)-Houston, Clínica Mayo-Minnesota e WellTok. Esta, é uma empresa cujo objetivo é a otimização do
sistema de saúde e que basicamente objetiva levar o “senso” de organização ao mundo caótico dos programas
de saúde, aparelhos, sensores e outras ferramentas de melhoria nesse campo.
Além dessas, também foi ouvida por Davenport uma empresa de produtos veterinários
e outra no segmento de seguro de saúde. Todas são espécies de organizações testadoras parceiras do sistema Watson e
tentam , através dele, criar uma base espessa de informações, acessadas e
trabalhadas pela Inteligência artificial. A parceria envolve projetos cuja essência é a ingestão de
informações dentro do expertise de cada uma, criando os chamados
“corpus”, como são denominados os elementos de conhecimentos
estruturados no Watson, a partir dos quais ele estabelece e busca inferência,
gerando e transmitindo conhecimento, por
mecanismos de interfaces diversas. As perguntas(speech IO) são uma delas. A
percepção de Davenport, com relação aos entrevistados é de que o produto é
considerado mesmo pioneiro e quebrador de barreiras e paradigmas. Há unanimidade
na percepção de sua complexidade no processo de ingestão de dados para a
formação dos elementos de conhecimento, mas também na sua capacidade rápida
de aprender . Há vários projetos
envolvidos entre esses diversos
parceiros do Watson. Um hospital usa o sistema para testes clínicos
envolvendo novos tratamentos, novas drogas, vacinas,etc, enquanto outro o
utiliza para estudos de tratamentos de câncer, especialmente de pulmão. Todos
os projetos descritos são chamados “moon shots”, jargão para designar aqueles com
objetivos ambiciosos e difíceis de serem
realizados com tecnologias atuais. O famoso Hospital MD Anderson, referência
mundial em câncer, tem um programa de “moonshots”, cujo objetivo é reduzir
dramaticamente a incidência e mortalidade dessa doença. Um deles treina o
Watson para aprender sobre câncer de
pulmão, enquanto o outro desenvolve conhecimentos, via Watson, para melhorar a qualidade dos tratamentos
para os pacientes dessa doença, que não possam contar com um especialista. O
Hospital MD Anderson intenciona criar um especialista chamado OEA-Oncoly Expert Advisor, focado em
tomada de decisão sobre tratamentos diferentes, sugeridos por especialistas e
também visando o compartilhamento desse conhecimentos (de especialistas) no
tratamento de um tipo específico de câncer, maximizando os benefícios e
melhorando os resultados. Em outras palavras, como disse Davenport, a ousadia
do projeto é criar uma espécie de “arte”
de tratar de câncer. Esses projetos, claro, são complexos e levam tempo. Alguns
começaram em 2012 e continuam enfrentando desafios . Como, em tese, a doença é
também progressiva no seu
desenvolvimento, os conhecimentos sobre ela continuarão sendo desenvolvidos, em
projetos subsequentes, que continuarão por muito tempo. Os estágios iniciais
desses projetos são de fazer a
ferramenta funcionar, mas na realidade esses projetos demandam profundas
mudanças organizacionais e de negócios, além do aculturamento em tecnologias
cognitivas, a fim de se chegar a transformações substanciais que possam
materializar os resultados esperados. Os recursos colaterais demandados por um
programa desses alcançam aspectos
críticos de “gestão/governança de dados”,
como plataformas, compartilhamento, acesso e segurança de dados, alterações em aspectos de “compliance”
e regulações, além de mudanças culturais
médicas cruciais para a condução do programa. Somente a abordagem de aspectos
não tecnológicos, como esses, serão capazes de viabilizar e diminuir a
complexidade do programa. É o que difere a inovação da transformação , conforme
afirma uma das entrevistadas. As
exigências para a ingestão de informações específicas sobre oncologia,
tratamentos, fármacos, bem estar, etc implica numa complexidade de estruturação
de informações, onde a arquitetura semântica dos dados é fundamental a fim de
evitar ou minimizar a ambiguidade . O desafio é justamente o mapeamento do
conhecimento intuitivo dos médicos em estruturas formais de informação para
serem colocadas nos bancos de dados do Watson. Essa parceria entre o corpo
clínico envolvido nos projetos e os engenheiros de informação da IBM é crucial
e leva tempo. Os envolvidos nos projetos estreantes(early adopters) pagarão um
preço maior pelo ineditismo que demanda a descoberta dos processos a serem
aplicados. O desafio central é realizar uma espécie de aprendizado. Por exemplo, o sistema Watson tem que
