Publicidade

Arquivo de julho, 2020

segunda-feira, 27 de julho de 2020 aprendizagem, Educação e Tecnologia, Inovação e Educação | 14:51

A CRIANÇA, O IDOSO E A PANDEMIA

Compartilhe: Twitter

 

É da natureza da criança e do jovem o ato de experimentar. Desde levar tudo à boca e estimular todos os sentidos até explorar novos espaços e a propensão a vivenciar experiências inéditas.

​O idoso, bem como o adulto, por sua vez, tendem a, cada vez mais, fazer uso das experiências anteriores, dispensando, quando possível, agregar novos contextos, relacionamentos e demais novidades desnecessárias.

​Pertinente observar que, gradativamente, as crianças aparentam uma relativa aceleração cognitiva e de maturidade, bem como os idosos tendem, em função de uma mais larga expectativa de vida, a promover ousadias pouco comuns em gerações anteriores. As representações acima são pictóricas e generalizantes, visando unicamente destacar comportamentos típicos médios dos grupos referidos.

O destaque é que na prospecção, típico da criança e do jovem, reunimos o máximo de informações, enquanto na vida adulta tendemos a usufruir dos dados já coletados para tomarmos as melhores decisões, em função do acervo informativo reunido ao longo da vida.

​Exemplos cotidianos os mais variados servem para ilustrar as diferentes prospecções e explorações citadas. Por exemplo, se um restaurante é inaugurado no bairro, provavelmente, ele soará, relativamente, mais “apetitoso” ao jovem do que ao idoso. Este, provavelmente, resistirá muito mais a experimentá-lo, dando preferência a manter sua fidelidade àqueles estabelecimentos já selecionados, fruto de suas tentativas anteriores baseadas em erros acertos.

​Ao jovem, prospectar significa a possibilidade de, caso o restaurante se prove bom, poder retornar a ele ilimitadas vezes (pelo menos ele pensa que sim). Ao idoso, considerando as vezes limitadas que dele poderá, eventualmente, desfrutar, talvez seja mais sensato e confortável ir àqueles previamente já testados e garantidos.

​O mundo dos algoritmos, especialmente dos algoritmos que aprendem (“machine learning”), explora uma permanente e dinâmica negociação, à procura do ponto de ótimo, entre continuar coletando dados (em geral, assumidos infinitos) e tomar decisões baseadas nas informações limitadas, porém, já disponíveis e sistematizadas.

​Este tema é atualíssimo. Não somente pela estreita analogia com temas contemporâneos e de fronteira no universo de ciência da computação, mas também porque, em função da pandemia, estamos promovendo uma experiência sociológico inédita. Nunca, ao menos nos tempos modernos, crianças, jovens, adultos e idosos tiveram que, obrigatoriamente, conviver no mesmo ambiente por tanto tempo.

​Desconhecemos ainda as consequências futuras da realidade atual, sabemos que serão também frutos desses relacionamentos em intensidades bem superiores ao que costumavam ser. Em termos de comportamentos humanos, potencialmente, colheremos conhecimentostranscendentes.

Por sua vez, os cientistas de dados poderão se inspirar, captando mais elementos para os guiarem mais adequadamente na escolha dos pontos de ótimo dos algoritmos, no que diz respeito a até onde coletar informações e a quando decidir. Lembrar que as máquinas que aprendem tendem a reproduzir os humanos.

Tanto na primeira versão como na segunda, certamente, nosso “novo normal” estará impregnado dasexperiências às quais estamos submetidos nos tempos atuais. Quanto às dimensões das transformações e consequências, creio que ainda seja prematuro para concluir sobre. Quem sobreviver, verá.

