Na Ensemble, a estratégia para enfrentar este desafio é a destilação do conhecimento. A conversão sistemática de julgamentos de especialistas e decisões operacionais em sinais de treinamento legíveis por máquina.
Na gestão do ciclo de receitas dos cuidados de saúde, por exemplo, os sistemas podem ser semeados com conhecimento de domínio explícito e depois aprofundar a sua cobertura através de uma interacção diária estruturada com os operadores. Na implementação do Ensemble, o sistema identifica lacunas, formula perguntas direcionadas e verifica respostas cruzadas de vários especialistas para capturar o consenso e as nuances de casos extremos. Em seguida, sintetiza essas informações em uma base de conhecimento viva que reflete o raciocínio situacional por trás do desempenho de nível especializado.
Transformando decisões em um volante de aprendizagem
Depois que um sistema é restrito o suficiente para ser confiável, a próxima questão é como ele pode melhorar sem esperar por atualizações anuais do modelo. Cada vez que um operador qualificado toma uma decisão, ele gera mais do que uma tarefa concluída. Eles geram um potencial exemplo rotulado – contexto emparelhado com uma ação especializada (e às vezes um resultado). Em escala, através de milhares de operadores e milhões de decisões, esse fluxo pode impulsionar a aprendizagem supervisionada, a avaliação e formas direcionadas de reforço – ensinando os sistemas a se comportarem mais como especialistas em condições reais.
Por exemplo, se uma organização processa 50.000 casos por semana e captura apenas três pontos de decisão de alta qualidade por caso, isso significa 150.000 exemplos rotulados todas as semanas sem criar um programa separado de recolha de dados.
Um design human-in-the-loop mais avançado coloca especialistas dentro do processo de decisão, para que os sistemas aprendam não apenas qual foi a resposta certa, mas como a ambigüidade é resolvida. Praticamente, os humanos intervêm em pontos de ramificação – selecionando opções geradas por IA, corrigindo suposições e redirecionando o fluxo de trabalho. Cada intervenção torna-se um sinal de treinamento de alto valor. Quando a plataforma detecta um caso extremo ou um desvio do processo esperado, ela pode solicitar uma justificativa breve e estruturada, capturando fatores de decisão sem exigir longos registros de raciocínio de formato livre.
Construindo em direção à amplificação de experiência
O objetivo é incorporar permanentemente a experiência acumulada de milhares de especialistas no domínio – seus conhecimentos, decisões e raciocínios – em uma plataforma de IA que amplifique o que cada operador pode realizar. Bem feito, isso produz uma qualidade de execução que nem os humanos nem a IA alcançam de forma independente: maior consistência, melhor rendimento e ganhos operacionais mensuráveis. Os operadores podem concentrar-se em trabalhos mais consequentes, apoiados por uma IA que já completou o trabalho analítico em milhares de casos anteriores análogos.
A implicação mais ampla para os líderes empresariais é direta. As vantagens na IA não serão determinadas apenas pelo acesso a modelos de uso geral. Ela virá da capacidade de uma organização capturar, refinar e compor o que ela conhece, seus dados, decisões e julgamento operacional, ao mesmo tempo em que cria os controles necessários para ambientes de alto risco. À medida que a IA passa da experimentação para a infraestrutura, a vantagem mais durável pode pertencer às empresas que compreendem o trabalho suficientemente bem para o instrumentalizar e podem transformar essa compreensão em sistemas que melhoram com a utilização.
Este conteúdo foi produzido pela Ensemble. Não foi escrito pela equipe editorial do MIT Technology Review.
