De volta para o futuro

O que é real para você?

Imagine que você está escolhendo um restaurante para jantar e começa a analisar as avaliações sobre cada local; as notas de 1 a 5, os comentários e até mesmo as fotos. Depois, com base nessas informações, você mesmo decide o melhor restaurante para você. Isso podemos dizer ser um hábito padrão de muitos de nós, seja folheando a Vejinha nos idos de 1990, navegando pelo Guia da Semana em 2000, pesquisando pelo Foursquare lá em 2010, pelo Instagram em 2020, ou, os mais GenZ, vendo vídeos do TikTok.

Agora, pense que você, após se engajar no mundo de A.I., começa a deixar essa análise um pouco mais sofisticada e, ao invés de entrar restaurante por restaurante para pesquisar e ler as análises, você busca a ajuda da inteligência artificial para isso, seja através de algum software que já deve existir por aí, ou seja criando seu próprio prompt no ChatGPT. Nesse caso a decisão foi analisada, modelada e, até tomada, por A.I., porém a base das informações eram “reais”, ou seja, reviews e comentários de pessoas como você que já estiveram lá nestes mesmos restaurantes.

Mas, e se a A.I. estivesse analisando não mais os reviews de pessoas reais, mas sim reviews criados pela própria A.I., porém em volumes muito, mas muito maiores. Neste cenário, você acredita que as chances da escolha do restaurante ser elogiada por quem estiver indo com você aumentam ou diminuem?

Dados Sintéticos

Antes de você cravar a sua resposta, vamos aprofundar um pouco mais. Existe sim um problema gigantesco, e até uma “indústria”, dos fake reviews, assunto que já abordamos aqui no Morse e foi pauta de diversas materiais mundo afora. Mas aqui não estamos falando disso. Fake reviews são práticas realizadas para manipular a decisão das pessoas com base em avaliações erradamente tendenciosas. Já nossa pauta de hoje é sobre “Dados Sintéticos”, sua capacidade de “criar o futuro agora” e o seu impacto no mundo da análise de dados e tomada de decisão.

Para que nos acompanha aqui no Morse já falamos em uma outra edição do Trends sobre as Personas Sintéticas, os “personagens virtuais” gerados a partir de dados reais que simulam o comportamento de consumidores. Essas personas se tornaram fundamentais para prever comportamentos, analisar tendências, testar campanhas de marketing e criar experiências personalizadas. Exemplos: arquitetos de shoppings centers utilizam personas sintéticas para simular o fluxo das pessoas em novos projetos e entender qual a melhor distribuição de escadas rolantes, elevadores, lojas etc. Empresas de marketing utilizam as personas sintéticas para entender qual tipo de abordagem poderia gerar melhores resultados em suas campanhas e empresas de moda utilizam modelos sintéticos para testar lançamentos de roupas e acessórios.

Agora, voltando à escolha dos restaurantes, e se as “Personas Sintéticas” saírem para jantar? Exatamente, e se elas visitassem os mesmos restaurantes que falamos acima e gerassem novos reviews e comentários? Ou melhor, e se visitassem restaurantes recém inaugurados, que ainda não possuem reviews, e que neste caso não entrariam em sua análise. Calma, antes de seu cérebro entrar em curto ou você imaginar um date romântico entre o T-800, robô enviado pela Skynet para matar Sarah Connor no filme Terminator, e a Rosie, o robô dos Jetsons, o que estamos falando aqui são simulações e extrapolações de dados e não cyborgs sentando em restaurantes. Mas como?

Restaurante sintético

Utilizando dados sintéticos, é possível por exemplo gerar avaliações simuladas que seguem padrões baseados em reviews de outros restaurantes semelhantes na região, combinando perfis de consumidores e fatores como o tipo de cozinha, faixa de preço, localização, e histórico de avaliações para esse tipo de estabelecimento, e neste caso os “dados sintéticos” poderiam ajudar a incluir na sua avaliação os restaurantes recém inaugurados e que ainda não tenham nenhum review disponível.

