Eu sou seu anfitrião, Paul Lima, sócio-gerente do Lima Consulting Group. De Wall Street ao Pentágono e às centenas de empresas da Fortune, participei de algumas das maiores transformações digitais já realizadas. Prometemos três coisas aqui. Uma perspectiva estratégica, conteúdo voltado para os tomadores de decisão e insights práticos sobre os problemas reais que os visionários digitais podem aplicar imediatamente.
Bem-vindo ao Guia do visionário para o futuro digital. Se a melhor maneira de prever o futuro é inventá-lo, então vamos prepará-lo para fazer exatamente isso. Este podcast foi criado para os visionários de hoje, que são encarregados de criar. As experiências digitais de amanhã.
Aqueles que ouvem o guia do visionário para o futuro digital têm uma vantagem injusta, pois inventam o futuro com o dedo no pulso digital. Tendo investido em sua aptidão digital e adquirido uma perspectiva de longo prazo, combinada com maneiras práticas de aplicar o que aprenderam em questão de minutos. Diga-nos se estamos ajudando você a acelerar seus objetivos comerciais. Inscreva-se em nosso programa, envie-me uma mensagem diretamente nas mídias sociais ou envie-me um e-mail para [email protected]
Hoje, temos a oportunidade de falar com Lorien Pratt, uma PhD que mora em Denver, Colorado. Tenho o prazer de trazer Lorien ao programa para falar com os profissionais de marketing digital, os tomadores de decisão, os agentes de mudança e os visionários sobre o que está acontecendo no mundo do Chat GPT, da inteligência artificial e do aprendizado de máquina. Com tanto burburinho nesse espaço, pode ser difícil encontrar as pessoas que são realmente responsáveis e conhecedoras.
Para muitas das inovações que estamos criando hoje. As pessoas que realmente, literalmente, estão reescrevendo as regras e os manuais. Por isso, trouxemos um desses tipos de autores que literalmente fez exatamente isso. De fato, parte do que ela desenvolveu está incorporada no Chat GPT.
Lorien é a cientista-chefe e cofundadora da Quantelia.
Uma empresa que fornece IA aplicada de classe mundial, aprendizado de máquina e uma nova categoria de inteligência artificial chamada Decision Intelligence.
Ela foi responsável por muitos serviços e soluções de software que estão incorporados em muitas das plataformas de tecnologia que você deseja usar hoje ou que está usando hoje com o Chad GPT.
Lorien é a autora do primeiro livro já escrito sobre Inteligência de Decisão. De fato, ela literalmente criou o nome. E o título se chama "Link, How Decision Intelligence Connect data actions and outcomes for a better world" (Vínculo, como a inteligência decisória conecta ações e resultados de dados para um mundo melhor). Em julho deste ano, Lorianne está lançando seu segundo livro, chamado "The Decision Intelligence Handbook".
Lorien tem mais de 40 anos de experiência no desenvolvimento de modelos de aprendizado de máquina, e parte de seu trabalho está incorporado em alguns dos principais aplicativos que você provavelmente usa hoje, como o Chat GPT. Ela foi destaque em duas palestras do TED e é palestrante frequente em rádios nacionais, televisão, palestras e webinars.
Estou muito feliz por ter Lorien no programa. Então, seja bem-vinda, Lorien.
Olá, Paul. É uma honra estar aqui. Para começar, gostaria de perguntar um pouco sobre seus 40 anos de experiência no fornecimento de modelos de aprendizado de máquina. Acho que é importante que o público reconheça, e uma coisa é trazer um acadêmico, outra é trazer alguém que realmente esteve na estrada, nas trincheiras, fornecendo inteligência artificial, aprendizado de máquina, esses modelos de aprendizado de máquina realmente de alta potência, em um setor.
Então, conte-me um pouco sobre sua experiência.
Lorien: "Bem, obrigada, Paul. Tem sido uma jornada realmente maravilhosa e, originalmente, eu era uma acadêmica em que o incentivo era publicar artigos e não obter subsídios, além de desenvolver uma tecnologia em uma nova direção.
"Mas o que sempre me interessou foi o problema da transferência. Como pegamos esse maravilhoso conjunto de ferramentas que temos, seja IA, aprendizado de máquina ou gêmeos digitais, e como realmente o usamos para obter resultados comerciais?
"Ou para resolver alguns dos grandes problemas que enfrentamos, como o clima e a pobreza. Assim, minha jornada foi iniciada no meio acadêmico, onde a ideia era apenas ampliar a pesquisa existente. Depois, passei a trabalhar como analista de mercado por vários anos e percebi que a pesquisa não estava realmente chegando às mãos dos tomadores de decisão. Havia alguns casos de uso, marketing e publicidade para o aprendizado de máquina, mas havia muita necessidade de tomada de decisão baseada em evidências ou mais estruturada por parte da liderança em todo o mundo, e isso simplesmente não estava acontecendo. Foi daí que surgiu a inteligência de decisão. E o resto das irmãs. Ótimo".
Paul: Tive a oportunidade de assistir a alguns de seus discursos e uma das coisas que realmente adoro na maneira como você conta as histórias é que você encontrou uma maneira de incorporar a história de sua mãe e a história de Bowie, seu cachorro.
Na verdade, o que estou tentando dizer é que há PhDs em ciência da computação que o ajudarão a entender os fatos e, depois, são contadores de histórias.
E acho que esse é um dos superpoderes que você tem, e espero poder ouvir algumas dessas histórias hoje. Lembro-me de que o senhor nos contou um pouco sobre o seu trabalho e que tem uma grande variedade de aplicações às quais aplicou essas técnicas, mas houve uma em particular que me chamou a atenção, que foi o Projeto Genoma Humano. Pode nos falar um pouco sobre sua experiência nesse projeto?
Lorien: "Claro, graças ao Projeto Genoma Humano. Fui financiada durante a pós-graduação, e foi uma época muito empolgante, porque estávamos pegando as sequências de pares baseadas em DNA, sabe, o a c t g g g, o que quer que fosse, e estávamos tentando aprender coisas novas sobre elas. Em particular, há um DNA do qual você já deve ter ouvido falar que é uma espécie de DNA lixo que não tem nenhuma finalidade.
