Já no presente e mais ainda em um futuro bem próximo, no contexto do planejamento e da tomada de decisões relativas à projetos e empreitadas de engenharia, o profissional engenheiro deverá ser capaz de:

Imaginemos, por exemplo, uma grande obra de infraestrutura e toda a cadeia de valor e de suprimentos a ela relacionada. Pensemos em decisões são tomadas (quase) todos os dias. Quais dados são necessários para tomar a decisão: são internos ou externos? Estão facilmente disponíveis? Existe algum dado adicional que seriam importantes, mas que são difíceis de encontrar ou não estão disponíveis (sejam de ordem técnica, de gestão ou mesmo relacionadas a viabilização do financiamento da empreitada) no momento da tomada de decisão?

Para cada estágio da cadeia de suprimentos de um grande projeto de infraestrutura ou de qualquer outro projeto complexo de engenharia é necessário focar nos dados necessários para cada análise. No contexto dos insumos, se seguirmos a cadeia de suprimentos até a fonte, podemos identificar várias fontes de dados que alimentam esta cadeia. Que tipo de dados seriam do interesse de cada uma dessas fontes? Perguntas típicas sobre pontos de dados que precisariam ser abordadas do ponto de vista dos clientes internos de um projeto / obra, podem ser, por exemplo, quanto concreto está (ou deveria estar) sendo consumido em cada uma das eventuais diversas frentes de obra?  A qualidade do concreto e o “timing” da entrega são realmente confiáveis? O processo construtivo está contribuindo para danificar o meio ambiente / é sustentável? Depois de determinar quais análises cada etapa da cadeia de suprimentos pode precisar e analisar quais dados essas análises exigem, é que se estará pronto para começar a coletar esses dados e projetar o processo de tomada de decisão.

Mas o que constitui dados no contexto da Inteligência Artificial (AI) e qual o papel das fontes nas análises realizadas pelo Machine Learning (ML) ou AI? Richard Hyde, da área de ciência da computação da Universidade de Coventry (ver em particular © Universidade Coventry. CC BY-NC 4.0) no Reino Unido sumariza esta questão da seguinte forma:

“Podemos ter nossos próprios dados, que reunimos, registramos e decidimos como formatar. Depois, existem dados de outras fontes (por exemplo, fornecedores e clientes), mas estes estão fora de nosso controle:

• Eles gravam seus dados? Em que formato, com que frequência, com que precisão, etc?
  
• Eles compartilharão, é grátis, há considerações éticas?
  
• Eles adaptarão sua coleta de dados às nossas necessidades?
  
• Se externa, a fonte de dados é credível? Os dados são aprovados no teste CRAAP, que verifica a confiabilidade das fontes nas disciplinas acadêmicas (CRAAP é um acrônimo para Moeda, Relevância, Autoridade, Precisão e Finalidade - Currency, Relevance, Authority, Accuracy, and Purpose )?
  
• Quem quer nossos dados? Clientes, fornecedores, concorrentes?
  
• Que formato eles querem, com que precisão, com que frequência etc.?
  
• Podemos compartilhar, queremos doar ou vender: se sim, quais são as considerações éticas?
  
• Podemos adaptar nossa coleta de dados às necessidades dessas outras fontes ou elas se adaptarão aos nossos dados?”
  

Uma vez coletados e analisados, passamos a ter um conjunto de dados transformados que representam um conjunto de conhecimentos extraídos destes mesmos dados. Como fazer uso desse conhecimento? Passa a ser necessário alguma forma de processo de tomada de decisão. Isso abrange desde sistemas especializados – expert systems - (a codificação de um conhecimento especializado), raciocínio baseado em outras experiências / outros casos (comparando com casos similares anteriores) e técnicas, ferramentas e metodologias que vão desde árvores de decisão (usando cenários previsíveis) até redes neurais, aprendizado profundo e outros métodos de mineração de dados. Para uma visão simplificada e geral disso aproveito mais uma vez uma síntese feita por Richard Hyde:

• “ Sistemas especializados: eles tentam codificar o conhecimento de um especialista e tomar decisões semelhantes em casos semelhantes. Eles vêm em duas variedades principais:
  

O encadeamento direto: é usado para criar uma hipótese a partir dos seus dados. Por exemplo: é de sangue quente -> tem penas -> é preto e branco => é um pinguim.