 

—-

Foto:

http://fecomercio-rsorg.br/2019/09/26/santa-maria-tera-programacao-especial-durante-o-mes-do-idos

Autor: Tags: , , , ,

sábado, 4 de julho de 2020 aprendizagem, Educação e Tecnologia, Inovação e Educação | 17:45

ALGORITMO E TOMADA DE DECISÃO II

Compartilhe: Twitter

 

No artigo anterior, “Algoritmo e Tomada de Decisão”, advogados a potência do “Algoritmo dos 37%” e citamos algumas aplicações práticas. Entre elas, o problema da “escolha do assistente”.

 

Neste artigo, o objetivo é detalhar um pouco mais sobre o tema, explorando detalhes e perspectivas que não foram incluídos no anterior. Em suma, afirmamos que se, a título de exemplo, você tivesse a missão urgente (tempo conta) de selecionar o melhor assistente entre 100 candidatos (esse número pode ser qualquer, quanto maior melhor), uma boa estratégia seria adotar o algoritmo citado, que inclui a “parada ótima” em 37%.

 

Na prática, a receita seria: entreviste (‘olhe”), sem se decidir, os primeiros 37 candidatos e, a partir do candidato 38 escolha (“decida”) pelo primeiro que for melhor do que todos os anteriores.

 

Como eles estão ordenados aleatoriamente, você desconhece se o ou a melhor candidato/a está ou não no bloco inicial dos 37. Estamos supondo que os melhores e piores existam a priori, sendo o melhor candidato denominado de 1, o segundo melhor chamado de 2, e assim por diante. Não confundir com a ordem nas entrevistas, a qual é totalmente aleatória.

 

Exploremos as duas hipóteses. Suponhamos que ele/a já tenha passado e, pela regra dos 37%, não pode mais ser selecionado/a. Pior, seguindo essa lógica, nenhum dos posteriores ao 37 (seriam os demais 63) jamais será melhor do que ele. Temos aqui o pior cenário: temos que ir até o final das 100 entrevistas, gastar muito tempo e chegar a nada. Fracasso. Fracasso, porém, mensurável: 37% de chance de ocorrer.

 

Vejamos a outra possibilidade (chance de 63% de ocorrer) de o/a melhor não estar entre os primeiros 37. Neste caso, duas coisas podem ocorrer. Você “colidir” com o 1 e seu problema está resolvido. Alguém dirá: “mas é inevitável que isso ocorrerá”. Errado! Pela regra, pode ocorrer algo antes, ou seja, aparecer alguém que não seja o melhor (aqui chamado de 1) mas que seja melhor do que os anteriores (pode ser o de número de entrevista 38, o 39, o 40 etc.).  Qual a chance de isso ocorrer?  Resposta: 26%!

 

Observe (aqui um ponto bem sutil) que podemos classificar de quase fracasso ou de quase sucesso porque, ao invés de termos selecionado o melhor, escolhemos alguém bom ou muito bom se pensarmos que dele/a foi exigido ser melhor do que todos os anteriores (37, 38, 39….). Razoável supor que esse alguém, certamente, estaria entre os melhores em qualidade (segundo, terceiro ou quarto; raramente o quinto melhor…).

 

Assim, na prática, nosso mundo de entrevista se divide em 3 cenários: total fracasso com chance de ocorrência de 37%; total sucesso (o/a melhor foi escolhido/a) também chance de 37%; e sucesso parcial (alguém muito bom, ainda que não o/a melhor, foi selecionado) com chance de 26%.

 

Ora, onde incluir o quase sucesso (26%) é uma das chaves no problema. No texto anterior destacamos que um sucesso de 37% já era bom, mas chamo sua atenção agora que, de fato, podemos afirmar que somando 37 aos 26 temos, seguindo este algoritmo, a chance de 63% de sucesso de termos selecionado o melhor ou entre os melhores.

 

Em suma, estamos afirmando (com liberdade poética) algo forte: “se você tem n (onde n é um número grande) de candidatos para selecionar um entre eles, se você utilizar o algoritmo dos 37%, podemos garantir que basta entrevistar um pouco mais de 1/3 deles e você terá escolhido um dos melhores em quase 2/3 das vezes”.

