Katılımcıların Đş Doyumu Düzeylerine Đlişkin Bulgular

Na área da Ciência da Computação, as pesquisas iniciais relacionando informação e conhecimento ocorreram na área de Inteligência Artificial e Sistemas Especialistas. Apesar das ferramentas de Gestão do Conhecimento não precisarem necessariamente de usar os conceitos da Inteligência Artificial, faz-se necessária uma análise da contribuição da Inteligência Artificial como a disciplina responsável pelas primeiras interseções entre os temas do Conhecimento e da Tecnologia da Informação.

Na década de 80, o tema Inteligência Artificial se tornou moda , mas no entanto várias pesquisas fracassaram por apresentarem objetivos por demais arrojados e além da realidade científica. Na época, as discussões giravam em torno da busca de uma definição de até que ponto o computador poderia substituir o homem. A partir dos anos 90, as pesquisas na área foram retomadas com um nível maior de pragmatismo. Esse arrojo adolescente da área de Inteligência Artificial foi em parte provocado pelo fascínio causado pela emergente Tecnologia da Informação. Na época, RICH (1988, p.1) definia Inteligência Artificial como o estudo de como fazer os computadores realizarem tarefas em que, no momento, as pessoas são melhores. O tempo se encarregou de mostrar que essa definição era por demais ambiciosa.

Já LEMOS (1989, p.1) define Inteligência Artificial de uma forma mais simples e menos ambiciosa:

“São programas que fazem os computadores parecerem inteligentes. Um computador inteligente é aquele que responde à pergunta mesmo que a resposta não tenha sido armazenada. Com os fatos que foram armazenados e com um “conhecimento” que foi também armazenado, o computador deduz uma resposta que não estava armazenada em sua memória.”

Para VICCARI (1990, p.4), o conceito de inteligência encontra-se associado aos conceitos de habilidade, aptidão, adaptação, aprendizagem e raciocínio. Segundo a

autora, a Inteligência Artificial é a ciência de fazer com que máquinas façam coisas que requerem inteligência, se feitas pelos homens.

É importante destacar as diferenças entre a Inteligência Artificial e o desenvolvimento usual de sistemas de informações. LEMOS (1989, p.3) argumenta que a Inteligência Artificial se diferencia do tradicional processamento de dados, pois os programas computacionais com os quais a Inteligência Artificial está relacionada são primariamente processos simbólicos, que envolvem complexidade, incerteza e ambiguidade. Segundo o autor, esses processos simbólicos (e não numéricos) são usualmente aqueles para os quais não existem soluções algorítmicas, sendo necessário pesquisar a solução através de heurísticas, que são pesquisas por tentativa e erro.

VICCARI (1990, p.70) também concorda com essa diferenciação e afirma que a Inteligência Artificial trabalha com conhecimento, enquanto que a informática tradicional trabalha com dados e informações. Isso faz com que um dos maiores desafios da Inteligência Artificial seja justamente a representação do conhecimento. A autora acredita que as tarefas de Inteligência Artificial consistem no desenvolvimento, manipulação e uso de formalismos interpretáveis por computadores para representar o conhecimento.

Segundo RICH (1988, p.6), um dos poucos resultados concretos obtidos nos primeiros 20 anos de pesquisa de Inteligência Artificial é o fato de que inteligência requer conhecimento. A autora observa que o conhecimento é volumoso, difícil de caracterizar com precisão e está em constante mutação. RICH (1988, p.6) observa que a Inteligência Artificial é um método de explorar o conhecimento que deve ser representado de modo tal que possa:

- Capturar generalizações,

- Ser compreendido por pessoas que necessitam alimentá-lo - Ser facilmente modificado para refletir mudanças,

A temática do conhecimento constitui um tópico essencial para as pesquisas em Inteligência Artificial. Para VICCARI (1990, p.7), o conhecimento possui uma forte carga semântica e pode aparecer sob a forma de objetos, asserções, definições, conceitos, relações, teoremas, regras, algoritmos, estratégias, táticas e metaconhecimento. Com base nessa percepção, VICCARI (1990, p.8) define base de conhecimento como um corpo de fatos e um conjunto de regras e heurísticas capazes de permitir a derivação de outros fatos.

Segundo VICCARI (1990, p.23), os sistemas baseados em conhecimento constituem um ramo da pesquisa em Inteligência Artificial, sendo definidos como sistemas que incorporarm conhecimentos, experiências e processos de tomada de decisão de pessoas especialistas. A autora faz questão de diferenciar os sistemas baseados em conhecimento (“knowledge-based systems”) dos sistemas especialistas (“expert systems”). Para VICCARI (1990, p.24), um sistema especialista é desenvolvido com auxílio de um engenheiro do conhecimento que entrevista exaustivamente um especialista humano em um campo particular do conhecimento, codificando-o e transportando-o para o computador. Já o sistema baseado em conhecimento é percebido pela autora de uma maneira mais abrangente, pois incorpora conhecimento obtido de outras fontes que não sejam só especialistas humanos.