aprender quais seriam as recomendações seguras e mais adequadas ao caso, como num possível tratamento de câncer de próstata. A
extirpação da glândula, com suas consequências colaterais drásticas ou a
introdução de “braquiterapia”, com a simples inserção de sementes radioativas
no órgão, preservando todas as suas estruturas, porém recomendado somente em
certas circunstâncias. O que hoje está no conhecimento intuitivo dos grandes
urologistas, será transformado em
algoritmos cognitivos de uma plataforma de inteligência artificial. O
aprendizado, segundo os envolvidos, pode ser mais rápido do que no caso de um
aprendiz humano. Segundo uma pesquisadora, em 4 meses e meio o Watson aprendeu
os conceitos de veterinária que um aluno levaria de 4 ou 5 anos, numa formação acadêmica. Um dos maiores desafios é
a ingestão e a digestão das informações colocadas no Watson, a fim de torna-lo
capaz de aprender e inferir. Nos campos onde as informações estão mais bem
estruturadas, com glossários de negócios e definições escritas e registradas,
isso torna-se mais rápido. Quando a informação tem um ciclo de vida mais
estático, as coisas funcionam melhor. Quando a informação ainda está sendo
produzida(casos de pesquisas de tratamentos e drogas contra câncer, ainda em
pesquisa e desenvolvimento, há claras dificuldades na ingestão dos dados).
Nesses casos , com a inexistência de informações registradas em glossários de
termos, o uso do recurso humano direto é aplicado para a introdução/ingestão de
perguntas e respostas que comporão o “corpus” de conhecimento do Watson.
Novamente os aspectos de “gestão e governança de dados” influem nos passos dos projetos onde
informações geram conhecimentos. Nesse caso em particular, a transferência é de
conhecimento, pois envolve as sinapses do agente humano, além das estruturas
dos bits existentes nos dados e informações. O Watson também está em constante
evolução. Quando do início dos projetos, havia o Watson clássico, vencedor do
programa Jeopardy. Hoje, há mais de 32 API´s cognitivas, atuando em campos
diferentes, embora haja concentração preferencial em algumas delas. Por
exemplo, a maioria deseja o uso da saída das respostas em inglês. O uso de API´s para análise de
imagens obviamente será outra, fundamental nos projetos de tratamentos de
câncer, por exemplo. Já o projeto que visa a aplicação do Watson para análise
de pedidos de planos de seguro de saúde, não considera a API de
Q&A(Perguntas e Respostas) a mais importante. Todos os envolvidos nessa
entrevista de Davenport são taxativos em afirmar que o Watson não será um
substituto direto do recurso médico. Claramente o objetivo é usar a plataforma
como um apoio às estruturas humanas e tecnológicas existentes, focando a
plataforma no papel de um grande conselheiro que reúne um volume imensurável de
informações, espalhadas por entre pessoas e compêndios médicos diversos e capaz de sugerir ou responder em segundos
dúvidas sobre situações específicas. A posição final, agrupadas todas as
percepções colhidas nesses grandes centros do mundo, é que , embora complexo, o
projeto é absolutamente real e irá revolucionar os tratamentos médicos e outros
tipos de cuidados. A IBM levou 3 anos para dotar o Watson de capacidade para
vencer o Jeopardy, mas vencer o câncer é mais complexo, finaliza uma dos
entrevistados. Mas o esforço será compensado…Além da área de saúde, com o
Watson Health, a IBM investe fortemente no uso do Watson em previsões
meteorológicas. Em outubro, a Big Blue fechou um acordo para adquirir a Weather
Company(exclui o Weather Channel). A aquisição incluirá o “Weather.com”, uma vasta rede de pontos de coleta de dados de
meteorologia , além de software e de uma equipe de 900 pessoas. O objetivo,
claramente definido, é transformar o Watson Weather em um grande previsor meteorológico e iniciar o retorno de parte dos investimentos aplicados no projeto
de Computação cognitiva que resultou no sistema. Hoje o Watson é uma unidade
independente da IBM, com 2500 empregados e a Big Blue aposta no seu sucesso na
indústria da recomendação.
(*)Tom
Davenport é professor , com distinção de TI e Gerência do Babson College e
pesquisador do Centro de Estudos Digitais do MIT. É um dos mais destacados
autores do HBR-Harvard Business Review. É autor de vários livros, sendo o
último em co-autoria com Jinho Kim, chamado
“Keeping Up with the Quants: Your Guide to Understanding and Using
Analytics”.
