Decisões complexas e como simplificá-las

Gestores, assim como médicos – que precisam diagnosticar pacientes – e juízes – que precisam deferir sentenças –, lidam diariamente com tomadas de decisões complexas e de alto risco. Geralmente, essas decisões são baseadas muito mais em intuição e experiência do que em dados estatísticos. Porque há a tendência de acreditar que sistemas de Machine Learning (aprendizagem de máquinas com base em Inteligência Artificial) são difíceis de projetar, aplicar e entender. No entanto, estudos mostram que o caminho mais confiável e rápido para a tomada de decisões complexas pode ser a adoção de métodos estatísticos.

A tecnologia propicia máquinas cada dia mais completas e muitas são consideradas mais avançadas que seres humanos na habilidade de tarefas complexas, extensas e frequentes. Mas, para tomar decisões de alto risco, nem sempre é possível ter à disposição um super sistema baseado em Machine Learning. Reconhecendo dificuldades como essa, um grupo de estudiosos desenvolveu um procedimento simples de três passos com regras que facilitam as decisões – e as tornam mais assertivas.

Essas regras foram criadas para oferecer aos profissionais o desempenho da aprendizagem de máquinas de ponta, enquanto eliminam a complexidade desnecessária. O case usado no desenvolvimento foi um dos exemplos que citamos acima: as decisões de liberação preliminar, em que juízes precisam decidir entre liberar ou deter um réu enquanto ele aguarda o julgamento. Eles precisam considerar a probabilidade de o réu não comparecer às próximas audiências. Em regra, os réus considerados de baixo risco são liberados, enquanto que os de alto risco são detidos. Mas quais são os critérios para definir alto e baixo risco?

Para ajudar os juízes a tomar essas decisões, foi criado um quadro de risco simples, no qual o risco é calculado pela soma das pontuações correspondentes à sua idade e ao número de não comparecimentos às audiências. Um limite de risco é, então, aplicado para converter a pontuação em uma recomendação binária de liberação ou detenção, conforme o quadro:

Apesar de sua simplicidade, essa regra supera significativamente os especialistas em decisões humanas. Foram analisadas mais de 100 mil decisões judiciais de liberação. Seguir essa regra permitiria que os juízes detivessem apenas metade do número de réus, sem aumentar o número de não comparecimentos às audiências.

O número de detenções é maior porque os juízes aplicam padrões idiossincráticos às decisões, sendo que alguns liberam 90% dos réus, enquanto outros liberam apenas 50%. Como resultado, muitos réus considerados ??de alto risco são liberados, ao passo que outros ??de baixo risco são detidos. Seguindo o procedimento proposto, os réus seriam tratados de forma igual e apenas os considerados ??de maior risco seriam detidos.

As regras permitem que as decisões sejam tomadas com agilidade, até mesmo sem o uso de um computador, já que exigem poucas informações. Além disso, a clareza das regras gera confiança, possibilitando expor como as decisões são tomadas e indicando onde elas podem ser melhoradas. Assim, podem até tornar-se um requisito legal quando da exigência de equidade e transparência. Na medicina, por exemplo, elas podem reduzir os testes necessários, economizando tempo, dinheiro e, no caso de situações de triagem, até mesmo vidas. Dessa forma, as regras têm muitos benefícios, não somente no contexto judicial ou médico, mas também no contexto corporativo. Elas são facilmente memorizadas, podendo ser adotadas e usadas de forma consistente.

Favorecer a simplicidade não significa prejudicar o desempenho

É possível perceber que esse procedimento de regras simples para a tomada de decisões complexas tem suas vantagens, mas normalmente imagina-se que favorecer a simplicidade significa prejudicar o desempenho. Em muitos casos, a resposta, surpreendentemente, é não.

O grupo de estudiosos comparou as regras simples criadas por eles com algoritmos complexos de aprendizagem de máquinas. No caso de decisões judiciais, o gráfico de risco como o apresentado acima é quase idêntico às melhores técnicas de avaliação estatística de risco. Replicando a análise em 22 domínios variados, eles descobriram que o fenômeno é válido: regras de decisão simples e transparentes geralmente são compatíveis com métodos complexos de aprendizagem de máquinas.

Para criar essas regras simples, eles usaram uma estratégia de três passos que chamaram de “select-regress-round”. Veja como funciona:

1. Selecionar os indicadores

Selecione de dois a cinco indicadores líderes para encontrar o resultado em questão – por exemplo, a idade do réu e o número de não comparecimentos às audiências. Os dois fatores usados para decisões pré-julgamento são indicadores bem conhecidos do risco. Sem esse conhecimento, pode-se criar a lista de fatores usando métodos estatísticos padrão (por exemplo, a seleção de características passo a passo).

2. Anotar os dados encontrados

Após analisar um histórico de dados, anote os resultados dos indicadores selecionados (em nosso exemplo, idade e número de não comparecimentos às audiências). Esta etapa pode ser realizada em uma linha de código com software estatístico moderno.

3. Arredondar as pontuações

O terceiro passo é atribuir uma pontuação a cada fator. No quadro acima, por exemplo, à faixa de idade entre 18 e 20 anos foi atribuída a pontuação 8. Essas pontuações são precisas demais para algumas tomadas de decisão e, por isso, a solução é arredondá-las para chegar a escores inteiros.

A estratégia “select-regress-round” produz regras de decisão simples e o método para aplicar as regras é igualmente simples. O procedimento de três passos pode ser seguido até mesmo por um analista com conhecimentos básicos em estatística, usando um software free.

As regras de decisão baseadas em estatísticas funcionam melhor quando os objetivos estão claramente definidos e quando os dados estão disponíveis sobre os resultados anteriores ??e seus principais indicadores. Quando esses critérios são satisfeitos, as decisões tomadas com base em estatísticas geralmente superam a experiência e a intuição dos especialistas. A ideia desse grupo de estudiosos foi criar regras simples e estratégias igualmente descomplicadas para aplicá-las, trazendo o poder da aprendizagem de máquinas para a realidade das pessoas.

Então, o que você achou desse modelo baseado em estatísticas para a tomada de decisões complexas? Acredita que seria uma solução interessante para a sua empresa? Deixe sua opinião aqui nos comentários.