O encadeamento para trás: é usado para confirmar uma hipótese. Por exemplo: é um pinguim? -> Tem sangue quente? Sim -> tem penas? Sim -> é preto e branco? Sim => É um pinguim.

• Árvores de decisão: elas podem ser geradas automaticamente pela Inteligência Artificial (IA) em muitos casos. Fazemos uma pergunta em cada "ramificação" da "árvore" e separamos nossos dados em partições "sim / não" até que tenhamos grupos inseparáveis.
  
• Redes neurais e aprendizado profundo: essas são técnicas 'sub-simbólicas' - em outras palavras, as decisões que eles tomam não podem ser representadas usando símbolos matemáticos ou baseados em idiomas. Eles chegarão a uma decisão, mas não podemos interpretar o processo de tomada de decisão. Como o raciocínio da decisão não pode ser entendido, sempre há perguntas sobre a confiabilidade das decisões tomadas dessa maneira. As soluções alcançadas por esses sistemas de IA podem ser drásticas e muitas vezes controversas. Isso é ilustrado no artigo do Guardian '' A solução do Google para o racismo algorítmico acidental: banir gorilas '' (Hern 2018).
  
• Algoritmos gerais de aprendizado:
  

O aprendizado supervisionado requer dados rotulados; a IA aprende a reunir dados semelhantes em grupos. Os dados rotulados nem sempre estão disponíveis.

 O aprendizado não supervisionado tenta descobrir agrupamentos naturais de dados, sem dados pré-rotulados. No entanto, nem todos os "grupos" são separados, principalmente se os dados forem contínuos. Por exemplo, como você agruparia pessoas "altas" e "baixas"?

• Algoritmos estáticos: analisam um conjunto de dados que não muda. Em outras palavras, todos os dados a serem analisados estão disponíveis e nenhum será adicionado posteriormente que afetará as decisões.
  
• Algoritmos dinâmicos: permitem que a análise seja atualizada à medida que novos dados chegam, sem a necessidade de executar novamente a análise completa. Os agrupamentos podem ser atualizados, movidos no espaço de dados e mesclados.
  
• Algoritmos em evolução: permitem que a análise seja atualizada à medida que novos dados chegam, semelhantes aos algoritmos dinâmicos. No entanto, os algoritmos em evolução permitem que os grupos não apenas se movam e se fundam, mas também se dividam, desaparecem ou são criados.”
  

De fato, o ponto crucial é que quanto mais dados analisamos, mais conhecimento é criado; quanto mais conhecimento é criado, mais fundamentadas serão as decisões tomadas; quanto mais fundamentadas forem as decisões tomadas, maior será o benefício potencial para nossos projetos e empreitadas, para todo o ambiente em nosso entorno e para as nossas vidas. De um modo geral sempre buscamos tomar as melhores decisões, mas a realidade nos impõe um contexto de informações incompletas e imperfeitas. A IA tem um potencial imenso para atenuar esta situação. Por outro lado, é importante ressaltar que no final de todo processo o objetivo não é ter a IA como a tomadora de decisões fundamentadas em processos estatísticos e aprendizado de máquina (ML). O conhecimento criado aprimora sim e imensamente o planejamento e a tomada de decisão nos projetos e empreitadas de engenharia, mas muitas das decisões finais e cruciais devem necessariamente caber ao profissional engenheiro que, por outro lado, precisa estar muito bem preparado para entender todo este contexto, estar ciente de seu potencial e suas limitações e preparado para assumir as responsabilidades inerentes e derivadas.  

*Professor da EMGE (Escola de Engenharia de Minas Gerais)