Segundo GALLIERS e BAETS (1998, p.255), os “expert systems” ou sistemas de base de conhecimento são usados para capturar uma parcela do conhecimento de trabalhadores com destaque de produtividade. Esse conhecimento seria formatado de forma a poder ser compartilhado entre os outros funcionários da empresa.

Um sistema especialista é composto por uma base de conhecimento contendo um domínio de conhecimento restrito, por um mecanismo de inferência para manipular a base de conhecimento e por uma interface que possibilita tanto a entrada de novos dados quanto o diálogo com o operador. Um sistema especialista é construído pela observação de um especialista realizando uma tarefa e pelo mapeamento do conhecimento embutido nessa tarefa em formalismos como regras de derivação do tipo “se A e B são verdadeiros, conclui-se C”.

DAVENPORT e PRUSAK (1998, p.165) advertem que as regras do sistema especialista devem ser cuidadosamente especificadas em uma estrutura firme e sem redundâncias. Os autores recomendam o uso de sistemas especialistas apenas em áreas do conhecimento que sejam estáveis e estruturadas, devido à dificuldade de se alterar as regras desse tipo de sistema. Um dos grandes desafios para os sistemas especialistas consiste na representação de uma parcela do conhecimento tácito do especialista.

De acordo com GALLIERS e BAETS (1998, p.256), os sistemas especialistas são difíceis de serem colocados em prática pelos seguintes motivos:

- Problemas do mundo real tendem a integrar conhecimento de múltiplos domínios; - Existe uma grande dificuldade em representar explicitamente o conhecimento de

forma a que se possa alimentar a base de conhecimento;

- O conhecimento pode não convergir, fazendo com que a base de conhecimento cresça de maneira descontrolada.

Além dos sistemas especialistas, DAVENPORT e PRUSAK (1998, p.152) englobam também as redes neurais e os sistemas baseados em casos (CBR – Case- Based Reasoning) como sistemas de Gestão do Conhecimento que fazem uso de técnicas de Inteligência Artificial.

De acordo com DAVENPORT e PRUSAK (1998, p.154), os sistemas CBR envolvem a extração do conhecimento de uma série de narrativas ou casos sobre a área do problema, tentando combinar o poder da narrativa com a codificação do conhecimento. Segundo os autores, os sistemas CBR vem obtendo sucesso comercial na resolução de problemas de atendimento a clientes. Nesse tipo de sistema, quando o usuário se depara com um novo problema, as características do problema podem ser comparadas com a base de casos, selecionando assim a correlação mais próxima. Isso é particularmente útil em empresas onde acontece uma repetição frequente de problemas bastante parecidos. DAVENPORT e PRUSAK (1998, p.168) sugerem a designação de um profissional com a função de administrador de casos que possa decidir quando um

novo caso merece ser inserido, quando um caso antigo tornou-se obsoleto e se um caso recém-submetido está realmente correto.

Já as redes neurais são sistemas mais sofisticados e exigem mais tempo para a sua implantação. DAVENPORT e PRUSAK (1998, p.169) definem as redes neurais como sendo ferramentas orientadas para a estatística que primam pelo uso de dados para classificar casos em categorias. Os autores advertem que as redes neurais exigem um grande volume de dados quantitativos e um computador de alta capacidade. Além disso, a estruturação da análise e a interpretação de resultados podem ser tarefas complicadas, exigindo usuários qualificados para estruturar o modelo inicial.

Para a Computer Associates - CA (1999, p.1), a rede neural é uma tecnologia avançada da computação que tenta simular, pelo menos em um nível rudimentar, a estrutura básica e a funcionalidade do cerébro humano. A computação tradicional requer uma abordagem algorítmica onde cada passo da solução precisa ser programado no computador. Já a rede neural não é programada, mas sim treinada para solucionar um problema. De acordo com a CA (1999, p.1), a rede neural se auto-programa a partir do seu treinamento que envolve o fornecimento de dados contendo exemplos do problema e de soluções adotadas.

A capacidade de aprender é que faz a rede neural mais inteligente do que um sistema baseado em casos. Na essência, a rede neural absorve exemplos de relação causa-efeito e aprende os relacionamentos e princípios envolvidos na solução. Na computação tradicional, uma mudança no ambiente exige uma nova escrita de software, demandando a reprogramação do sistema para novas situações. No caso da rede neural, isto não é necessário pois a própria rede se adapta automaticamente. A rede neural é um sistema extremamente flexível porque cada nova entrada de dados faz que com a rede se reprograme e aprenda mais sobre o ambiente.

Os sistemas para construção de bases inteligentes de conhecimento são sistemas sofisticados que abrangem todos os processos da Gestão do Conhecimento e permitem o compartilhamento das duas dimensões de conhecimento.

O resumo da classificação da categoria de acordo com os parâmetros da tipologia é o seguinte:

- Funcionalidade Essencial: Sistemas para Construção de Bases Inteligentes de Conhecimento

- Processo de Conhecimento: Geração, codificação e transferência de conhecimento - Tipo de Conhecimento: Explícito e tácito

- Área de Origem dos Conceitos: Inteligência Artificial

3.3.5.1. Neugents (Computer Associates)

Desenvolvido pela Computer Associates (CA), o Neugents, nome derivado de neural agents (agentes neurais), é um sistema que faz uso de redes neurais. Entender situações e estudar ambientes são as especialidades do Neugents. Inicialmente, deve-se fornecer para a ferramenta dados a respeito do ambiente que se deseja monitorar. Depois que o Neugents se torna familiarizado com o comportamento do ambiente, vários estados de operação são identificados. Estes estados serão as chaves para o gerenciamento baseado em prognósticos (predictive management), permitindo a identificação de condições que provavelmente anteciparão transições entre estados. Através do estudo probabilístico do comportamento passado do sistema, o Neugents pode apontar falhas potenciais e gargalos do sistema, antes mesmos que esses aconteçam, permitindo assim que o administrador do sistema realize ações preventivas. Segundo a CA (2000, p.6), o Neugents é uma ferramenta útil no gerenciamento de sistemas complexos.

De acordo com a CA (2000, p.1), o grande diferencial do Neugents está na sua capacidade de aprender a partir dos dados informados e de aplicar o conhecimento obtido na detecção de mudanças no ambiente e na previsão de resultados. Entre as aplicações práticas do Neugents citadas pela CA (1999, p.4), pode-se destacar o gerenciamento de redes de computadores, o estudo do comportamento de clientes de comércio eletrônico, prognósticos no setor financeiro e o desenvolvimento de produtos na indústria química.

O projeto de produtos desenvolvidos quimicamente como plásticos, tintas e borrachas requer o conhecimento de fórmulas, ingredientes e propriedades desejadas do produto final. O projetista químico precisa entender a interação entre os ingredientes e os parâmetros do processo e descobrir, muitas vezes em uma abordagem de tentativa e erro, o balanceamento adequado da fórmula. Alimentando a rede neural do Neugents com dados dos testes de formulação, um modelo é construído para determinar como as variáveis que compõem a fórmula afetam as propriedades do produto final. Esse modelo construído pela rede neural pode ser usado para responder perguntas sobre como mudanças na fórmula impactam as propriedades e o custo do produto. O modelo é útil também na determinação da combinação ótima de ingredientes e parâmetros de processamento. De acordo com a CA (1999, p.5), Du Pont, Procter & Gamble, Unilever, Gillette, Dow Chemical, Monsanto, Goodyear, BASF e Nike fazem uso do Neugents com essa finalidade. Infelizmente, não foram encontrados exemplos de empresas brasileiras que fazem uso do Neugents. A complexidade de uso da ferramenta e o seu alto custo podem ser citados como fatores limitadores para a sua utilização.

A CA (1999, p.6) afirma que o Neugents tem sido utilizado no setor financeiro para efetuar análise de risco, otimização de investimentos, previsões financeiras e detecção de fraudes especialmente de cartões de créditos. A CA (1999, p.6) acredita que o mercado financeiro apresenta características de um sistema caótico, pois seus movimentos são de difícil previsão. A rede neural do Neugents permite uma análise de fatores aparentemente não relacionados, ajudando a entender as forças complexas que regem o mercado financeiro. A descoberta de relações ocultas constitui uma das maiores vantagens das redes neurais.

Já na aplicação prática de gerenciamento de redes de computadores, o Neugents prevê com antecedência problemas no desempenho da rede e detecta situações incomuns e estranhas para a rede. A incorporação do ditado “mais vale prevenir do que remediar” permite uma mudança no estilo de gerenciamento de redes de uma postura reativa para uma postura pró-ativa.

No entanto, existem limitações ao uso da ferramenta. A CA (1999, p.7) alerta que as redes neurais do Neugents são precárias para explicar porque chegaram a uma determinada conclusão. O usuário precisa treinar a rede neural com grandes quantidades de dados representativos do ambiente. Feito isso, resta ao usuário confiar nas conclusões da rede neural. Conclui-se que ferramentas que usam redes neurais se aplicam em empresas que estão inseridas em um mercado turbulento e complexo e por isso mesmo estão acostumadas e dispostas a correrem riscos. O Neugents constrói um modelo que auxilia a compreensão desse ambiente caótico e que é capaz de efetuar prognósticos. A rede neural é portanto um sistema dinâmico que aprende e se adapta às mudanças do ambiente.