"Assim, a pergunta é: qual parte do DNA realmente cria olhos azuis ou, você sabe, orelhas de um determinado tamanho? E qual parte do DNA é mais antiga e não é realmente ativada? E acontece que você pode usar o aprendizado de máquina para descobrir isso. E isso é realmente representativo de muitos problemas de aprendizado de máquina e de que você tem esse conjunto de dados gigantesco.
"Certo? Nesse caso, foi apenas um c t g g g g a c t acontecendo por um bilhão de letras. Certo? E então você tem algumas pessoas que fizeram um trabalho muito árduo que diz, aqui está o lugar onde o DNA lixo começa, esse ACTG, e aqui está o lugar onde o DNA lixo termina, o t t g g a.
"Certo? Mas qual é esse padrão? E as pessoas têm tentado escrever um software de computador para descobrir isso. Bem, talvez seja quando há dois Ts e cinco Gs, etc. Certo?
"E descobriu-se que o aprendizado de máquina era melhor nessa tarefa do que as pessoas que escreviam software. Para os espectadores que não sabem o que é aprendizado de máquina, a definição realmente simples de aprendizado de máquina é que, em vez de criar software escrevendo código como em JavaScript com if thens etc., você escreve software dando ao computador exemplos de entrada e saída. E foi isso que fizemos no Projeto Genoma Humano, bem como em muitos outros projetos. Dissemos: "É aqui que estão as coisas do DNA lixo que conhecemos.
"Você consegue descobrir o que há nesse padrão que inicia e interrompe essas sequências de DNA lixo? Esse foi o modelo para centenas de projetos que realizei ao longo dos anos em que não sabíamos como escrever um software ou algo do gênero. Mas temos exemplos de entrada e saída, e você dá isso a um sistema de aprendizado de máquina e ele descobre como ir a partir de uma saída. E isso é incrivelmente poderoso e tem sido assim há 40 anos".
Paul: Bem, esse é um dos comentários que fiz, sobre o qual falei em nosso último episódio e, basicamente, fiz o comentário no último episódio se você colocar a palavra computacional na frente de qualquer disciplina.
Que existem aplicativos para isso. Política computacional, ética computacional. Não se trata apenas de física computacional ou de finanças computacionais. Tive uma aula na escola de pós-graduação chamada finanças computacionais por volta de 2001.
Mas quando você começa a aplicar esse poder da criatividade computacional, da ética computacional, da política computacional, da computação, insira o nome da disciplina acadêmica, geralmente há uma oportunidade de usar grandes conjuntos de dados e aprendizado de máquina. Pelo que entendi, sua experiência tem sido mais no sentido de trabalhar em muitos setores diferentes do que, digamos, exclusivamente em um. Certo? Então, o que acrescentaria a esse comentário sobre colocar a palavra computacional na frente de praticamente qualquer disciplina acadêmica?
Lorien: "Acho que você tem toda a razão. E acho que vemos muitas organizações no que poderíamos chamar de jornada de transformação digital, na qual o aprendizado de máquina é uma etapa ao longo do caminho. Assim, no início, nada é digitalizado. Então, elas decidem que terão alguns dados que serão capturados e rastreados.
E, alguns anos depois, após o rastreamento de alguns dados, eles dizem: "Talvez esses dados históricos tenham algum valor se construirmos um modelo de aprendizado de máquina com eles. Então, acho que o exemplo mais comum é que temos dados históricos de quando os clientes se desligaram. Esse é provavelmente o exemplo de aprendizado de máquina mais difundido, e a rotatividade significa que perdemos um cliente de um plano de transcrição ou de uma telecomunicação. E temos esses dados históricos que mostram todas essas características de um cliente, a frequência com que ele liga para o call center e outras características de comportamento.
"Podemos usar isso para criar um modelo de aprendizado de máquina que preveja a rotatividade?
"Certo? E, portanto, esse padrão em que, no meio da jornada de transformação digital, as organizações percebem que têm esse grande conjunto de dados e que esse conjunto de dados representa essas entradas e saídas históricas e, em seguida, alimentam um sistema que cria software automaticamente para elas. A rotatividade é apenas um exemplo. O valor da vida útil do cliente é outro que você pode usar.
"Qual é a probabilidade de uma intervenção? Se eu pegar o telefone e ligar para eles, eles não me deixarão? Ou devo enviar-lhes uma campanha de mala direta? Todos esses são exemplos de situações em que você pode usar esses dados históricos.
"Construir automaticamente um software que ajude a fazer uma previsão. E, atualmente, em muitos domínios, essas previsões são melhores do que as feitas por humanos. Estamos vendo o aprendizado de máquina atingir níveis de precisão que os humanos não são capazes de alcançar porque ele detecta sinais muito sutis. Por exemplo, no caso da rotatividade, descobrimos em um deles que nossos clientes com maior probabilidade de rotatividade são os deste CEP porque receberam uma campanha de mala direta, mas somente se forem mulheres, chefes de família, com menos de 30 anos e pelo menos um filho. Certo?
"E, você sabe, é impossível chegar a esse padrão muito complexo apenas observando um milhão de linhas de dados. Certo? Mas o aprendizado de máquina pode encontrar esse padrão e ele é muito, muito comum".
Paul: Esse exemplo me lembra a história da cerveja e das fraldas.
Lembro-me de ter aprendido com Kirk Born, de quem gosto muito. Ele é um cara fantástico.
E Kirk conta uma história. Ele fala sobre essa relação entre homens que vão a uma loja de conveniência, geralmente depois do trabalho, param e compram fraldas. O produto mais altamente correlacionado que eles compram com as fraldas é a cerveja. E se você apenas olhar os dados, não conseguirá fazer essa correlação.
Mas qual é o fator oculto que está criando essa correlação entre cerveja e fraldas? E, você sabe, qualquer pessoa que tenha uma criança pequena em casa sabe que é um bebê chorão. Qual foi o outro fator externo que não está nos dados? Se você não estiver aqui, levante a mão. Não é?
