A inteligência artificial em sistemas especialistas como estratégia de construção de cenários

A utilização de tecnologias educacionais amplia de forma significativa as possibilidades de desenvolvimento dos estudantes, trazendo processos de aprendizagem mais conectados e profundos. Todavia, não se pode dispensar a realização de um bom planejamento dos diferentes contextos educacionais, podendo, para tanto, pautar-se nos pilares da proposta de Delors (1998) para uma Educação no século XXI, que possibilitem ao estudante: “aprender a ser”, “aprender a aprender”, “aprender a fazer” e “aprender a conviver”.

A referência à origem das novas tecnologias revela a questão de uma “revolução científico-tecnológica” (Antunes, 1999; Barreto, 2003). Neste contexto, de que forma é possível incorporar as novas tecnologias nos processos de ensino e aprendizagem da Educação Gerencial?

As novas tecnologias não são capazes de trazer contribuições expressivas para a educação se forem utilizadas como o ingrediente principal no processo formativo, sem a ação e a reflexão humana. De fato, elas não podem resolver os problemas de natureza social, política, ideológica, econômica e cultural. Uma das ferramentas mais utilizadas pelas ciências cognitivas para transferir as características do sistema cognitivo humano para a linguagem computacional é a simulação. Com ela, os estudantes podem fazer análises mais acuradas sobre as influências das suas próprias ações e dos seus concorrentes em determinado mercado. Para isso, deve-se construir um modelo no qual são imputadas as variáveis de ações desejadas de tal modo que a representação da realidade possa ser feita por repetições e de maneira simplificada. Sendo

assim, cenários organizacionais (dinâmicos) podem ser criados dentro de ambientes tecnológicos (Ackoff, 1981).

Nem todos os contextos de aprendizagem necessariamente favorecem a autonomia em termos funcionais ou operacionais; nem todas as pessoas envolvidas terão interesse de escolher entre ser ou não ser autônomas diante de determinadas condições institucionais, contextuais ou específicas de aprendizado concreto; e, por fim, uma estratégia que potencialmente favorece a autonomia na aprendizagem não tem o mesmo efeito sobre todos os estudantes, contextos ou situações de aprendizado (Rué, 2009, p. 168).

A existência de lógicas mentais diferenciadas dentro das organizações foi defendida por Genelot (2001) ao relatar que as organizações são compostas por metassistemas. No primeiro nível existem as decisões em tempo real; no segundo nível existem as ações de curto prazo (até um ano); no terceiro nível estão as questões de médio e longo prazos até alcançar o quarto nível que estabelece uma estrutura mental voltada para o longo prazo, relacionada às mutações evolutivas e quebras de paradigmas (Pereira, 2008; Dweck, 2017).

A necessidade de gestores estratégicos possuírem habilidades de pensar, conforme a lógica de diversos metassistemas, torna-se relevante para que as estratégias de ensino e aprendizagem sejam efetivas. Entretanto, o que se sabe é que as Escolas de Administração não educam para “aprender com os erros” e, infelizmente, a maioria das empresas reforça a mesma linguagem. Ambas recompensam as pessoas competentes (as que não erram). As equipes de trabalho em sua maioria são repletas de pessoas qualificadas em impedir uma aprendizagem humana sobre erros com reflexões mais profundas (Senge et al., 2004; Pereira, 2008).

A autonomia é uma competência que pode ser desenvolvida e os níveis mais altos de seu desenvolvimento correspondem a enfoques mais profundos da aprendizagem. Aos professores cabe intervir sobre as condições contextuais de aprendizagem, apoiando atitudes relacionadas às capacidades exigidas dos estudantes que favoreçam a aprendizagem (Rué, 2009, p. 168).

A aplicação de técnicas de inteligência artificial no desenvolvimento de jogos vem sendo difundida nos últimos tempos e permite o aumento da complexidade do ambiente e dos recursos de aprendizagem. A aplicação de técnicas e/ou algoritmos em jogos pode ser dividida em três blocos estratégicos: movimento, tomada de decisão e estratégia (Millington & Funge, 2009).

A inteligência artificial está associada ao desenvolvimento de sistemas especialistas que são baseados em conhecimento e construídos com regras para solucionar determinados problemas em domínios específicos (Nilson, 1982). O primeiro sistema especialista aplicado e

bem-sucedido, denominado R1, iniciou sua operação na Digital Equipment Corporation (DEC) ajudando a configurar pedidos de novos sistemas de computadores em 1986. Em 1988, o grupo de IA da DEC tinha mais de 100 sistemas especialistas produzidos, juntamente com a DuPont. Em termos metodológicos, a inteligência artificial adota o método científico, sendo que para serem aceitas, as hipóteses devem ser submetidas a rigorosos experimentos empíricos (Russell & Norvig, 2010, 2013).

Os sistemas especialistas são constituídos por três elementos fundamentais: base de conhecimento, motor de inferência e interface com o usuário. Por serem dotados de inteligência, em diferentes níveis, os benefícios advindos da utilização dessa técnica são: capacidade de estender as facilidades de tomada de decisão para muitas pessoas; de melhorar a produtividade e o desempenho dos seus usuários; de reduzir o grau de dependência que as organizações mantêm quando se encontram em situações críticas, inevitáveis, como por exemplo a falta de um especialista; e, por fim, de ser uma ferramenta adequada para treinamentos de grupos de trabalho com coleta de informações sobre o desempenho dos treinandos (Nilson, 1982).

A partir de 1995 houve o surgimento dos chamados agentes inteligentes. Um agente é aquele que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre ele por intermédio de atuadores. Em termos matemáticos, o comportamento do agente é descrito pela função de agente que mapeia qualquer sequência específica de percepções para uma ação. Na abordagem das leis do pensamento para inteligência artificial foi dada ênfase a inferências corretas que é uma parte daquilo que caracteriza um agente racional. Uma das formas de agir é raciocinar de modo lógico, racionalmente, até a conclusão de que uma dada ação alcançará as metas pretendidas. No entanto, na inferência correta existe uma racionalidade limitada (Russell & Norvig, 2010, 2013).

De acordo com Sipper (2002) os organismos naturais são sistemas complexos adaptativos. Entende-se que um sistema especialista pode pensar como um humano, bastando utilizar modelos computacionais da inteligência artificial e técnicas experimentais da psicologia para construir teorias verificáveis sobre os processos de funcionamento da mente humana. (Russell & Norvig, 2010, 2013; Lefrançois, 2018). Seguindo a Taxonomia de Vargas (2005) os sistemas complexos podem ser classificados como: (i) organizado, pela atuação de comandos externos exercidos por alguém capaz de operar com os aspectos locais e globais do referido sistema, podendo ser sistemas complexos naturais (Vargas et al., 2009) ou artificiais (Vargas et al., 2002; Vargas et al., 2002); ou (ii) auto-organizado, pela atuação dos seus próprios processos internos e sem intervenção externa (Raymundo et al., 2015). Além disso, os sistemas complexos

organizados decompõem-se em sistemas computacionais não bio-inspirados e bio-inspirados (Pollack, 2014; Enz et al., 2011; Keysermann & Vargas, 2015).

As apropriações tecnológicas sociais trazem um campo de reflexão sobre as zonas de colaboração voltadas para a educação. A possibilidade de replicar um modelo em um sistema especialista que valorize a autonomia dos estudantes colabora para o compartilhamento de ações e, principalmente, para a interação social (Dimantas, 2013).

Neste contexto, como e por que considerar as zonas de colaboração um novo modo de produção do conhecimento?