Ag Tech Talk Podcast: unindo inteligência artificial e humanos para resolver casos extremos
27 de janeiro de 2023 
Estamos em 2023. De acordo com previsões passadas, deveríamos ter carros voadores nos levando para a escola e o escritório, jetpacks que nos permitissem visitar a loja sem entrar em engarrafamentos, tarefas servis seriam realizadas por robôs e a inteligência artificial resolveria os problemas do mundo ou escravizaria a humanidade. Embora tecnicamente essas coisas existam, elas estão longe de serem onipresentes e muito distantes da promessa de décadas atrás. A inteligência artificial e a automação existentes são bem sofisticadas, mas podem ficar rapidamente perplexas por "casos extremos" inesperados. SparkAI's solução reúne o fator humano com a tecnologia existente para superar esses desafios únicos. Neste podcast, conversamos com Michael Kohen, fundador e CEO da SparkAI sobre inteligência artificial e o futuro da agricultura.
Transcrição do podcast:
Agronegócio Global: Por que você não nos conta o que é SparkAI? Me conte seu discurso de elevador sobre o que é isso?
Michael Kohen: Então, veja, aqui está o problema específico que resolvemos. E isso realmente tem a ver com a realidade do mundo em que vivemos, o mundo real é imprevisível e complexo. E, como resultado, é muito difícil construir sistemas de IA que funcionem perfeitamente sempre.
Viemos da indústria de carros autônomos. Você não entraria em um carro autônomo que fosse preciso em 95%. Então, para muitas aplicações, e especialmente aquelas que estão lidando com coisas relacionadas à segurança ou produtividade e produção, é esse último 5% que é a lacuna crítica que está impedindo que essas aplicações de próxima geração cheguem ao mercado.
E está lá porque, novamente, os sistemas de IA funcionam muito, muito bem, 95%t do tempo. Mas quando eles encontram algo que não entendem muito bem, as coisas começam a quebrar, e isso impacta a viabilidade do produto. Então essa é a parte que resolvemos. Fazemos isso alavancando tecnologia e metodologias que construímos originalmente quando trabalhávamos em carros autônomos.
MK: Fazemos isso de uma forma particular e única, combinando nossos próprios sistemas de IA com a contribuição de seres humanos reais. E fazemos isso em tempo real. O resultado é que isso ajuda nossos clientes a cruzar uma variedade de aplicativos, lançar e escalar produtos de IA mais rápido do que eles jamais imaginaram ser possível. E antes que seus sistemas de IA estejam perfeitos.
ABG: Perdoe minha ignorância, aqui. Temos inteligência artificial. Ouvimos falar sobre isso há muito tempo, e então automação, robótica, esse tipo de coisa que é meio que o que você está casando aqui. Se entendi, você explica como elas são diferentes e como elas se complementam.
MK: Claro. Quando você fala sobre robótica, normalmente está se referindo às máquinas físicas, mecânicas, certo? Sejam elas robôs autônomos, móveis, um trator autônomo ou robôs de coleta ou mercadorias para robôs pessoais como aqueles que podem ser empregados em um depósito. O que você está falando são coisas físicas que estão interagindo com o mundo de uma forma física.
Esses robôs, e especialmente a próxima geração desses robôs, estão alavancando a IA, que em si é um conceito bastante amplo. Mas pense nisso como o corpo e o cérebro. Então, o robô é o corpo. O sistema de IA é o cérebro.
Você precisa de ambos para realmente entregar produtos que entreguem o valor que eles estão tentando entregar. Automação é outro desses termos abrangentes que, dependendo de como você deseja definir, provavelmente encapsula IA e robótica nesse conceito de automação. É assim que a distinção se alinha.
ABG: Certo. Então, você mencionou automóveis. Temos ouvido falar sobre carros autônomos, mas também ouvimos sobre acidentes e coisas assim, e acho que é mais ou menos isso que você mencionou quando mencionou o 5%. No seu site, você os chama de casos extremos. Você pode falar um pouco mais sobre o que são?
MK: Como uma cidade muito movimentada como a cidade de São Francisco. Você está constantemente observando o ambiente e se adaptando a algumas das coisas malucas que às vezes você pode encontrar pela primeira vez. Novamente, nós, humanos, realmente aproveitamos as décadas de experiência de vida que temos, mas também milhões de anos de evolução humana que nos equipam incrivelmente bem para nos adaptarmos a situações de mudança no mundo muito rapidamente, com base em modelos mentais que novamente alavancam nossa vida passada, experiência e nossa experiência evolutiva passada. Esse conceito simplesmente não existe para a IA, hoje. A maneira como construímos a IA é, temos algum modelo base, e o atacamos com o que é chamado de dados de treinamento — como muitos exemplos, se preferir, de coisas específicas que esperamos que o modelo encontre. Mas há apenas uma quantidade limitada desses dados disponíveis no mundo, e há apenas uma quantidade limitada deles que um sistema de IA pode ingerir com confiança e realmente começar a construir um modelo mental em torno deles. Então, o que acontece é que a maioria das equipes de IA consegue fazer isso muito, muito bem e chegar ao desempenho de, digamos, 95% ou 96%. O desafio é que o último 5% representa o que são chamados de casos extremos de cauda longa ou exceções de cauda longa. O que está se referindo é a todas essas situações, a cauda longa de situações que podem existir no mundo que você não pode prever e para as quais não pode treinar, e você não pode realmente construir um grande repositório de dados de treinamento porque elas são raras.
Eles são raros individualmente, mas, em conjunto, representam uma porcentagem significativa dos problemas.
Então, novamente, 95% do tempo, seu carro autônomo pode estar funcionando perfeitamente. Mas nisso você sabe que há 5% do tempo em que o mundo parece um pouco diferente. Se esse sistema não puder se adaptar, você sabe que tem uma situação realmente perigosa em suas mãos.
ABG: Sua solução é trazer esse fator humano de volta à automação. Você pode falar um pouco sobre como isso funciona? Se um produtor tem seu pulverizador lá fora, qualquer ferramenta que ele esteja usando no campo. Se ele pode fazer isso com inteligência artificial, você pode fazer isso no meio da noite, certo? Como trazer humanos de volta a isso realmente funciona? Isso meio que anula o propósito de confiar na inteligência artificial?
MK: Não tanto. Quero dizer, nós realmente vemos o que estamos fazendo aqui como uma pedra angular da revolução da IA. O que quero dizer com isso é que vai levar algumas décadas para que esses sistemas de IA funcionem perfeitamente bem por conta própria sempre. Esta é uma história que se desenrola genuinamente ao longo de décadas. Quando você pensa sobre as aplicações na agricultura? Especificamente, os produtores têm dependido de uma maneira particular de fazer as coisas por séculos. E agora você tem uma nova tecnologia chegando. E claro, se funcionar bem na maioria das vezes, ótimo. Mas se você ligar qualquer máquina que esteja funcionando no meio da noite, e ela fizer algo errado e destruir seu campo ou impactá-lo de alguma forma negativa, você realmente não poderá mais confiar naquele produto.
Não se trata realmente de diminuir nossa capacidade de lançar e escalar produtos de IA. É mais sobre como pegamos os sistemas que nós, como indústria, construímos hoje e damos aos produtores a confiança de que esses sistemas funcionarão extremamente bem e de forma confiável o tempo todo, e parte disso é ajudar o sistema de IA a preencher essa lacuna cognitiva que hoje só os humanos têm. Isso dá às pessoas a confiança para dizer, isso é algo em que posso confiar para realmente fazer a coisa que estou transferindo para fazer.
ABG: Certo. Então, talvez agora seja um bom momento para um exemplo específico. Dê-me algo naquele 4% a 5% que essa inteligência artificial não vai conseguir descobrir sozinha.
MK: Claro. Somos bastante públicos sobre nosso relacionamento com a John Deere, que é uma empresa incrível, incrível. Veja algumas das manchetes que estão saindo sobre alguns dos trabalhos que eles têm feito nos últimos anos para realmente introduzir a automação nas soluções que eles entregam para seus clientes finais. É realmente uma das empresas de automação mais importantes que existem hoje, que está realmente cumprindo a promessa de automação e entregando o valor ali.
Um dos casos de uso em que temos trabalhado em estreita colaboração com eles é este trator autônomo. Aqui você tem um sistema que envolve um equipamento bastante grande que está lá fora navegando pelo mundo sozinho. Como muitas das pessoas que estão ouvindo isso neste podcast sabem, um campo agrícola é, na verdade, um ambiente bastante desestruturado - imprevisível e potencialmente complexo. De vez em quando, você tem um carrinho de compras no meio do campo. E você precisa ser capaz de lidar com isso com segurança e confiança de uma forma que não afete o desempenho. A maneira como interagimos com um produto como esse é naqueles momentos em que o sistema pode encontrar algo que não tem certeza do que é.
Em vez de apenas parar e esperar que o fazendeiro venha e ajude, ele chamará nosso sistema automaticamente. Obteremos dados dos robôs. Veremos através dos olhos do robô e forneceremos seres humanos reais treinados para o caso de uso. Olharemos para esses dados e seremos capazes de fornecer uma entrada humana cognitiva de senso comum. Essa entrada vai diretamente de volta para o robô, que então a usa para tomar uma decisão segura e confiante no campo.
Novamente, o robô pode tomar uma decisão segura e confiante, e tudo o que acabei de falar acontece em questão de segundos, o que é realmente perfeito em termos do funcionamento do robô em si.
ABG: Obviamente, quanto mais produtos você vender e mais vezes essa solução SparkAI for implementada em campo, mais e mais pessoas serão necessárias para responder a essas questões.
MK: É aqui que entra a camada de tecnologia. A maneira da força bruta é simplesmente contratar esse mar enorme de pessoas que estão sempre disponíveis para responder em segundos. Mas a verdadeira mágica do que desenvolvemos aqui — e, novamente, é construída a partir da tecnologia que construímos em carros autônomos — é a capacidade de fazer mais com menos e ter uma pegada humana menor que não precisa ser dimensionada linearmente com o número de implantações que podemos ter com um cliente ou clientes e ajudar a permitir que os humanos façam um trabalho mais rápido e preciso por meio da tecnologia. Existem trabalhos e sistemas de roteamento — ferramentas de decisão em tempo real que permitem que os humanos façam um trabalho mais rápido. Tudo isso se junta para realmente entregar o mesmo trabalho com o mínimo de pessoas possível.
ABG: Ok, falando de poucas pessoas, uma das reclamações ou preocupações regulares que ouvimos dos produtores é sobre problemas trabalhistas, tentando encontrar pessoas na fazenda. Uma solução automatizada ou de inteligência artificial parece ser uma possível circunstância atenuante, para que essa questão seja um pouco menos preocupante. Mas há outras coisas que podem estar impedindo as pessoas de adotar esse tipo de tecnologia?
MK: Há uma pressão crescente sobre os produtores para produzir, certo? E essa pressão vem de muitas direções diferentes ao mesmo tempo – aumento da população que está mais desenvolvida e consumindo mais, pressão do clima e das condições do solo, do clima e da mão de obra, escassez de mão de obra e a capacidade de realmente atender à oferta e à demanda. Então, toda essa pressão está realmente alimentando esse interesse e desejo de pensar em como resolver partes desse quebra-cabeça com automação.
O interesse está aí. A questão, então, é: quão confiável é essa automação hoje? Nós, humanos, somos incrivelmente tolerantes com outros humanos que cometem erros ou enganos. Mas assim que você pega um sistema de IA supostamente inteligente e diz: "Ei, você deve confiar nisso", esse sistema de IA realmente degrada sua confiança naquele produto e sua capacidade de realmente confiar nele. Então, acho que há algumas dinâmicas, certo? Uma é que isso está potencialmente impactando a adoção da robótica, e eu estou na área. Uma é o fator geral de desempenho e confiabilidade. Outra é que algumas dessas aplicações ainda não foram realmente aperfeiçoadas - apenas de um ponto de vista puramente mecânico, fazer robôs articulados colherem cada morango em uma fileira. Na verdade, é um desafio de física particularmente difícil. E o terceiro tipo de peça interessante. E acho que esse é apenas um fator único da agricultura é que, sim, algumas pessoas entram na agricultura porque querem estar ao ar livre, e você sabe que elas querem trabalhar com as mãos e querem fazer parte do ato de cultivar. Então. encontrar o equilíbrio certo entre como permitir que as pessoas continuem fazendo isso e, ao mesmo tempo, responder a esse chamado e à pressão da necessidade de serem cada vez mais produtivas.
Você sabe que é um equilíbrio que eu acho que nós, como indústria, ainda estamos tentando encontrar juntos.