Assim, no exemplo que você deu sobre a rotatividade, pode ser que o concorrente ofereça para esse segment específico uma oferta muito interessante sobre a possibilidade de obter seu telefone celular de graça para seu filho, certo? Porque você disse que as mulheres que têm filhos são suficientes. E você não saberá que isso não está em seu conjunto de dados. E essas pequenas sutilezas às vezes detectam fatores que estão causando impacto de maneiras que os dados em si não lhe dão a chance de revelar sozinhos.
Ele apenas fornece a saída.
Lorien: "Bem, esse é um ponto muito bom. Gosto muito que você tenha mencionado isso, Paul, porque ilustra o que eu acho que é um dos desvios de direção em que o aprendizado de máquina se encontra no momento. Ele tem sido tão bem-sucedido em determinados casos de uso, criando software automaticamente a partir desses conjuntos de dados, que, como campo, não se envolve realmente com essas relações causais, como a que você acabou de descrever, que não estão nos dados.
"E o que descobri é que, quando estou ajudando organizações a tomar decisões de grande impacto em ambientes complexos, a maioria dos elementos dessa decisão não está em nenhum conjunto de dados, mas está na cabeça dos seres humanos. Os seres humanos têm uma compreensão mecanicista e causal de como o mundo funciona. Entendemos que bebês chorando podem fazer com que você queira comprar cerveja. Certo?
"Mas não há um conjunto de dados para isso. E, sabe, o que é interessante sobre o aprendizado de máquina é que os dados foram tão bem-sucedidos que temos uma espécie de visão de túnel. Se não está nos dados, então não deve ser relevante para a nossa decisão, e foi por isso que inventei a disciplina de inteligência de decisão em 2009, exatamente pelo motivo que você acabou de dizer: o aprendizado de máquina só era útil se as informações estivessem nos dados, e estávamos ignorando esses entendimentos de como o mundo funciona que estão na cabeça dos humanos. Portanto, a inteligência de decisão tem a ver com a obtenção de informações ideais de um grupo diversificado de pessoas.
"Sabe, qual é a estrutura da decisão que você está tomando? E podemos falar mais sobre isso em um minuto. E depois que você conhecer a estrutura de uma decisão. Pode haver alguns modelos de aprendizado de máquina que se encaixem nessa decisão.
Mas ele realmente vira tudo de cabeça para baixo. Não começamos com os dados. Começamos com alguém em uma função específica que está tentando alcançar algum resultado comercial e, em seguida, quais são as ações que ele pode realizar. E vamos nos certificar de que entendemos as fraldas e a cerveja e como tudo se encaixa. Depois, podemos procurar alguns conjuntos de dados que possam informar isso".
Paul: Bem, este podcast é voltado principalmente para os responsáveis pelos períodos do cliente. No último episódio, falei basicamente sobre como o modelo de maturidade para dados. Ele começa com a simples coleta, o que é uma espécie de diagnóstico. Em seguida, é descritivo ou estamos obtendo alguma causalidade, talvez em um nível muito geral, e depois é preditivo.
E, por fim, a ruga que colocamos nela é cognitiva, o que significa que as máquinas podem nos ajudar a retroceder ainda mais e coletar mais dados e coletar mais diagnósticos e causalidades, calcular as equações e, por conta própria, começar a resolvê-las usando a capacidade cognitiva ou computacional. Portanto, o que eu gostaria de dizer é que, em cada um desses estágios, há sintomas que ocorrem na organização.
No início, é: "ei, não temos os dados". Portanto, no descritivo, estamos apenas capturando os dados. No diagnóstico, a frase que sempre gosto de usar é que o título supera os dados. E isso significa que o HIPAA, a opinião da pessoa mais bem paga na sala, está sempre tomando a decisão.
E esses executivos seniores, bem, estão fazendo isso há muito tempo. Você pode ouvir que, oh, eu não confio nos dados ou que os dados não estão realmente acomodando todas as nuances, e eu captei em minha carreira como, você sabe, um supervisor de primeira linha ou o que quer que seja, mas o que eu ouço e é aqui que eu quero chegar, o que eu ouço na inteligência de decisão é que você criou uma disciplina que acomoda tanto o instinto quanto os dados, certo, e desenvolve a inteligência de decisão. Certo? Então, como você diria que é capaz de incorporar a dimensão humana, juntamente com o que vem junto com os dados, na inteligência de decisão?
Lorien: "Vou contar a história do cachorro agora para responder a essa pergunta. Então, meu cachorro, eu o treino. Certo? E ele vive nesse mundo que chamamos de comportamento antecedente e consequente. Então, o antecedente é que ele está na cozinha e eu digo para ele sentar.
"E ele faz o comportamento. Essa é a parte ruim da coisa. Ele se senta. E a consequência é ganhar um biscoito. Certo? Essa é a parte c da questão. Acontece que os hipopótamos e outros seres humanos também vivem em um mundo de comportamento antecedente e consequente.
"E na inteligência de decisão, usamos uma linguagem um pouco diferente, um pouco mais comercial, que é contexto, ações e resultados.
"E quando começamos a desenhar imagens das decisões dos líderes dentro dessa estrutura e pegamos o que está em suas cabeças no momento, aquele político que está imaginando, bem, se eu fizer isso, isso levará a isso, isso levará a isso. E ele está pensando nisso em sua cabeça, se tirarmos isso da cabeça dele e desenharmos uma imagem disso, e então convidarmos outras pessoas para colaborar com essa imagem. Ficamos muito mais inteligentes em relação à tomada de decisões e, então, podemos começar a trazer alguma tecnologia para usar um computador em vez de tentar imaginar se eu, sabe, invisto nessa campanha de NPS ou adiciono esse novo recurso de produto, ou um mercado para esse novo grupo demográfico, todas as decisões que um gerente de produto ou um líder de marketing pode estar tomando, em vez de apenas fazer com que isso aconteça invisivelmente entre seus ouvidos.
"Vamos colocar isso em um diagrama e convidar outras pessoas para colaborar, e um desses parceiros de colaboração também é a IA. Então, é assim que fazemos a ponte entre a realidade deles, certo, que é, você sabe, como os humanos pensam, é como meu cachorro pensa. Até a IA, quando perguntamos a eles sobre os comportamentos e as consequências de seus antecedentes.