Para esse tipo de análise seria preciso separar dois tipos de dados.

Os Dados Estruturais (ou Contextuais) que referem-se às características fixas e objetivas do local ou objeto de análise. No exemplo do restaurante, seriam informações relacionadas à infraestrutura, operação e aspectos físicos como Endereço, Cardápio (tipos de pratos, preços), Disposição do Local (Número de mesas e cadeiras), Design e arquitetura do espaço, quem foi o Arquiteto, qual o Chef e seu curriculo etc. Esses dados formam as “premissas básicas” da simulação e são usados para criar o contexto do ambiente. Esses dados são geralmente obtidos de fontes diretas e definem o cenário e as condições iniciais para qualquer análise ou simulação de dados sintéticos. Eles ajudam a estabelecer o “esqueleto” ou a estrutura base para que os dados comportamentais sejam aplicados.

Depois será necessário incluir os Dados Comportamentais (ou Dados de Interação), que representam as interações, preferências e comportamentos das pessoas em relação ao restaurante ou ao espaço físico. No contexto do exemplo do restaurante, esses seriam os dados gerados pelas pessoas como: quais os pratos escolhidos do cardápio, Reviews de clientes, Frequência de visitas e horário de pico de clientes, Padrões de permanência (tempo gasto no restaurante) etc.

Análise Preditiva vs Dados Sintéticos

Vale deixar claro que os dados sintéticos vão muito além da simples análise preditiva de cenários, pois não se limitam a prever o comportamento com base em padrões anteriores ou históricos. Em vez disso, eles literalmente criam novos dados, replicando características estatísticas de dados reais, mas sem serem uma cópia direta. Diferente da análise preditiva tradicional, que tenta adivinhar o que acontecerá com base no que já aconteceu, os dados sintéticos oferecem novos conjuntos de dados, úteis tanto para treinar modelos de machine learning quanto para testar hipóteses em ambientes onde não há dados reais disponíveis. Os dados sintéticos, portanto, não apenas preveem, mas geram novas entradas no conjunto de dados, enriquecendo o volume de informações disponíveis para análises, testes e simulações.

No caso do Restaurante, uma análise preditiva normal pode tentar prever, por exemplo, quantos clientes o restaurante receberá nas primeiras semanas de operação com base em dados históricos de outros restaurantes semelhantes na mesma área. Ela olha para dados existentes (de restaurantes similares) e faz inferências sobre o que provavelmente acontecerá com o novo restaurante. Entretanto, essa abordagem é limitada ao que já foi observado.

Já com os dados sintéticos a análise pode ir além de “apenas” prever o fluxo de clientes. A inteligência artificial gera novos dados que nunca existiram, como reviews, padrões de comportamento e até interações dos clientes com base em condições teóricas, mesmo que o restaurante nunca tenha recebido um cliente real.

Enquanto uma análise preditiva tradicional apenas olha para o passado para inferir o futuro, os dados sintéticos criam novos dados do zero, permitindo que você teste cenários hipotéticos, crie interações que ainda não ocorreram e explore possibilidades que o mundo real ainda não forneceu.

De volta para o futuro

Dados recentes da Gartner mostram que os dados sintéticos irão ofuscar completamente os dados reais em modelos de IA até 2030. Ou seja, a inteligência artificial que irá alimentar as decisões do mundo real não serão mais pautadas “apenas” pela capacidade exponencial de análise dos algoritmos mas também pela capacidade exponencial de criação das A.I. Se no filme “Back to the Future” todos nós fantasiávamos a possibilidade de poder voltar ao passado com o conhecimento do futuro para tomar decisões esse cenário esta cada vez mais próximo de nosso dia a dia, mas ao invés de voltarmos no passados, será possível viajar para o futuro através de cenários sintéticos de futuro que poderão, ou já podem, nos mostrar hoje, como será o mundo de amanhã.