ABG: Você mencionou que trabalha com a John Deere. Como funciona fisicamente? É uma solução de software que é incorporada? Há uma caixa que está sentada no painel que funciona internamente. Quais são as mecânicas que realmente dizem: "Aqui está a coisa que tem a inteligência artificial incorporada nela."
MK: Sim, então essa é a parte bonita. Nós realmente fazemos interface na camada de decisão. Então, não há hardware físico que estamos introduzindo. Nós falamos sobre pacotes no que é chamado de API, que é apenas uma maneira de dois sistemas de software se comunicarem entre si. Então, com todos os nossos clientes. Eles têm um sistema robótico. Esse sistema tem inteligência a bordo, e ele sabe quando não está confiante em uma decisão. Então, quando ele sabe que não está confiante, ele chamará nosso sistema automaticamente, uma interface de software para software e então nós fazemos nossa coisa em segundo plano e então entregamos uma resposta. É tudo via software, então isso nos permite fazer interface com uma variedade de diferentes tipos de sistemas robóticos e clientes.
Trabalhamos com uma variedade de aplicações dentro da agricultura, mas também fora dela – seguros, tecnologia, logística, depósito, inspeção de drones. Essas são todas áreas nas quais passamos muito tempo.
ABG: Uma coisa que ouvimos muito ultimamente são dados – empresas coletando dados. Vocês estão coletando cenários para aprender, para que possam ajudar a inteligência artificial a continuar aprendendo. Vocês estão coletando outros tipos de dados sobre dados de fazenda? E se sim, como vocês se certificam de que não estão dando nenhuma informação que um produtor não queira que esteja disponível.
MK: Sim. Estamos lá para ajudar nossos clientes a entregar um produto melhor para seus clientes. Em termos desse relacionamento de dados que é gerenciado entre nosso cliente e seu cliente final. Não possuímos nenhum desses dados. Estamos lá apenas para atender nossos próprios clientes. Então, realmente deixamos isso para eles gerenciarem, e somos apenas um apoiador disso.
ABG: Temos ouvido falar sobre tecnologia e como ela vai mudar o mundo. Talvez eu tenha assistido ao desenho animado "Os Jetsons" muitas vezes quando criança. Já deveríamos ter carros voadores. A promessa dessas soluções parece ultrapassar a realidade delas. Você mencionou que pode levar décadas. Onde estaremos daqui a cinco anos? Você ainda terá isso em uma conexão humana com sua inteligência artificial ou será completamente automatizado?
MK: A realidade aqui é que essa é uma história que se desenrola ao longo de décadas. E eu acho que o que a indústria está começando a despertar é essa ideia de que a IA é difícil de aperfeiçoar, e é difícil torná-la confiável e funcionar perfeitamente, como mencionei em todos os cenários possíveis. Então, o que você está ouvindo dos profissionais de IA mais experientes e líderes de pensamento por aí é esse tema crescente de que o ritmo de desenvolvimento em que estamos é ótimo. Mas há esse outro caminho que ainda não foi descoberto e que nós, como indústria, precisamos descobrir. Mas o tema recorrente é que esse outro caminho precisa começar a se parecer muito mais com a cognição humana, certo? Não que eu esteja dizendo que a cognição humana precisa fazer parte disso para todo o sempre, mas que a maneira como construímos sistemas de IA precisa começar a seguir mais algumas filas de como os sistemas cognitivos humanos funcionam. E precisamos começar a descobrir uma maneira de construir esse raciocínio de senso comum em como construímos sistemas de IA, o que, novamente, é realmente um caminho a ser descoberto. Em IA, provavelmente há um ou dois prêmios Nobel nessa história. É uma inovação que acontece uma vez a cada década.
ABG: Estamos mais próximos de um carro totalmente autônomo ou de um trator totalmente autônomo?
MK: Trator totalmente autônomo. E eu acho que essa é uma das coisas mais bonitas sobre agricultura, onde você vai começar a ver muito mais sistemas autônomos em larga escala e não apenas robôs, mas também apenas dependência de IA em um ambiente de fazenda. Você verá isso muito mais cedo do que em um ambiente urbano. Eu acredito firmemente nisso, a revolução da IA começa na fazenda.
ABG: Você mencionou um carrinho de compras no meio do campo em algum lugar. Você pode me dar um ou dois exemplos bem específicos de um caso extremo que seu sistema teve que resolver?