Paul: Você tem um jeito muito bom de conseguir simplificar as coisas. Então, em uma palavra, em uma frase, o que é inteligência de decisão?
Por que o mundo precisava de uma nova disciplina, vou dizer, dentro da inteligência artificial, a disciplina de DI? O que é isso?
Lorien: "Trata-se de pegar essa gigantesca pilha de tecnologia e ajustá-la aos resultados e às ações de seus negócios".
Paul: Uma ótima maneira de fazer isso é falar um pouco sobre um diagrama causal, pois estávamos na sala verde falando sobre isso antes.
E se realmente pensarmos no resultado de todos esses modelos e momentos que os executivos seniores podem usar para tomar uma decisão, há todo tipo de oportunidade para usar o aprendizado de máquina, como modelos econométricos e todos os tipos de outros recursos. Mas a maneira como eu estava pensando sobre isso é que poderia ser um modelo de modelos.
Certo? Que isso realmente arquitetaria uma decisão no mais alto nível. E você diz, bem, oh, nós já usamos, já fazemos muito disso no mundo do marketing usando uma disciplina chamada design thinking.
Então, como funciona a inteligência de decisão? Qual seria o resultado desse modelo de modelos? E como ela se encaixa no design thinking quando se começa a atacar um problema de marketing ou um problema de experiência do cliente? Como deveríamos pensar em incluir a inteligência decisória nesse esforço e nesse fluxo de trabalho?
Lorien: "Então, se pensarmos no design thinking como algo que começa com o usuário final em mente e realmente entende sua realidade e seu contexto, então a inteligência de decisão é o design thinking, é uma metodologia e tecnologia de design thinking que permite trabalhar melhor com dados e IA. Acho que poderíamos pensar na DI como um subconjunto do design thinking.
"Quando temos esses objetivos específicos em mente, quando queremos ser mais baseados em evidências ou mais orientados por dados, especificamente para novos casos de uso. E vamos ser bem claros: aprendizado de máquina para publicidade: resolvido. Certo?
"Há uma série de casos de uso que já estão completamente prontos. Mas se você tem um novo caso de uso que nenhum fornecedor pode resolver, que você acha que poderia ser informado por dados melhores, poderia ser informado por IA. E o ponto principal disso é que há um ROI sobre o uso da IA. Então, se você tem algum resultado comercial que deseja alcançar, é aí que se encaixa o desenho de um desses diagramas de decisão causal.
"Não sei se alguém tem idade suficiente. Mas, sabe, a NASA inventou os gráficos de Gantt porque as complexidades das missões Apollo eram grandes demais para que as pessoas mantivessem em suas cabeças todas as atribuições de quais astronautas estariam em cada missão. Mas antes dos gráficos de GAN, as pessoas faziam isso de maneira muito informal. Não havia uma maneira padronizada de dizer vamos fazer isso e essa é uma caixa, vamos fazer isso e essa é uma caixa, e há uma dependência de início e fim entre essas duas coisas.
"Por esse motivo, inventaram os Gantsharks. E um diagrama de decisão causal realmente tem a mesma finalidade para decisões em ambientes complexos. E nós somos o equivalente a um grande número de gráficos. Estávamos tentando manter todas essas complexidades de escolhas em nossas cabeças, e há muito tempo, em muitas organizações, chegamos a um teto complexo, e é por isso que estamos discutindo, é por isso que há tanta tensão.
Estamos fingindo que podemos manter todas essas partes da decisão em nossa cabeça. Quero dizer, imagine se fôssemos construir um arranha-céu sem uma planta, é o mesmo tipo de coisa sempre que a humanidade entra em uma nova disciplina complexa, usamos algum tipo de metáfora visual. Usamos o design. Não é mesmo?
E o design geralmente é um diagrama de uma coisa que tem algum nível de fidelidade com a coisa real. E nunca havíamos projetado decisões antes. Bem, agora podemos. Portanto, este é um CDD, como um projeto para uma decisão ou como um gráfico de Gantt para uma decisão em um ambiente complexo".
Paul: Então, esse diagrama de decisão causal é algo que, para muitas pessoas, pode ser novo, e acho que temos o mapa da jornada do cliente. Em geral, esses são os resultados que podemos obter em um workshop de design thinking voltado para o cliente. E também temos a notação de modelagem de processos de negócios dois pontos o. Aqui na Lima, que é um grupo de consultoria, geralmente usamos uma ferramenta chamada Signavio.
Para documentá-las. Muitos de vocês podem usar ferramentas como o Visio ou até mesmo o PowerPoint para desenhar os mapas com as raias e os pequenos diamantes que representam uma decisão. Qual é a diferença entre isso e um CDD ou um diagrama de decisão causal?
Lorien: "Ótima pergunta. E se o seu público tiver saído para tomar um café, este é o momento de pegar o café e tomá-lo, porque isso é a) um pouco complicado de entender e b) uma das coisas mais importantes a serem entendidas no mundo agora, porque sem esse entendimento, não resolveremos a tomada de decisões complexas. E vou fazer isso com uma analogia. Pense na diferença entre a decisão de cobrar um preço por um produto.
"E o processo pelo qual você passa para implementar esse preço em seus sistemas de computador.
"Ambas são coisas importantes a se fazer. Certo? Por exemplo, se cobrarmos dez dólares. Bem, qual é o processo de pensamento que usamos para decidir se cobramos 10 dólares ou 5 dólares por um produto?
"Ou, como outra coisa, você sabe, adicionar um novo recurso a um produto. Certo? Bem, o processo de pensamento que adotamos é: se cobrarmos isso e comercializarmos para um público específico. Teremos um determinado número de pessoas que o comprarão, e isso se traduzirá em uma determinada receita.
"Há uma cadeia de eventos que imaginamos que ocorrerá automaticamente, e essa é a palavra-chave, a consequência automática dessa escolha de cobrar cerca de 10 dólares. Isso está fora do nosso controle.
"Em um diagrama de processos de negócios, as caixas significam coisas que fazemos, como abrir o site, ir para a página onde o preço está listado, ligar para nossos representantes de vendas e dizer que os preços mudaram. Essas são atividades. Certo? E as caixas são apenas atividades que acontecem uma após a outra. Em um diagrama de decisão causal, as caixas não são atividades. As pessoas sempre são tentadas a pensar que são. Elas são consequências de sua ação. Certo?
