À medida que a inteligência artificial se torna cada vez mais presente em nossas vidas, novas pesquisas buscam integrar efetivamente técnicas de machine learning para auxiliar na tomada de decisões humanas. Um estudo liderado por Jann Spiess, professor associado na Stanford Graduate School of Business, foca em como os algoritmos podem ser projetados para apoiar, e não substituir, os tomadores de decisões humanos.
Contexto da pesquisa
A pesquisa, publicada no servidor de pré-impressão arXiv, destaca a importância de desenvolver uma interface humana de IA que realmente facilite a colaboração. “Nosso debate sobre IA e as capacidades de IA está realmente deslocado, porque tudo gira em torno de ‘A IA é melhor que o humano?'” (”Our debate about AI and the capabilities of AI is really misplaced, because it’s all about ‘Is the AI better than the human?’”) — Jann Spiess, Professor Associado, Stanford Graduate School of Business. O autor propõe que a verdadeira questão deve ser sobre as “usos complementares da IA” (”What are the complementary uses of AI?”).
Método proposto
No estudo, os pesquisadores exploraram uma abordagem chamada “complementaridade”, em que algoritmos oferecem recomendações seletivas nos momentos em que um humano está mais propenso a errar. O experimento simulou 25 decisões de contratação, testando diferentes níveis de assistência algorítmica. Modelos como redes neurais foram aplicados para avaliar a eficácia das recomendações, priorizando a usabilidade em vez da capacidade bruta.
Resultados e impacto
Os resultados mostraram que os participantes que usaram um algoritmo complementar tomaram as decisões mais precisas, superando aqueles que utilizaram um algoritmo puramente preditivo ou que não contaram com suporte algorítmico. “Essa é uma conclusão encorajadora, que estamos avaliando em vários projetos de pesquisa” (”It’s an encouraging result, which Spiess and his collaborators are evaluating across several research projects.”) — Jann Spiess, Professor Associado, Stanford Graduate School of Business.
A pesquisa sugere que o design adequado de ferramentas de IA tem potencial para melhorar a tomada de decisões em áreas críticas, como alocação de recursos em ambientes de restrição orçamentária. “Se pudermos aprender a melhorar políticas usando dados de forma transparente e justa, poderemos criar algoritmos que cumpram a promessa dessa nova tecnologia” (”If we can learn how to improve policy by using data—and using it at scale in processes that are transparent and fair—we may be able to produce algorithms that deliver on the promise of this new technology.”) — Jann Spiess, Professor Associado, Stanford Graduate School of Business.
As implicações desta pesquisa são vastas, levando a investigações futuras sobre como projetar algoritmos que possam ser aplicados em políticas públicas e intervenções sociais. A combinação de capacidade técnica e contexto sociopolítico é fundamental para transformar pesquisas em práticas eficientes.
Fonte: (TechXplore – Machine Learning & AI)