MK: Claro. Então, a maneira como você pode pensar sobre casos extremos são realmente apenas exceções. Há duas maneiras de pensar sobre isso. Ou é algo completamente único que você nunca poderia ter previsto, e é totalmente novo para o sistema, ou é algo totalmente mundano. Mas por alguma razão, naquele momento parece único. Talvez seja mais fácil pensar sobre um tronco no meio de um campo, ou uma pedra, ou um arbusto na borda de um campo.
Por alguma razão, há momentos em que esse arbusto, por causa de como o sol está orientado ou é um dia particularmente empoeirado. Por alguma razão, essa combinação de fatores ambientais faz com que esse arbusto pareça algo completamente diferente. Para aqueles que dirigem Tesla e são corajosos o suficiente para ligar o piloto automático, você verá essas coisas acontecendo de vez em quando, onde um carro é identificado como um caminhão ou uma pessoa é identificada como um ciclista. Então, isso é o mesmo que acontece realmente em qualquer lugar em que um sistema de IA é implantado.
E o sistema de IA é inteligente o suficiente para dizer: "Ei, isso é estranho, e também não estou confiante sobre isso. Não estou confiante sobre o quão estranho isso é."
Um exemplo muito específico que posso dar é que soará tão banal um arbusto na borda de um campo que parece outra coisa por causa de alguma condição ambiental.
Eu realmente acredito que a revolução da IA começa na fazenda, e há uma tremenda promessa de atender a uma necessidade muito específica em um nível humano, ajudando a alimentar o mundo. E há maneiras de fazer isso por meio da robótica.
E há maneiras de fazer isso por meio de alguns outros sistemas de IA realmente interessantes que estão sendo introduzidos nos últimos anos e no futuro, usando IA para gerenciar melhor as plantações - rendimento das plantações, detecção de pragas, saúde das plantações, monitoramento do solo.
Alguns desses sistemas são bem simples. São sistemas que ficam no campo e apenas respiram o ar e produzem resultados. Outros envolvem drones que estão fazendo inspeção em plantações e tentando identificar evidências de certos problemas de saúde das plantações. Há muita coisa acontecendo na agricultura. O ponto principal de tudo isso é o quão confiável você pode torná-lo? O quanto você pode fazer os agricultores confiarem na saída desses sistemas que estão alimentando todos esses dados de volta? E também, como você empacota esses dados de uma forma que realmente permita que o agricultor tome medidas.
Se você sabe que um canto do campo é afetado pela lagarta-do-cartucho, como o fazendeiro pode agir apenas naquele canto do campo, se você sabe que o sistema de irrigação dele é a fileira inteira? Então, há muito desse tipo de simbiose que precisa acontecer. Começa com o desenvolvimento de sistemas melhores e mais confiáveis que realmente comprovem o caso do ROI para aumentar a adoção. E então, por meio disso, há um desenvolvimento contínuo de código evolutivo que acontece ao longo do tempo.
ABG: Nós falamos um pouco antes sobre nosso foco em insumos agrícolas. Como você vê as ferramentas de inteligência artificial afetando os insumos agrícolas?
MK: Tudo se resume à otimização. E você vê isso tanto com sistemas robóticos quanto com sistemas não robóticos. Alguns dos temas recorrentes são: Como você? obtém mais rendimento de suas plantações com maior eficiência? Isso é menos fertilizantes, pesticidas, otimizando o uso da água. Essas são coisas que são importantes para o downstream, o custo geral de gerenciamento de uma fazenda, aumentando a produção e o rendimento de sua fazenda, mas também você tem implicações para (garantir) um clima saudável e um ambiente saudável.
Há muito trabalho a ser feito lá. Quanto melhores os dados se tornam, mais digeríveis são apresentados aos agricultores, mais ações decisivas podem ser tomadas
ABG: Como eles descobrem mais sobre suas ofertas?
MK: Eles podem nos encontrar em www.faísca.ai. Todas as informações estão lá em cima, e falamos muito sobre vários casos de uso na agricultura, bem como um punhado de artigos de pensamento que realmente começam a falar sobre o que será necessário para introduzir esses produtos de próxima geração no mercado. Não daqui a cinco anos ou 10 anos, mas agora mesmo, hoje, quando o mundo mais precisa.
ABG: Ok, muito obrigado pelo seu tempo. Realmente aprecio seus insights hoje.
MK: Com certeza, é realmente um prazer estar aqui.
Receba a Newsletter hoje mesmo!