"Portanto, é essa cadeia de eventos que é colocada em movimento pela decisão de cobrar um preço. Portanto, se eu for um funcionário do governo e estiver definindo uma política para, sabe, algum subsídio para uma empresa agrícola, não vou analisar as atividades. Não vou mapear as atividades dessa empresa. Em vez disso, estou definindo uma política, e como decido qual política devo definir? Estou imaginando as consequências que isso teria sobre a economia ou as consequências que isso teria sobre um determinado setor que está fora do meu controle.
"Certo? Portanto, o ponto principal aqui é um diagrama de decisão causal, e você pode ver este na tela. No lado esquerdo, há coisas que você pode controlar. E então, à medida que flui da esquerda para a direita, você chega às coisas que são as consequências dessas coisas que você controla, as consequências dessas ações. Assim como meu cachorro Bowie, certo?
"Ele toma uma atitude e, fora de seu controle, acaba ganhando um biscoito agora mesmo. Nos negócios, é uma cadeia causal mais longa do que apenas a resposta à ação, mas é o mesmo tipo de coisa".
Paul: Bem, eu adoro isso, certo? Porque temos, sabe, isso remete ao ABC, temos esses inputs ou antecedentes, esse ambiente de ferramentas de contexto com o qual estamos lidando.
É altamente dinâmico. Talvez seja isso que está na coluna da esquerda. Depois, temos esses comportamentos, que são, na verdade, as nuances do que está acontecendo na tomada de decisões. E então, você sabe, temos esses resultados com consequências.
Então, essas caixas estão todas dentro, especialmente as áreas roxas e verdes? São todas consequências? Ou algumas delas realmente representam o momento em que o processo da decisão está sendo tomado?
Lorien: "Ótima pergunta. Os amarelos são ações. No lado esquerdo, as rosas no canto inferior esquerdo são as externas, como a palavra formal para o contexto. As coisas que você não pode mudar, mas pode fazer suposições, sabe. Você pode presumir que seu concorrente nunca cobrará mais de 12 dólares.
"Certo? Não posso controlar isso, mas posso fazer uma suposição sobre meu ambiente externo. E as coisas verdes à direita são os resultados. E tudo o que está no meio é uma espécie de mapa do mundo complexo e, às vezes, há loops de feedback, o que torna tudo muito complicado.
Portanto, você realmente precisa de um diagrama para entender isso. É o mapa de como essas ações dentro do contexto dos elementos externos levam a uma cadeia de eventos que, em última análise, leva aos resultados".
Paul: Então, se eu sou uma organização e estou pensando em usar aprendizado de máquina, modelos econométricos, inteligência artificial, cadeia a I. O que eu adorei nesses CDDs quando estava lendo seu livro é que eles representam o modelo dos modelos. Certo? Então, se eu tiver, por exemplo, "ah, mas nós pretendemos aqui, por exemplo, aumentar nossa velocidade de conteúdo".
Isso nos ajudará com nossa personalização.
E, dentro disso, usaremos o aprendizado de máquina e talvez a análise conjunta ou talvez algumas técnicas ocupadas para poder fazer essa personalização.
Mas antes e depois disso, há outros modelos e outros conjuntos de dados que estão sendo usados. Então, como um CDD nos ajuda a obter essa imagem de todos os modelos e pontos em que a tecnologia, o aprendizado de máquina e a matemática podem nos ajudar?
Lorien: "Em primeiro lugar, acho que a coisa mais importante a saber sobre um CDD é que ele vem de cérebros humanos porque, como falamos no início, geralmente não conseguimos obter esse tipo de diagrama de alguns conjuntos de dados.
"Então, como isso pode nos ajudar a entender como usar esses modelos? DI diz para deixarmos os dados fora da sala em um primeiro momento. Deixe a IA fora da sala porque você não quer ficar procurando a solução embaixo dos dados ou do poste de luz da IA.
"Certo? Você deve procurar a solução pelas lentes do seu tomador de decisões e dos resultados comerciais com os quais ele se importa. O que fazemos é passar por um processo em que desenhamos isso de forma colaborativa e, em seguida, repetimos até ficarmos satisfeitos. Depois de desenhar todas as linhas, analisamos cada uma delas e alguns dos elementos externos.
"E perguntamos: há algum conjunto de dados que possa servir de base para isso? Existe um estudo de pesquisa que possa informar isso? Existe um modelo econométrico? Portanto, neste caso, trata-se de uma decisão tomada por um gerente de instalações.
"Quando ele deve entrar na sala. E uma de suas opções é que você pode pedir a todos que usem uma máscara. Bem, talvez tenhamos um modelo de aprendizado de máquina ou um estudo de pesquisa que diga quantos sinais você precisa ter em suas instalações para que as pessoas usem máscaras? E qual é a relação entre seu investimento em marketing, o uso de máscaras e o uso efetivo de máscaras pelas pessoas?
"E isso é mediado pelo contexto, porque se ele estiver em uma cidade, poderá obter muita conformidade. Se ele estiver em outra cidade, terá menos conformidade ou país. Certo? Portanto, ele está tomando uma decisão dentro de um contexto de uma região geográfica específica, o que leva à conformidade matemática.
"E é aí que há uma oportunidade para um modelo econométrico ou estudo de pesquisa ou modelo de aprendizado de máquina ou várias outras coisas. Então, primeiro criamos essas coisas, paramos os dados na sala e, em seguida, analisamos uma parte de cada vez e dizemos: "Bem, onde estou com a tecnologia para informar esse link".
Paul: Assim como o ótimo design thinking, que começa com o cliente, e a primeira parte do design thinking é realmente se colocar no lugar do cliente e demonstrar empatia.
Certo? E acho que, nesse caso, se eu for um executivo sênior que está começando a expirar, a aproveitar a criatividade computacional, a IA generativa e assim por diante. Onde esse diagrama causal começa em minha jornada? Eu deveria fazer isso no início do estágio ou é algo que é feito no final, o que é muito comum.
