6 Estratégias para Capacitar a Força de Trabalho em IA

As instituições devem adotar estratégias holísticas para preparar os alunos para o futuro.

O campo da inteligência artificial está em alta no momento, e com tantas aplicações potenciais para essa tecnologia, a maioria de nós não consegue sequer imaginar todas elas. Devido à explosão de interesse em IA, o Bureau of Labor Statistics dos EUA prevê 11,5 milhões de vagas relacionadas a dados até 2026, com a demanda por cientistas de pesquisa em IA crescendo 19%.

Não há dúvida de que precisamos de indivíduos bem treinados, altamente educados e inovadores para nos ajudar a realizar o potencial dessa poderosa tecnologia. Para alcançar isso, devemos analisar o que é fundamentalmente necessário para sustentar um futuro com IA. A primeira necessidade é uma introdução ao que a IA é e ao que ela não é. Afinal, se as habilidades de IA vão se tornar essenciais, todos precisamos usar as mesmas definições e alinhar nosso entendimento dessa tecnologia.

Ao considerar os elementos fundamentais necessários para uma educação em IA, imagino um foco nos fundamentos da engenharia e da física para ajudar a desenvolver e distribuir IA de forma melhor e mais rápida. O próximo passo será integrar a IA em todos os outros cursos de estudo e determinar como ela pode ser implementada de forma eficaz em diferentes setores.

No final das contas, não se trata apenas de ensinar os alunos a "fazer IA". Ao contrário da engenharia civil, onde aprender a mecânica da construção de pontes é relativamente simples, ou da aeroespacial, onde as leis da gravidade e da propulsão são bem compreendidas, a IA é muito mais complexa.

Na verdade, há implicações sociais, morais, éticas e até legais significativas relacionadas à IA, e elas devem fazer parte de uma educação robusta em IA. Algumas dessas lições não podem ser ensinadas na sala de aula; elas são melhor aprendidas em cenários do mundo real.

Com isso em mente, aqui estão seis estratégias que o ensino superior deve considerar para preparar os alunos para um futuro empolgante com IA.

1. Incorporar IA em Programas de Graduação Existentes Não vejo necessidade de cursos específicos de engenharia de IA. Isso porque nunca vi uma universidade oferecer um diploma em engenharia de smartphones ou desenvolvimento de veículos elétricos. Ainda assim, vimos a evolução de chips mais rápidos, telas sensíveis ao toque, baterias avançadas e motores potentes para possibilitar essas aplicações.

A maioria dos fundamentos curriculares subjacentes dos programas de graduação em IA são praticamente idênticos. A maioria se concentra na ciência fundamental: engenharia da computação, codificação, matemática avançada, regressões de dados, etc. A engenharia e a física não mudarão fundamentalmente, mas o que deve mudar são os exemplos e os exercícios de casa, que precisam incluir IA.

Para que as faculdades atraiam uma força de trabalho de próxima geração em IA, elas devem considerar ajustar seus programas com um foco em IA. Caso contrário, os alunos em potencial podem não ver a conexão.

2. Não Ignorar as Limitações da IA Devido ao grande entusiasmo em torno do potencial da IA, suas limitações às vezes são negligenciadas. Isso pode ser problemático para jovens idealistas que estão acostumados a confiar na tecnologia.

Em sua essência, a IA opera na detecção de padrões. Ela pode detectar padrões em grandes conjuntos de dados com velocidade e precisão impressionantes, mas o resultado é limitado pela abrangência dos dados usados para treinamento. A IA tem dificuldade em superar a imprevisibilidade humana.

A IA é útil para tomar decisões, mas nem sempre é confiável, por isso os alunos precisam estar cientes de suas limitações para aproveitar ao máximo seus benefícios.

3. Aumentar a Conscientização sobre o Viés As ferramentas de análise baseadas em IA não examinam os dados e emitem previsões por conta própria. Elas precisam ser treinadas por humanos para observar os dados certos sob a lente correta. Mesmo o indivíduo mais objetivo, imparcial e equitativo carrega algum nível de viés cognitivo inconsciente.

O viés está em toda parte e pode influenciar os resultados da IA. A chave é que o viés não é necessariamente negativo; os dados podem ser influenciados pelo viés de maneira intencional ou não. Por exemplo, um analista em uma empresa internacional pode querer observar os dados de vendas para ajudar a prever necessidades futuras. Talvez o analista queira direcionar os dados apenas para uma região ou uma estação específica. Os programas universitários devem incluir educação sobre o viés e como ele pode influenciar os resultados.

4. Desenvolver Meios de Testar e Validar IA Quanto teste é necessário para validar que a IA é segura e protegida? Essa questão tem atormentado os reguladores há anos, e com razão, especialmente em aplicações onde vidas humanas podem estar em risco. Podemos vincular sua operação para ser segura ou podemos desenvolver confiança?

Os alunos devem ser educados sobre os conceitos de validação e o que seria necessário para uma confiabilidade crítica de segurança 10-9. Muitas vezes, passamos nosso tempo inventando novas aplicações sem pensar muito em quão confiáveis elas são ou precisam ser. Tenho certeza de que aqueles que usam dispositivos médicos com IA, por exemplo, gostariam de alguns testes definitivos ou salvaguardas apropriadas para limitar o que a IA pode realmente controlar. Essas são práticas e testes que devemos ensinar aos estudantes universitários hoje para garantir aplicações seguras no futuro.

5. Abordar as Implicações Legais Aprender a usar efetivamente a IA vai além da engenharia, algoritmos, treinamento de dados e validação estatística. Existe todo um ecossistema em torno do uso responsável, incluindo implicações legais, direito contratual e direito de propriedade intelectual, que muitos alunos não consideraram.

Se um banco de dados público de IA for usado para desenvolver uma nova vacina, quem possui a patente dela? Se eu desenvolver uma solução de IA para detectar câncer, como devo estruturar meus acordos para evitar responsabilidade em caso de diagnóstico incorreto? E quanto aos corretores de dados usados para treinamento de IA? Quem possui os dados, os resultados e a responsabilidade?

Os alunos devem estar cientes dessas amplas considerações além da tecnologia e da engenharia. Oferecer cursos ou integrar esses tópicos nas aulas existentes nessas áreas é essencial para formar profissionais de IA bem treinados e conscientes.

6. Incluir Experiência no Mundo Real Como a maioria de nós provavelmente percebeu quando entrou no mercado de trabalho, há uma grande diferença entre aprender os fundamentos de qualquer campo na sala de aula e aplicá-los no mundo real. Quando se trata de algo tão inexplorado quanto a IA, essa lacuna é ampliada.

Adquirir experiência prática é a única maneira de os alunos traduzirem os conceitos que estão aprendendo na sala de aula em casos de uso válidos e realistas no mundo dos negócios. Isso significa que parcerias com empresas e até agências governamentais para fornecer estágios e programas de mentoria são essenciais para fazer os alunos pensarem em termos de aplicações, em vez de abstrações.

Desenvolver a próxima geração de especialistas em IA é essencial para atender às demandas de uma sociedade voltada para a tecnologia e de uma economia global de negócios.

Faculdades e universidades têm uma oportunidade poderosa — e responsabilidade — de ensinar aos alunos os fundamentos de engenharia e ciência da IA, bem como as implicações contextuais e sociais de seu uso. Embora, em sua essência, a IA seja apenas algoritmos e máquinas, o ecossistema, as implicações e as considerações complexas em torno de seu uso responsável e benéfico exigem uma educação completa e centrada no ser humano.