Ensinando as máquinas a inovarem, endereçando o futuro infinito

Penso que a complexidade e incerteza cada vez maior do futuro é, ao mesmo tempo, uma ótima oportunidade de inovação.

Seguindo essa lógica, recomendo aos times nas mais variadas áreas e disciplinas, a ensinarem as máquinas a inovarem, endereçando o futuro infinito.

Em algoritmos de jogos de computador de grande complexidade, como o Xadrez, por exemplo, onde existe uma quantidade de lances possíveis estimados em 10¹²³ (ou 10 elevado a 123), deve-se buscar heurísticas que definam a próxima jogada para resolver o problema de limite de tempo de análise de tantas possibilidades. Para isso, geralmente são utilizados critérios de avaliação das posições buscando minimizar as chances de derrota ou maximizar as chances de vitória, selecionando os melhores cenários nesse sentido.

Através da árvore de decisão randomizada pode-se simular todas as jogadas dos dois jogadores, começando com valores totalmente randômicos, para aos poucos ir diminuindo o fator aleatório, substituído por padrões descobertos em termos de jogadas ou critérios que conduzem estatisticamente a melhores resultados. Mas, sem dúvida, para atingir níveis de competitividade altos, serão necessárias muitas combinações de simulações em tempos curtos, uma vez que esse é controlado nesse jogo.

No ano de 2000, portanto 20 anos atrás, desenvolvi meu primeiro algoritmo nesse sentido, para buscar prever as chances de classificação de times no campeonato brasileiro. Naquela época, o máximo que existia de informação nesse sentido era perto do final do campeonato, geralmente através do famoso matemático Oswaldo de Souza. Minha ideia foi criar uma árvore de decisão de Monte Carlo, embora na época não soubesse que estava tecnicamente fazendo isso, focada no cálculo de chances de classificação a cada rodada do campeonato brasileiro. Esse sistema foi utilizado por uma rádio local para de forma pioneira divulgar as chances a cada gol dos times da rodada, o que ganhou repercussão e competição de várias outras rádios e sistemas no Brasil, que passaram a fazer o mesmo.

E hoje, na Internet, existem vários sistemas similares baseados nos mesmo conceitos. Mas essa experiência me mostrou a força de visualização antecipada dos resultados apenas com o uso intensivo de métodos como o de Monte Carlo, e isso certamente influenciou na minha utilização deles no Mercado de Capitais, já um pouco mais tarde, a partir de 2006.

Na verdade, em tese, temos uma grande evolução da tecnologia nesse sentido, como por exemplo a aplicação de deep learning para análise de dados produzidos por técnicas e algoritmos de exploração aleatória do futuro, abrindo as portas para descobertas de padrões.

Na prática, não muito diferente de como faz nossa mente, quando necessita resolver problemas complexos em curto prazo!

___
Por Rogerio Figurelli em 10/12/2020
Senior IT Architect & Solutions Consultant
https://www.linkedin.com/in/figurelli/