Certo? Isso é algo que é feito durante o workshop de design thinking no final, antes, o que você diria ao executivo sênior?
Lorien: "Bem, eu começaria dizendo que a coisa menos empática que você pode fazer é entrar na sala e mostrar a ele seus dados. No entanto, já vi isso acontecer na grande maioria das vezes quando há um compromisso em que um executivo sênior quer usar mais dados. Ele quer usar mais evidências.
"Bem, o que ele faz? Ele convida os dados para o pessoal de aprendizado de máquina na sala, e eles começam a mostrar seus dados. E isso está completamente errado. Não faça isso. Não faça isso.
"Portanto, comece deixando os dados fora da sala porque, no momento em que começar a falar sobre dados, você derreterá os cérebros das pessoas e gastará a suposição de que elas podem entender o que você está dizendo. Você usará quase toda a capacidade cognitiva deles para entender do que diabos você está falando. Está bem? E é bem provável que eles se desliguem. Certo?
"Porque você não está falando a língua deles. Se você é um especialista em dados, um tecnólogo ou um consultor, precisa conhecer as pessoas onde elas estão. E o que aprendi em um ano de entrevistas que fiz ao iniciar tudo isso e nos 15 anos seguintes foi que os executivos são incentivados a obter resultados e, portanto, você conversa com eles sobre o que os incentiva, quais são suas metas estratégicas e os encontra onde eles estão. E eles pensam todos os dias em termos das ações que vão tomar.
"E assim por diante, essa é uma linguagem universal que você pode usar para ter empatia com as pessoas. E eu a utilizei em dezenas de domínios de problemas diferentes. E, assim como meu cachorro fala essa linguagem, ela é tão universal que os animais fazem isso. Certo?
"Também é universal de um domínio de problema para outro. Portanto, vou entrar sem nenhuma ideia de que estou trabalhando em um projeto de agricultura de batata-doce no momento. Eu realmente não penso no cultivo de batata-doce. Mas posso ser um consultor eficaz porque me sento com os produtores de batata-doce e pergunto: "Bem, que objetivos vocês estão tentando alcançar?
"Este ano, daqui a dois anos, etc.? E eles dizem: "Ah, você se preocupa com minhas metas. Obrigado. E é um momento maravilhoso, porque não estou apenas perguntando, mas estou desenhando-as em um mapa, e assim elas não precisam mais ficar pensando nisso.
"Então, é como se houvesse um momento de alívio na sala, porque todo o esforço que foi necessário para que as pessoas mantivessem uma visão muito complexa, sabe, onde estão todas as minhas metas, minhas metas de curto prazo, minhas metas de curto prazo, elas estão mantendo isso em suas cabeças. Elas não têm como mapear isso, e então eu digo: "Bem, quais são as ações? E é uma coisa maravilhosa pela qual você passa.
"E somente depois que você desenhar o mapa e concordar com ele é que os dados poderão entrar na sala, pois, caso contrário, seu pessoal não conseguirá pensar direito, quer você seja empático ou não. Isso tem a ver apenas com a carga cognitiva. Você está sobrecarregado demais".
Paulo: Uau. Quero dizer, anos de experiência fazendo isso no campo.
Quero dizer, isso realmente demonstrou um pouco de algumas lições aprendidas em armadilhas, que era minha próxima pergunta. Então, você meio que se antecipou a ela de uma maneira muito boa. Portanto, se sou um executivo sênior e estou pensando em uma nova experiência digital, uma nova experiência do cliente, estou pensando em fidelidade. Estou pensando em como aproveitar melhor meus dados.
Estou pensando em acelerar a velocidade do meu conteúdo e produzir mais conteúdo para apoiar a ambição de fazer mais personalização.
Qual é a minha rampa de acesso? Qual é a primeira coisa que precisamos fazer se quisermos alavancar a matemática?
E aproveitar os recursos de todos eles, você sabe, chat GPT e assim por diante. Qual é a primeira coisa que devemos fazer?
Lorien: "Bem, a primeira coisa que você deve fazer, independentemente de estar ou não usando qualquer tecnologia, é sentar-se com sua equipe e ter clareza sobre os resultados mensuráveis pelos quais todos serão responsabilizados. Certo?
"Certifique-se de que você está alinhado com o fato de que o EBITDA líquido de CapEx é medido após 12 meses e que nossa meta é que ele cresça 2%. Sem prejudicar nosso EBITDA líquido de CapEx após vinte e quatro meses, que precisa crescer 5%. Isso precisa ser tão nítido e mensurável que você estaria disposto a fazer uma aposta nisso e saberia quem ganhou a aposta. Certo?
"E simplesmente ter essa disciplina e depois revisitar esse resultado, porque o mundo muda e as metas mudam, e simplesmente reconectar-se com sua equipe sobre os resultados que todos estão tentando alcançar. Como as pessoas tomam cerca de dez mil decisões por dia, prometo que apenas uma pequena fração delas será informada pela tecnologia. Ou informadas pela inteligência de decisão e, portanto, simplesmente ter um alinhamento nítido e claro de onde se quer chegar é tão fundamental e, no meu mundo, tão raramente feito. É como se todo mundo presumisse que todos nós sabemos para onde estamos indo. Eu entro nessas equipes e digo: vamos falar sobre os resultados. E usei uma de minhas lições aprendidas com as armadilhas, pois presumi que as pessoas já haviam se alinhado em torno disso.
"E ultimamente, você sabe, há quinze anos, eles nunca estão alinhados com isso. E talvez estivessem alinhados há três meses, mas se desviaram, e é só essa verificação e realinhamento sobre o que estamos tentando alcançar. E, você sabe, basta anotar isso. Certo?
"Eu as desenho em pequenas caixas, mas você pode fazer como quiser. E depois uma linha ao redor das ações. O que são autoridades? Quais são as coisas sobre as quais você tem opções?
Podemos escolher um preço para esse produto e qual é a restrição para ele? Pode ser entre 2 e 12 dólares. Sabe, temos alguns requisitos para o gerenciamento. Mapeie-os.
Basta anotar essas informações. Certifique-se de que todos estejam de acordo. São suas ações. Em seguida, cheguem a um acordo sobre como essas ações se conectam ao resultado.