 

Isso é economia de tempo e grande eficiência. Isso não é pouca coisa, especialmente se lembrarmos do pressuposto que há muito trabalho a ser feito, o qual está se acumulando, dado que você, que tanta ajuda precisa, está gastando tempo demais na seleção.

 

Imagine agora que você, alternativamente, adotou outro algoritmo, o dos 61%, o qual permite, ao final, se necessário, retornar ao único melhor, assumindo, como fizemos no primeiro texto, uma taxa de rejeição (pode ser qualquer, insisto, desde que racionalizável) de 50%.

 

Neste caso, você deve entrevistar os 61 primeiros e somente a partir do candidato de número 62 começar a escolher se algum deles for melhor do que todos os anteriores. Observe que, neste caso, há duas hipóteses, de novo. Uma, que o/a melhor esteja entre os 61 já entrevistas e você, por enquanto, o perdeu. Outra, que o melhor esteja entre os 39 restantes.

 

No segundo caso, não é possível garantir que, necessariamente, o melhor será encontrado porque há uma chance de “colidir” antes com alguém que seja melhor do que os anteriores. No caso, melhor do que 61, 62, 63…portanto, alguém seguramente muito bom; provavelmente o segundo, melhor, terceiro e raramente o quarto melhor. Chance de isso acontecer: 8,5%, o que pode ser visto como quase fracasso ou quase sucesso pelo fato de não termos selecionado o melhor, mas, alguém, seguramente, muito bom.  Portanto, na hipótese de o melhor estar entre os 39% restantes, ele/a seria descoberto/a com chance de 30,5%.

 

Lembremos agora que que, neste algoritmo, se chegarmos até o final (100 entrevistados) sem termos escolhido alguém (chance de 61%, dado que deixamos escapar o melhor entre os 61 iniciais e dos restantes 39 nenhum deles terá sido melhor do que ele), temos ainda a chance de voltarmos a procurar o melhor, previamente e precocemente dispensado.

 

Nosso modelo assumiu que a chance de sucesso (aceitar), ao ser (re)procurado, será de 50%.  Lembremos que ele/a é o melhor, portanto, já pode ter outro emprego enquanto gastamos tempo nas demais entrevistas. Temos aqui, garantido, mesmo assim, uma chance de sucesso total de 30,5%.

 

Se somarmos esses 30,5%, caso em que o/a melhor estava entre os 61 iniciais, aos 30,5% de chance de o melhor ter sido encontrado entre os 39 finais, temos que a taxa de sucesso total é de 61%. Um bom resultado, mas observe que se contemplarmos que há, adicionalmente, uma chance de 8,5% de termos selecionado alguém muito bom (sucesso, portanto), ainda que não o melhor, podemos definir que somando sucesso total com sucesso temos, de fato, um sucesso líquido de 69,5%, o que é um resultado prático excelente.

 

Lembremos que, neste algoritmo, podemos ainda diminuir a taxa de fracasso (30,5%) (re)procurando o segundo melhor (taxa de rejeição de 50% ou menor). Se mesmo assim der errado, podemos repetir para o terceiro melhor etc. Podemos, seguindo nesta sequência irmos tão longe quanto quisermos, minimizando nosso fracasso, porém, gastando, indevidamente, um tempo que não dispomos.

 

O mesmo raciocínio acima pode ser aplicado ao caso de procura por par, tal como citado pelos autores Christian & Griffiths (ver texto anterior). Eles adotaram o período da procura entre os 18 aos 40 anos (totalmente aleatório). No caso do algoritmo dos 37%, significa que, após os 26,1 anos, seria recomendável formar par com o melhor companheiro/a que mostrar ser melhor do que todos os relacionamentos anteriores. Não pretendo me estender neste caso, mas há plena analogia a ser explorada, tendo em vista os detalhamentos similares apresentados anteriormente.

 

Autor: Tags: