Inteligência Artificial prevê. Programação Linear decide.(Parte 1)
Atualizado: 14 de ago.
Nos últimos anos, a Inteligência Artificial passou a fazer parte do cotidiano das empresas. Modelos de Machine Learning estimam vendas, previsão de demanda, preço de imóveis, risco de crédito, inadimplência, consumo de energia e inúmeras outras variáveis.
Mas existe uma pergunta que a IA, sozinha, não responde.
Qual é a melhor decisão a tomar?
São problemas completamente diferentes.
Imagine que um modelo de Machine Learning preveja que a demanda para o próximo mês será de 12.500 unidades.
Muito bem.
Agora surgem perguntas que pertencem a outra área da Matemática.
Quanto devo produzir?
Em quais fábricas?
Quais máquinas utilizar?
Quanto comprar de matéria-prima?
Como distribuir essa produção?
Como minimizar o custo logístico?
Como maximizar o lucro respeitando todas as restrições da empresa?
Machine Learning não foi concebido para responder a essas perguntas. Sua função é estimar o que provavelmente acontecerá. Essas previsões tornam-se uma das entradas para um modelo de otimização, responsável por determinar a melhor decisão.
Quem transforma essa informação em uma decisão ótima é a Programação Linear.
Dois tipos de modelos
Embora ambos sejam modelos matemáticos, Programação Linear e Machine Learning têm naturezas completamente diferentes.
Característica | Programação Linear | Machine Learning |
Objetivo | Encontrar a melhor decisão | Fazer a melhor previsão possível |
Natureza | Determinística | Estatística e probabilística |
Resultado | Solução ótima | Estimativa com incerteza |
Pergunta respondida | O que devo fazer? | O que provavelmente acontecerá? |
Note que a Programação Linear clássica é determinística porque assume que todos os coeficientes são conhecidos com certeza. Na prática, quando os dados de entrada vêm de um modelo preditivo, a otimização frequentemente precisa incorporar essa incerteza (via Programação Estocástica ou Análise de Robustez). O ponto central, porém, permanece: a natureza do problema é decidir, não prever.
Uma empresa pode possuir um excelente modelo de previsão e, ainda assim, tomar decisões ruins. Da mesma forma, um excelente modelo de otimização produzirá decisões equivocadas se partir de previsões incorretas. Os dois modelos são complementares.
Um exemplo simples
Imagine uma indústria que fabrica três produtos.
Ela possui limitações de:
matéria-prima;
horas de máquina;
mão de obra;
capacidade de armazenamento.
Cada produto gera um lucro diferente.
A pergunta não é:
· Quanto vou vender?
Essa pergunta pertence ao Machine Learning.
A pergunta é:
· Qual combinação de produtos maximiza o lucro sem violar nenhuma restrição?
Observe que todas essas decisões dependem da previsão de demanda, mas nenhuma delas é obtida diretamente pelo modelo de Machine Learning. Elas resultam da resolução de um problema de otimização.
Como saber se um modelo está correto?
Construir um modelo matemático é apenas parte do trabalho. Antes que ele seja utilizado para apoiar decisões importantes, é preciso verificar se ele representa corretamente o problema que pretende resolver.
Essa verificação é uma auditoria matemática do modelo. O objetivo não é desenvolver um novo algoritmo, mas responder a uma pergunta muito prática:
· Podemos confiar nas decisões produzidas por este modelo?
Os critérios dessa auditoria dependem do tipo de modelo utilizado.
Em Programação Linear
O auditor procura responder perguntas como:
· A função objetivo representa corretamente o objetivo do negócio?
· Todas as restrições relevantes foram incluídas?
· Existem restrições redundantes ou conflitantes?
· O problema possui solução viável?
· Existem múltiplas soluções ótimas?
· A solução é muito sensível a pequenas mudanças nos dados?
· A análise de sensibilidade foi realizada?
· Os preços-sombra (shadow prices) fazem sentido econômico?
· O que acontece com a solução ótima se a previsão do ML variar dentro do seu intervalo de confiança?
Essas verificações pertencem ao campo da Pesquisa Operacional e avaliam a consistência matemática do modelo de otimização.
Em Machine Learning
Já nos modelos preditivos, as perguntas são diferentes, por exemplo:
O modelo sofre de overfitting?
· Existe vazamento de dados?
· Há heterocedasticidade?
· O modelo generaliza bem para novos dados?
· Os resíduos apresentam comportamento aceitável?
Nesse caso, a auditoria concentra-se na qualidade estatística e na confiabilidade das previsões produzidas pelo modelo.
Observe que, no caso da Programação Linear, praticamente nenhuma dessas perguntas é estatística. Elas pertencem ao domínio da Pesquisa Operacional.
Desenvolver e auditar são serviços diferentes
Existe uma distinção importante entre construir um modelo e avaliá-lo.
No desenvolvimento de um modelo de Programação Linear, o objetivo é formular matematicamente o problema da empresa e encontrar a solução ótima.
Na auditoria, o objetivo é verificar se esse modelo representa corretamente a realidade do negócio e se as conclusões obtidas podem ser consideradas confiáveis para apoiar decisões.
São atividades complementares.
Uma empresa pode contratar alguém para desenvolver um modelo e, posteriormente, solicitar uma auditoria independente antes de utilizá-lo em decisões estratégicas.
IA e Programação Linear: uma parceria natural
Na prática, muitas empresas utilizam as duas técnicas em sequência.
O fluxo costuma ser:
Primeiro, o modelo preditivo estima o que provavelmente acontecerá.
Depois, o modelo de otimização determina qual é a melhor decisão diante desse cenário.
· Uma técnica prevê.
· A outra decide.
Nos próximos anos, veremos cada vez mais empresas combinando modelos preditivos com modelos de otimização. A vantagem competitiva não estará apenas em prever melhor, mas em transformar previsões em decisões matematicamente fundamentadas.
É nesse contexto que atuo em duas frentes complementares:
Desenvolvimento de modelos de Programação Linear e Pesquisa Operacional, para resolver problemas de otimização em produção, logística, alocação de recursos, planejamento e precificação.
Auditoria Matemática de Modelos Preditivos (FAMP), verificando se modelos de Machine Learning são tecnicamente confiáveis antes de sustentarem decisões importantes.
Em um ambiente onde decisões movimentam milhões de reais, não basta perguntar "o que provavelmente acontecerá?". É igualmente importante perguntar "qual é a melhor decisão diante desse cenário?".
Essa segunda pergunta pertence ao domínio da Otimização Matemática.
Quer se aprofundar?
Se você deseja compreender a matemática por trás das decisões ótimas — e não apenas utilizar ferramentas prontas — o Volume II – Otimização, da coleção Matemática para o Século XXI, apresenta de forma rigorosa e acessível os fundamentos da Programação Linear, do Método Simplex, da dualidade, da análise de sensibilidade e de diversas técnicas de Pesquisa Operacional aplicadas a problemas reais de engenharia, logística, finanças e gestão. Mais informações estão disponíveis aqui.
Comentários