Então, é aí que as coisas ficam um pouco mais complicadas, quando você faz essa pausa e efetua a mudança. Você não precisa ler meu livro para fazer isso. Você só precisa ouvir os últimos sessenta segundos deste podcast.
E os livros abordam isso em detalhes exaustivos, certo? E há práticas recomendadas que eu ensino em um curso, mas você pode percorrer um longo caminho a partir dos últimos 60 segundos.
Paul: Sim. Então, parece que uma das ferramentas que gostaríamos de usar é um balanced scorecard, que nos ajuda a descobrir o porquê, certo?
Isso se desfaz. Falo um pouco sobre isso no episódio 1 deste podcast. Então, talvez a próxima coisa que eu ouvi você descrever seja esse diagrama causal. E isso pode realmente descobrir o quê?
Quais são os impactos e a decisão, quais são as consequências, quais são as atividades e, em seguida, programamos o workshop de design thinking quando tivermos o diagrama causal pronto e entendermos o que queremos fazer, certo? E então podemos descobrir o como, que é o workshop de design thinking. Portanto, os resultados de um workshop de design thinking podem ser um projeto de design de serviço. Pode ser um mapa da jornada do cliente.
Posteriormente, pode até ser um diagrama de processo de notação de modelagem de processos de negócios. Mas parece que o diagrama causal deve ser um insumo para o workshop de design thinking, se é que entendi.
Lorien: "Acho que isso vale para os dois lados. Porque as decisões acontecem dentro de determinados processos comerciais.
"Portanto, você poderia começar com o b p com o modelo de processo de negócios, se já tiver um, e poderia dizer que, para cada etapa desse processo de negócios, há algumas decisões dentro dele? Certo? Ou você poderia começar com um diagrama causal e saber, estar no próximo nível e dizer, ok, essas são as decisões que estamos tomando, e então provavelmente há algumas etapas do processo que precisamos tomar para implementar essa decisão. Na verdade, já vi isso acontecer nos dois sentidos.
"Eles são bastante complementares. Certo? Porque, mais uma vez, a modelagem de processos de negócios trata das etapas a serem seguidas e as decisões tratam do motivo pelo qual vamos seguir cada etapa, porque isso nos permitirá alcançar determinados objetivos".
Paul: Sim, parece que isso pode ser variável, dependendo dos insumos que você já tem e da maturidade do processo em sua organização.
A realidade tem feito isso há 19 anos. Eu diria que, na maioria das vezes, na área de marketing, na área de experiência do cliente. Se houver mapas de processos, eles são antigos. Eles são das duas gerações anteriores do site e da experiência digital. Eles não estão atualizados. E acho que isso é difícil. Não é como em uma fábrica e em um reequipamento em que há mapas de processos para saber como a máquina da ABB vai fazer o carro sair da linha de montagem no marketing e na experiência do cliente. É tão dinâmico que, na maioria das vezes, não vejo que os mapas de processos já tenham sido elaborados. Nessa disciplina.
Lorien: "E acho que, se o objetivo é trabalhar mais de perto com os dados e a IA como colaboradores, precisamos ter a disciplina para sermos precisos em relação a essas decisões e mantê-las atualizadas. E isso é exatamente o que os dados e a IA pedem de nós: que sejamos um pouco mais rigorosos".
Paul: Então, Lorien, todos estão tentando descobrir como aproveitar a genAI no Chat GPT 3, 3.5, 4.0. O que você está fazendo com o Chat GPT? E como isso está influenciando a arte da inteligência de decisão?
Lorien: "Ótima pergunta. Acho que a Decision Intelligence é o aplicativo matador do Chat GPT. Vou lhe dizer por quê. Por aplicativo matador, o que queremos dizer é que somente a inteligência de decisão justifica sua existência pelo valor para a raça humana. Certo? Então, o que estamos fazendo é lembrar dos CDDs que tínhamos antes, com as ações, os resultados e os externos?
"Estamos pedindo ao Chat GPT que nos dê ideias de ações, externas e resultados. E, na verdade, eu testei o chat GPT em um projeto que fiz há alguns anos, no qual criamos todo o CDD com uma equipe de 20 pessoas. E então, nas últimas semanas, eu disse: "Ei, Chat GPT, existem algumas ações em que não pensamos? E ele apresentou um monte de ações nas quais essas 20 pessoas nunca haviam pensado. E então ele disse: ei, você pensou nessas consequências não intencionais?
"Porque eu modifiquei o chat GPT, não apenas para fazer o chat normal, mas também o ensinei a fazer o chat de elicitação de CDD. Portanto, ele sabe sobre ações, resultados e consequências, sabe sobre CDDs, certo? E, assim, ele apresentou uma série de consequências não intencionais nas quais esta equipe não havia pensado. Em resumo, a GPT de bate-papo, você sabe, sobre o que falamos anteriormente, como o CDD não está nos dados. Estamos tirando-o dos cérebros humanos.
"Bem, você só pode obtê-lo dos cérebros humanos que estão na sala, mas o bate-papo, o GPT o obtém de todos os cérebros humanos. Certo? Porque ele está saindo e está vasculhando o mundo inteiro para dizer, para essa decisão específica, se há algumas ações que podem não prejudicá-lo ou algumas consequências não intencionais de resultados nos quais você talvez não tenha pensado. E, a propósito, isso também lhe dá ideias para os modelos de aprendizado de máquina que se encaixam no meio.
"Portanto, é um companheiro copiloto realmente incrível para a construção de CDDs. E eu tenho alguns contratos no momento em que estou conversando com o GPT, como esses domínios de problemas específicos, para que ele crie DVDs automaticamente como parte do seu diálogo. É super, super legal".
Paul: Então, se eu ouvir o que você está dizendo é que está aproveitando o chat GPT para realmente criar o diagrama de decisão causal, lembro que, em outra conversa que tivemos, você criou uma API?
Quero dizer, você estava realmente adicionando algum recurso para conversar com o GPT por meio da API que estava criando?
Lorien: "Não. Estou construindo em cima do chat GPT. Portanto, minha coisa está chamando o chat GPT, mas outras pessoas não podem simplesmente usar o chat GPT e acessar minhas coisas.
