Há exemplos de automação que são fáceis de identificar: grandes máquinas que substituem trabalho manual em fábricas, robôs que recebem hóspedes em hotéis ou mesmo gravações de telefones de SAC que usam reconhecimento de voz. Outros casos, no entanto, não são tão visíveis (ou sonoros). A aplicação de inteligência artificial mais usada em tarefas administrativas acontece em sistemas que trabalham por meio do processamento de dados - e por trás dessa tecnologia ainda estão muitos seres humanos.
 
Para um sistema inteligente funcionar, ele precisa ter uma grande quantidade de dados para alimentá-lo e uma equipe de profissionais, como engenheiros e cientistas de dados, que saiba lidar com essas informações e criar modelos que tentem fazer previsões por conta própria. Se a intenção é criar uma ferramenta capaz de diagnosticar a presença de tumores, por exemplo, é preciso inserir na base de dados exames que já foram analisados por profissionais da área, para que o sistema aprenda quais são os diagnósticos.

"O sistema aprende a identificar padrões usando uma série de algoritmos, e isso permite que ele crie classificadores automáticos", explica Renato Rocha Souza, professor de matemática aplicada da Fundação Getulio Vargas (FGV). "A partir daí você consegue criar um sistema mais assertivo que os próprios médicos, porque o treinamento foi feito com uma base de dados gigantesca."

Henrique Lopes, 23, se formou em engenharia eletrônica na Universidade de São Paulo (USP) de São Carlos no ano passado e hoje é engenheiro de "machine learning", ou aprendizado de máquina, no Nubank, em uma equipe que automatiza as decisões de aumento de limite de crédito. Ele começou a se interessar pelo aprendizado de máquina na faculdade, após fazer cursos de extensão por conta própria e um intercâmbio na Inglaterra em uma universidade com forte reputação na área. Começou no Nubank como estagiário há um ano e meio.

Um time de engenheiros não é suficiente para obter sistemas que funcionam bem, no entanto. No Nubank, a equipe de Lopes é formada, em igual número, por cientistas de dados e por analistas de negócios, que entendem em detalhes como funcionam decisões de crédito. No passado, esses profissionais poderiam analisar os documentos e o perfil de cada cliente, um a um, para decidir o limite disponibilizado. Agora, inserem esse conhecimento em um sistema que consegue fazer a mesma coisa em maior quantidade. "A gente faz um modelo para prever algo, mas precisa de pessoas que entendam do negócio para saber como tomar decisões a partir dele", diz Lopes.

No iFood, onde Sandor Caetano, 37, começou a trabalhar como "chief data scientist" há cerca de dois meses, os cientistas de dados ficam alocados dentro dos departamentos da empresa, para entender as demandas de cada área e identificar como os sistemas inteligentes podem ajudar cada uma. "Não tem como trabalhar sozinho. O time de inteligência artificial está na ponta, mas precisa que sistemas funcionem para guardar os dados e construir soluções que façam sentido para o negócio", diz.
Caetano conta que chegou até a área de ciência de dados "completamente por acidente". Depois que se formou em economia na USP em 2006, começou a carreira em uma consultoria econômica, onde desenvolveu o gosto por criar modelos de previsão. Acompanhou de perto a carreira de Hal Varian, economista que foi trabalhar no Google e chegou a declarar que os estatísticos seriam "o emprego mais sexy do futuro", e fez cursos on-line. Em 2016 deixou a consultoria para trabalhar na área.

Ele diz que a formação das cerca de cem pessoas que trabalham com dados no iFood hoje - há mais dezenas de vagas abertas - é bastante variada. Enquanto os engenheiros de dados, responsáveis por buscar e disponibilizar os dados, têm formação na área de engenharia ou computação, entre os cientistas de dados há economistas, matemáticos, estatísticos e físicos. Com a popularização da inteligência artificial nas empresas, todos estão em alta demanda.

