2. SOSIAL ULIKHET INNEN UTDANNING
2.1 En teori om undervisningssystemet
2.1.1 En teori om den symbolske vold
Apesar de não ser uma metodologia específica de gerenciamento de projetos, o Design Thinking vem sendo aplicado nesse contexto por estar relacionado à necessidade dos gerentes de projetos se comportarem de modo a estimular a capacidade de suas equipes de trabalho para o reconhecimento de padrões e o desenvolvimento de ideias inovadoras dentro do domínio e projetos em que estão inseridos.
Ressalta-se que muitas vezes o termo design está associado a qualidade ou aparência de produtos, porém, como disciplina, tem o objetivo de promover o bem-estar na vida das pessoas. O designer tem como principal ação identificar problemas e gerar soluções para que a experiência e bem estar das pessoas sejam maximizadas, uma vez que mapeia cultura, contextos, experiências e processos (VIANNA et al., 2012).
seria suficiente para ser utilizada em larga escala uma vez que não havia um sistema de geração de energia, tão pouco, uma rede de transmissão para a energia. Pensando nisso, criou todos os elementos para tornar seu invento efetivamente útil e, portanto, mostrou sua capacidade de pensar no mercado como um todo e não apenas em um dispositivo isolado. Edison sempre deu atenção às necessidades e preferências dos usuários e quebrou o paradigma de trabalhar em uma invenção sozinho, procurando assim, trabalhar com uma equipe de pensadores, improvisadores e experimentadores (BROW, 2008).
Esse exemplo de Thomas Edison pode ser considerado um dos primeiros na utilização de uma abordagem do que hoje se conhece como Design Thinking, uma metodologia que envolve todo o espectro de atividades e processos centrados nas pessoas com o objetivo de aumentar a probabilidade de obter sucesso de inovação (BROW, 2008; PINHEIRO; ALT, 2012).
Pinheiro e Alt (2012) complementam que Design Thinking é um novo modelo mental onde se pensa e se aborda os problemas por várias óticas e é uma atitude. Brow (2008) ressalta a utilização da sensibilidade e métodos do designer para corresponder as necessi- dades das pessoas, com as tecnologias e estratégia de negócios viáveis com a finalidade de transformar valor e oportunidade para um cliente. Já Vianna et al. (2012), asseveram que o Design Thinking proporciona uma visão holística de inovação e que além dos clientes, deve-se entender funcionários e fornecedores envolvidos no contexto, cocriando soluções com especialistas e prototipando para entender melhor suas necessidades, ao final, gerando soluções geralmente inovadoras e inusitadas.
O Design Thinking não é uma técnica específica para gestão de projetos, mas sim, uma técnica que pode ser adaptada para resolução de qualquer problema e potencializada em conjunto com a utilização da técnica do Project Model Canvas. Esta técnica varia entre os autores podendo ter mais ou menos etapas, entretanto, seguem a mesma lógica de execução com uma fase inicial de motivação, definição, ideias e possibilidades, desenvolvimento e entrega. Pode-se ver um benefício de maneira expressiva principalmente na fase inicial de um projeto, durante o processo de planejamento, em que a necessidade de criatividade e inovação é latente.
A expressão Design Thinking surgiu no início da década de 90 utilizada por acadêmicos e foi popularizada pela IDEO, uma empresa fundada em 1991 em Palo Alto – conhecido
como Vale do Silício – com o foco em design e inovação (PINHEIRO; ALT, 2012). Foi inicialmente utilizada na área de engenharia, e, atualmente, amplamente utilizada nas áreas de gestão e negócios.
Brow (2008) sustenta que a inovação é provida por uma compreensão do que as pessoas querem ou precisam, gostam ou não, da forma como são feitas, vendidas, comercializadas e suportadas, por meio de uma observação direta.
A técnica apresentada por Vianna et al. (2012) pode ser dividida, mas não sequen- ciada, em algumas partes. Isso porque uma etapa permeia a outra e pode ser necessária adaptações a um problema evidenciado em qualquer uma das etapas. Pode-se visualizar a metodologia proposta pelos autores na Figura 2.7.
Figura 2.7: Esquema representativo das etapas do processo de Design Thinking segundo Vianna et al. (2012, p. 18)
Os autores dividem a metodologia em: • Imersão:
Etapa onde existe a aproximação da equipe de um problema e este será avaliado sob diversas óticas. Pode ser dividida em duas etapas:
⋆ Preliminar - entendimento inicial do problema, geralmente definindo o escopo e fronteiras do projeto, identificação de perfis de usuários e atores-chave que serão abordados. Utiliza-se de ferramentas como reenquadramentos (análise de problemas ou questões não resolvidas com o propósito de desconstruir crenças
ou suposições, quebrando os padrões de pensamento), pesquisas de campo exploratórias e pesquisa desk (busca de referências globais e locais, websites, livros, revistas, blogs); e
⋆ Profundidade - identificação de necessidades e oportunidades que guiarão so- luções na fase de Ideação1
. Conta com projeto de pesquisa e exploração do contexto do problema valendo-se de ferramentas como entrevistas e trabalhos de campo, cadernos de sensibilização (coleta de dados do usuário com o mínimo de interferência), sessões generativas (encontro com os usuários ou atores-chave a fim de dividirem experiências), um dia na vida (simulação do pesquisador da vida ou situação do objeto de estudo) e sombra (acompanhamento de observa- ção do usuário por um período de tempo).
Essa etapa, por sua vez, gera informações para que sejam criados cartões de insights com reflexões e conclusões geradas nessa etapa, facilitando a consulta e manuseio dos dados obtidos.
• Análise e Síntese:
Os cartões de insights gerados pela fase de Imersão deverão ser organizados de modo a se obter padrões e criar uma lógica de compreensão do problema. Podem ser usados diagramas de afinidades (usando como base a afinidade, proximidade, similaridade ou dependência), mapa conceitual (simplificação e exibição gráfica dos dados com níveis de abstração), critérios norteadores (diretrizes balizadoras do projeto), per- sonas (arquétipos para sintetizar comportamentos observados entre consumidores e perfis externos), mapa de empatia (síntese de informações sobre o cliente de modo a visualizar o que diz, faz, pensa e sente), entre outros.
• Ideação:
Essa etapa tem por principal objetivo gerar ideias inovadoras para o tema do projeto. Utiliza-se de diversas ferramentas como Brainstorming (técnica para estimular a geração de elevado volume de ideias em curto espaço de tempo), Workshops de cocriação (encontro com uma série de trabalhos em grupo), entre outras. Todas essas ferramentas têm o mesmo objetivo: estimular a criatividade para gerar soluções que
1
Segundo o dicionário Michaelis de língua portuguesa, ideação é: 1 Ato ou efeito de idear. 2 Formação da ideia. 3 Psicol Função mental que consiste em formar ou em apreender ideias.
estejam alinhados ao assunto abordado. Para se obter resultados mais ricos, deve-se utilizar além da equipe envolvida no projeto, profissionais especializados na área do projeto, consumidores finais, fornecedores e um público de forma geral, buscando a diversidade que contribuirá à análise sob diversas perspectivas. Deve-se evitar qualquer julgamento de valor.
• Prototipação:
A fase de prototipação consiste na transformação de ideias abstratas em conteúdo formal ou material, visando a tangibilidade de uma ideia, validando o conteúdo analisado sob a ótica de equipe de projetos e do ponto de vista do usuário. Pode permear todo o projeto, acontecendo em paralelo a todas as etapas de Imersão, Análise e Síntese e Ideação ou ser a entrega final de um projeto de Design Thinking. Utiliza-se de ferramentas como: protótipos de papel, modelos de volume (represen- tações com níveis de fidelidade diferente), encenação (simulação de uma situação), storyboard (representação visual em quadros estáticos vide Figura 2.8), entre outras.
Figura 2.8: Exemplo de prototipação do tipo storyboard (VIANNA et al., 2012, p. 135)
Em 2005, o órgão público do Reino Unido responsável pelo tema Design chamado Design Council realizou uma pesquisa com onze empresas2 diferentes e buscou identifi- car como o pensamento de design era convertido e processado por essas empresas. Ao resultado dessa ação, identificaram o modelo a qual deram o nome de Diamante Duplo e dividiram a metodologia em quatro etapas: Descobrir, Definir, Desenvolver e Entregar
2
As onze empresas são: Alessi, BSkyB, BT, Lego, Microsoft, Sony, Starbucks, Virgin Atlantic Airways, Whirlpool, Xerox e Yahoo.
(do inglês Discover, Define, Develop e Delivery). O termo Diamante Duplo foi usado pela semelhança geométrica identificada pelos pesquisadores que refletem o momento de expansão do conhecimento nas linhas divergentes e o momento e necessidade de fazer escolhas e refinar a informação nas linhas convergentes. Visualiza-se esse esquema na Figura 2.9 (PINHEIRO; ALT, 2012).
Figura 2.9: Esquema representativo das etapas do processo de Design Thinking segundo o Design Council (PINHEIRO; ALT, 2012, p. 44)
Pinheiro e Alt (2012) propõem um formato parecido ao Diamante Duplo do Design Council. Dividem as etapas de Design Thinking em: Insights, Ideias, Protótipos e Reali- zação. Entre as fases, como pode ser visto na Figura 2.10, existe a necessidade de ampliar o conhecimento na fase inicial de Insights, refiná-lo na fase de ideias, ampliar novamente na fase de protótipos, fazer escolhas refinando a informação e posterior a isso, ampliar novamente na realização do que se espera.
Figura 2.10: Esquema representativo das etapas do processo de Design Thinking segundo Pinheiro e Alt (2012, p. 45)
Para Brow (2008) que foi um dos percursores do Design Thinking e um dos fundadores da IDEO, a metodologia consiste em três passos: Inspiração, Ideação e Implementação. Pode-se visualizar esse modelo na Figura 2.11.
Figura 2.11: Esquema representativo das etapas do processo de Design Thinking. Simpli- ficado de Brow (2008, p. 88-89)
Este capítulo apresentou alguns frameworks e técnicas de gerenciamento de projetos. A seguir, verifica-se a conceituação de Inteligência Artificial e suas técnicas.
Capítulo 3
VISÃO GERAL DE INTELIGÊNCIA
ARTIFICIAL
Desde a antiguidade o homem busca identificar e entender como o pensamento humano se processa, sobre como é capaz de compreender o ambiente e as situações que os cerca, como pode-se perceber e manipular pensamentos e o mundo a sua volta. A Inteligência Artificial, ou simplesmente IA, procura responder a essas perguntas que eram abordadas e tentavam ser respondidas nas áreas da Filosofia, Psicologia e Neurociência. A IA busca a construção de sistemas ou entidades inteligentes capazes de simular o pensamento humano (RUSSELL; NORVIG, 2003).
As abordagens do estudo de Inteligência Artificial se dividem em quatro categorias como descrito na Tabela 3.1 (RUSSELL; NORVIG, 2003). São elas:
Humano Racional
Pensamento Sistemas que pensam como humanos Sistemas que pensam racionalmente Comportamento Sistemas que agem como humanos Sistemas que agem racionalmente
Tabela 3.1: Abordagens do estudo de Inteligência Artificial Adaptado de (RUSSELL; NORVIG, 2003, p. 2)
• Sistemas que pensam como humanos
Dentro do aspecto de sistemas que pensam como humanos, pode-se definir IA se- gundo Bellman (1978) como a automação de atividades associadas ao pensamento
humano como a tomada de decisão e resolução de problemas de aprendizagem. Russell e Norvig (2003) afirmam que nos anos 60 surgiu a modelagem cognitiva com o intuito de construir teorias precisas e testáveis da mente humana. A modelagem ocorre por meio de introspecção ou por meio de experimentos psicológicos.
• Sistemas que agem como humanos
Dentro do aspecto de sistemas que agem como humanos, pode-se definir IA segundo Kurzweil (1990) como a criação de máquinas que exercem funções que carecem de inteligência quando executadas por uma pessoa. Já para Rich e Knight (1991) é o estudo de como fazer os computadores realizarem atividades que hoje os humanos são melhores.
Em 1950, Alan Turing propôs o “Teste de Turing” que foi projetado para prover uma definição operacional satisfatória para Inteligência. O teste consistia em um interrogador humano realizar indagações por escrito e, desse modo, não identificar se as respostas são provenientes de um ser humano ou de um computador (RUSSELL; NORVIG, 2003). Para passar no teste o computador precisa:
⋆ processamento de linguagem natural; ⋆ representação do conhecimento; ⋆ raciocínio automatizado;
⋆ aprendizado de máquina.
Ainda assim, o chamado Teste de Turing Total, inclui mais duas necessidades: ⋆ visão computacional para perceber os objetos;
⋆ robótica para manipular os objetos.
• Sistemas que pensam racionalmente
Dentro do aspecto de sistemas que pensam racionalmente, pode-se definir IA se- gundo Charniak e McDermott (1985) como o estudo das faculdades mentais por meio da utilização de modelos computacionais e de acordo com Winston (1992) como o estudo das computações que tornam possível perceber, raciocinar e agir. Segundo Russell e Norvig (2003) o filósofo grego Aristóteles procurou codificar o que
seria um pensamento correto valendo-se do silogismo como estrutura de argumen- tação que produziriam conclusões corretas quando determinadas premissas fossem firmadas, ou seja, um processo de raciocínios irrefutáveis. Para compreensão um exemplo seria: “Sócrates é homem; os homens são mortais; logo, Sócrates é mortal.” Dessa forma, o foco dessa vertente está direcionado a formalização do conhecimento e do raciocínio.
Existem programas capazes de resolver qualquer problema desde que seja possível solucioná-lo com notações lógicas, mas na prática identificou-se uma série de di- ficuldades para tornar o conhecimento informal em termos formais assim como o esgotamento de recursos computacionais com problemas nem tão complexos com apenas centenas de fatos.
• Sistemas que agem racionalmente
Dentro do aspecto de sistemas que agem racionalmente, pode-se considerar IA, se- gundo Nilsson (1998), preocupando-se com comportamento inteligente em fatos. Poole, Mackworth e Goebel (1998) definem como inteligência computacional o es- tudo da concepção de agentes inteligentes.
Pode-se considerar que um comportamento racional está ligado a agir corretamente no momento adequado. Logo, um agente racional, é aquele que age para alcançar os melhores resultados de acordo com as informações disponíveis (RUSSELL; NOR- VIG, 2003).
Diferentemente de sistemas que pensam racionalmente onde a base está pautada em uma série de inferências corretas, algumas situações não demandam uma inferência, mas uma ação, como por exemplo retirar a mão ao tocar um objeto quente. A ação é uma resposta do reflexo e não de uma inferência. As inferências são um dos mecanismos para se chegar a racionalidade. Essa é uma abordagem mais favorável ao desenvolvimento científico porque permite que o padrão de racionalidade seja matematicamente bem definido.
A capacidade de ação inteligente é com frequência associada ao conhecimento pré- existente. Visto isso, a incorporação de conhecimento é requisito essencial para a cons- trução de Sistemas Inteligentes (REZENDE, 2003).
dos trazendo benefícios qualitativos e quantitativos para desempenhar tarefas ou resolver problemas, bem como a capacidade de realizar inferências e associações para trabalhar com problemas complexos. Como os SIs são capazes de manipular símbolos representativos de entidades reais, pode-se afirmar que eles são eficazes para trabalhar com conhecimentos. Desse modo, é preciso distinguir o que é dado, informação e conhecimento (REZENDE, 2003).
Segundo Rezende (2003) dado é um elemento puro e quantificável e não oferece base suficiente para entendimento de situações, sendo normalmente, selecionado e recuperado de uma base de dados ou documentos. A informação é um dado analisado e contextua- lizado por meio de comparações a um contexto de referência, enquanto o conhecimento é a habilidade de criar um modelo mental que descreve um objeto indicando as ações de implementação e tomada de decisão.
O conhecimento pode ser dividido em tipos (REZENDE, 2003):
• Declarativo: pode-se entender como “o que”. É o conhecimento genérico sobre fatos e eventos;
• Procedural: pode-se entender como “como funciona”. É o conhecimento relativo onde é difícil expressar ou explicar;
• Senso comum: pode-se entender como “julgar o certo e o errado”. É o conhecimento processual, com métodos e de afirmações;
• Heurístico: pode-se entender como único, que não pode ser conquistado de nenhuma fonte e com envolvimento de análises sistemáticas ou utilização de regras heurísticas. O comportamento inteligente de um sistema computacional só é possível com um conjunto de habilidades que podem ser de armazenagem e recuperação eficientes de um volume de dados representativo, resolução de problemas ou tomada de decisões ou ainda, conectar de forma associativa pensamentos e ideias de modo não-linear. Além disso, é resultado do encadeamento de múltiplas decisões, que podem ser definidas por critérios de desempenho, duração e risco (REZENDE, 2003).