Estou fazendo camadas por cima, não por trás, se isso faz algum sentido".
Paul: Sim. E você estava dizendo que também estava treinando. Então, você está me contando um pouco sobre como está usando os conjuntos de dados e a inteligência que está na organização e como está incorporando isso?
Lorien: "Isso vai se tornar um pouco complicado. Certo. Digamos que você tenha 300 páginas de conhecimento e informações sobre uma organização, e isso não acontece, você sabe, com todos os seus PDFs, certo? Você não pode colocar tudo isso no chat GPT.
"Existe algo chamado ajuste fino, mas não funciona muito bem para isso. Então, o que você faz é usar outra técnica de IA chamada pesquisa semântica. Você pega o que diz para conversar com o GPT. Você usa isso para pegar as quinhentas páginas e reduzi-las a três páginas que são as mais relevantes.
"Então você faz essa coisa pré. Você digita algo no bate-papo especializado de Lori e Pratt. Você usa isso para pesquisar os documentos, então você obtém 5, não 500 páginas, mas 3 páginas. Em seguida, você envia isso para o chat GPT.
E, em segundo plano, você diz: "chat GPT, aqui está um conhecimento especializado que ninguém mais tem, e você certamente não tem, porque ele vem de dentro da minha empresa. Certo? Por favor, use esse conhecimento especializado ao longo do caminho para responder à pergunta que acabei de fazer. Certo?
"Para os técnicos, isso se chama incorporação e conclusão.
"E acabei de colocá-lo em funcionamento, na verdade, há dois dias, e é simplesmente incrível.
"É o melhor dos dois mundos. Certo? É o conhecimento de uso geral. E o chat, a versão atual do chat, você sabe, foi finalizado em 2021. Portanto, ele nem sequer sabe nada recente.
"Ele certamente não sabe nada por trás de seu firewall. Certo? Portanto, é a melhor combinação desse conhecimento de propósito geral com seu conhecimento especializado que você pode injetar nele. Foi divertido escrever esse código. Recentemente, tive a chance de testar o codificador do Wesley novamente".
Paul: Então, sim. De volta às suas raízes. Certo?
E acho que isso é muito importante para que as pessoas entendam que o poder do Chat GPT está em cada uma dessas letras: generativo, pré-treinado, transformador. Em cada um dos algoritmos.
E o que ouvi você dizer é que basicamente expandiu o P, o pré-treinamento. Para incluir não apenas o que está incluído no Chat GPT 3, 3.5, 4 ou em qualquer outro modelo lançado pela Amazon, Google e assim por diante. Mas você está fornecendo a ele, por meio de pesquisa semântica e recursos semânticos, seu próprio setor exclusivo ou talvez informações específicas da empresa, ingerindo-as no modelo e, em seguida, aproveitando o recurso do Chat GPT.
Lorien: "Sim. E eu sei que algumas pessoas estão preocupadas com as implicações de privacidade disso. Mas se você usar o Chat GPT dentro do Azure, eles têm uma maneira ou afirmam que têm uma maneira de não expor essas informações ao mundo em geral de forma alguma. Portanto, há versões do Chat GPT que protegem bastante os dados de sua empresa".
Paul: "Sim. E se não estiverem familiarizados, no último episódio do Digital Pulse, falamos sobre o envolvimento da Microsoft com o Open AI e o fato de que eles compraram, acredito, 45%. Portanto, é realmente o Azure e a conexão, o tecido conjuntivo com o GPT 3.5 ou 4.0 é muito forte. E acho que não é uma surpresa que você tenha mencionado a conexão com o Microsoft Azure.
Lorien: "Consegui que a API funcionasse há dois dias.
"É muito legal. Quão legal foi isso? É muito legal. Sim".
Paul: Sim. E eu acho que isso só mostra que você é um visionário e um agente de mudança e como podemos aproveitar essas ferramentas para resolver problemas modernos.
Então, Lorien, você tem alguns livros, alguns mecanismos e treinamentos, e eu queria dar a você a oportunidade de falar um pouco sobre como podemos interagir com você para aproveitar melhor a inteligência de decisão.
Lorien: "Meu curso é: gettingstartedwithdi.com
É o maior URL do mundo. Introdução ao di, para inteligência de decisão.
O livro mais recente, que é o "DI handbook" (Manual de DI), é apenas um passo a passo de como fazer isso, incluindo alguns exercícios.
É o dihandbook.com
E ele será lançado na O'Reilly em cerca de um mês e meio, em meados de julho.
E meu livro anterior, que você pode adquirir agora mesmo, chama-se "Link"
linkthebook.com
E isso tem mais a ver com o alto nível.
É para ser como minha mãe, Reddit, ela tem 86 anos. Certo? Portanto, ele foi feito para ser muito acessível. É um ótimo presente de formatura, pois oferece uma visão geral de onde a tecnologia foi parar e como ela está sendo integrada às decisões".
Paul: Lori, isso tem sido muito divertido. Tenho um pequeno exercício que quero fazer com você. Vou lhe dar cinco palavras. Você dirá a primeira coisa que lhe vier à mente quando terminarmos.
Muito bem. Então, a primeira, apenas para dar asas à nossa criatividade, é
Design thinking: Necessário
Chat GPT: Uma bomba de barragem. Ela está mudando tudo.
Inteligência de decisão: século 21.
Bowie, seu cão: Meu cachorro, feliz.
E Lorien Pratt...
Oh, essa é boa. Lorien Pratt: Subestimado
Paul: Sabe, Lorien, você está nisso há muito tempo. E, na verdade, acho que qualquer pessoa que seja inovadora e agente de mudança e que tenha realmente introduzido um novo plano para o século XXI pode se sentir assim, acho que muitos inovadores se sentem assim. Portanto, agradeço o trabalho que você fez, os dois livros, o TED Talk, os webinars e o tempo que passou conosco no The Visionary's Guide to the Digital Future. Então, este é o Paul Lima com minha convidada, Lorien Pratt. Muito obrigado, Lorien.
Lorien: "Obrigado e obrigado aos ouvintes por terem ficado até o fim. Eu agradeço".