É comum também que companhias contratem inteligências artificiais já existentes como o Watson, da IBM, e a Cortana, da Microsoft. De qualquer forma, o sistema terá de ser afinado por exemplos, trabalho para cientistas de dados. Uma máxima na área de processamento de dados é que "onde entra lixo, sai lixo", portanto a qualidade dos dados usados para treinar sistemas é essencial para garantir seu bom funcionamento.

Um relatório da empresa de pesquisa Cognilytica estima que cerca de 80% do tempo usado na maioria dos projetos de aprendizado de máquina é gasto com a preparação de dados, que os otimiza para o sistema, e com tarefas de engenharia, que garantem a extração de grandes quantidades de dados de bases. A empresa estima que o mercado global de preparação de dados movimentou US$ 1,1 bilhão em 2018 e chegará a US$ 3,2 bilhões até 2023.

Outro mercado que cresce é o de classificação de dados, que insere tags em imagens, textos e áudios - um trabalho que muitas vezes fica invisível por trás das promessas supertecnológicas das empresas. Esse segmento é impulsionado por companhias de terceirização e plataformas que pagam centavos por tarefas e empregam trabalhadores com pouca escolaridade espalhados pelo mundo. A Cognilytica estima que esse mercado vai movimentar US$ 1 bilhão até 2023.

Recentemente, a "Bloomberg" reportou que a Amazon emprega "milhares" de funcionários e terceirizados em países como os EUA, Índia e Costa Rica para ouvir o áudio de ordens dadas à assistente virtual Alexa e transcrever informações, que são reinseridas no sistema para eliminar problemas de compreensão. O especialista em aprendizado de máquina Ruben Glatt, no entanto, acha que a tendência é que essas pequenas tarefas eventualmente sejam totalmente automatizadas. Sistemas de "deep learning", que usam redes neurais, são um novo tipo de aprendizado de máquina que já se mostra mais eficiente em identificar padrões sem a ajuda humana.

Nos últimos três anos, Glatt organizou no Brasil a Papis.io, conferência global para profissionais de aprendizado de máquina. Para ele, nos últimos quatro anos o mercado se desenvolveu bastante no Brasil - a primeira edição, em 2017, reuniu 300 profissionais, e a deste ano, ocorrida em junho, recebeu mais de 500. Para Glatt, no entanto, ainda falta às companhias do país compreender melhor os desafios de implementar esses sistemas. Contratar alguns cientistas de dados é suficiente. " É preciso uma abordagem movida a dados inserida na organização inteira", diz.
A verdade é que, por trás da visão popular de futuros completamente automatizados, ainda há muita humanidade por trás da inteligência artificial - para o bem e para o mal. Um dos problemas que afligem o desenvolvimento desses sistemas e que desafia a popularização deles em seus mais diferentes usos é o perigo de estarmos "ensinando-os" a reproduzir desigualdades. "A gente produz dados que refletem nossas visões como sociedade, e nossos repositórios textuais estão cheios de vieses de gênero e raciais", diz Souza, da FGV.

Um estudo de professores do MIT e de Stanford, publicado no ano passado, apontou que os sistemas de reconhecimento facial de três grandes empresas são muito mais eficientes para identificar rostos de homens brancos do que de mulheres negras. Segundo uma das autoras, Joy Buolamwini, pesquisadora do MIT, os resultados desses erros podem variar da inconveniência - as consumidoras terão mais dificuldade para desbloquear a tela do celular, por exemplo - ao perigo - departamentos de polícia já usam sistemas de reconhecimento facial para identificar suspeitos, e os erros poderiam levar a acusações falsas.

Souza, que faz pesquisas na área de correção de vieses, diz que esse é um campo que está crescendo, mas que ainda não recebe a atenção devida de especialistas em tecnologia. Ele alerta que o perigo está, principalmente, em se refugiar em uma "pseudoneutralidade" da tecnologia. "A gente tende a mitificar o que é fruto de uma inferência automática como se fosse a verdade", diz. A humanidade é falha, e não seria diferente com as máquinas criadas à sua semelhança.