Conceituados a respeito de Inteligência Artificial e de Sistemas Inteligentes, na pró- xima seção serão apresentadas algumas técnicas para a aplicação desses conceitos.
3.1 TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL
Os Sistemas Inteligentes podem ser construídos utilizando-se de uma ou mais técnicas para serem aplicadas e auxiliarem o processo decisório. Esta seção tem o propósito de apresentar as principais técnicas de inteligência artificial para demonstrar a amplitude desse área do conhecimento, pois oferecem diferenças nos graus de habilidade para a representação do conhecimento humano. Segundo Rezende (2003), são elas:• Aprendizado de Máquina
É uma área de Inteligência Artificial que tem por objetivo o desenvolvimento de técnicas que permitem aos sistemas a capacidade de aquisição do conhecimento de forma automática, sendo que o sistema acumula as experiências e a partir delas toma decisões para novos problemas, adquirindo um aprendizado que pode ser su- pervisionado ou não-supervisionado (MONARD; BARANAUSKAS, 2003).
• Redes Neurais
Foram concebidas a partir de modelos matemáticos que permitem que o algoritmo adquira um aprendizado e este aprendizado está diretamente relacionado com a forma com que ele interage com o meio, bem como a capacidade de adaptação de seus parâmetros para essa interação. Outra capacidade desses algoritmos é a genera- lização que permite dar respostas coerentes para dados que não foram apresentados durante a fase de treinamento (BRAGA; CARVALHO; LUDERMIR, 2003).
• Lógica Fuzzy
Fuzzy é um termo em inglês que não possui uma tradução precisa para o português. Os termos mais utilizados para representar fuzzy são difusa e nebulosa. A lógica fuzzy é uma extensão da lógica booleana e trata incertezas com base em mode- los matemáticos, englobando conceitos estatísticos de inferência. Esta diretamente relacionado a teoria dos conjuntos. Diferentemente da lógica proposicional que é binária, o modelo fuzzy admite valores entre 0 e 1 (ALMEIDA; EVSUKOFF, 2003). • Computação evolutiva
Inspirada na Teoria de Evolução Natural e Genética, no inicio dos anos 50, a área de Computação Evolutiva de Inteligência Artificial procura resolver problemas uti-
lizando sistemas com modelos baseados na evolução natural, e se divide em algumas subáreas (BRAGA; CARVALHO; LUDERMIR, 2003):
⋆ Algoritmos Genéticos: usa como base a teoria de seleção natural e hereditarie- dade, assumindo assim, que indivíduos mais fortes tem maiores chances de so- brevivência, enquanto os mais fracos tendem a desaparecer, promovendo assim programas evolutivos. Muito utilizado como ferramenta de busca e otimização de diferentes tipos de problemas.
⋆ Estratégias de Evolução: usa como base mutações e cruzamentos e procu- ram resolver prolemas acumulando conhecimento e utilizando essas informações para gerar soluções aceitáveis. Utiliza de um operador de seleção determinístico para realizar a seleção.
⋆ Programação Genética: com base em uma descrição de alto nível de um pro- blema, procura fornecer um método de criação automática de programas que são representados por árvores ao invés de linhas de código. Executa-se um programa para avaliar cada indivíduo da população.
• Agentes e Multiagentes
São entidades capazes de interagir com o ambiente, com capacidade de comunicação entre eles, utilizando-se dos recursos que dispõe para atingir objetivos individuais ou funções de satisfação, podendo ou não se reproduzir. Os sistemas multiagentes são as ações e atividades de um conjunto de agentes autônomos em busca de um objetivo global (GARCIA; SICHMAN, 2003).
• Mineração de Dados e Textos
A evolução computacional aumentou significativamente o volume e armazenamento de dados. Porém, a transformação desses dados em informações relevantes torna-se mais complexa a cada dia devido ao volume comparado a capacidade computacional existente. Surgiu daí a necessidade de algoritmos mais eficientes para extração do conhecimento, por meio de busca de padrões potencialmente úteis e compreensíveis (REZENDE et al., 2003).
Outra técnica muito utilizada é a de sistemas especialistas que será abordada em destaque na próxima seção.