Inteligência Artificial no Planejamento: Quando a IA Generativa não é a resposta

A Inteligência Artificial (IA) tem avançado a um ritmo acelerado ultimamente. Particularmente, a IA generativa e os modelos de linguagem grandes (LLMs) estão no centro do debate público e se consolidaram como ferramentas de grande valor para tarefas como a geração de ideias ou imagens, a correção de textos ou sua reescrita para diferentes públicos. Seus recentes avanços têm sido tão notáveis que é fácil cair na tentação de considerá-los a solução para todos os nossos problemas.

Vemos exemplos criativos e, muitas vezes, divertidos gerados por esses modelos, como a imagem de um gato de cartola apresentando um show ou um felino tocando banjo em cima de um jacaré. São excelentes para o entretenimento e a inspiração. No entanto, quando se trata de resolver problemas práticos e complexos do mundo real, como o planejamento e a otimização, precisamos ser claros: ainda não estão à altura do desafio.

Os desafios cotidianos exigem mais do que criatividade

Pensemos em cenários concretos: uma chefe de enfermeiras que gasta horas na criação de um complexo cronograma de trabalho, lidando com disponibilidades, tipos de contrato e preferências dos funcionários. Ou um encanador com uma agenda cheia que perde tempo valioso na rota porque suas visitas não estão organizadas da maneira mais eficiente. Um planejamento mais inteligente permitiria que ele atendesse a mais clientes e reduzisse significativamente seus tempos de deslocamento.

Com todo o poder que se atribui a ferramentas como os LLMs, alguém poderia supor que criar esse tipo de horários complexos ou rotas otimizadas seria uma tarefa simples. A realidade é bem diferente. Os LLMs não gerenciam bem essas tarefas, em grande parte devido ao enorme tamanho do "espaço do problema": a quantidade total de combinações possíveis dos parâmetros de entrada. Mesmo algo aparentemente simples como atribuir turnos a 10 funcionários durante uma semana tem um espaço de problema de 10⁶³ combinações.

Resolver isso requer uma capacidade de processamento monumental, mesmo com algoritmos especializados; é inviável tentar com um modelo de linguagem de propósito geral.

Embora às vezes os LLMs encontrem uma solução viável, especialmente os modelos mais novos com capacidades de raciocínio, ao se depararem com conjuntos de dados de tamanho médio, eles colidem com o problema do tamanho do espaço e as limitações de sua janela de contexto. E, embora esta última possa ser uma barreira temporária, o desafio do espaço do problema será muito mais difícil de superar sem ajuda externa.

Por sua própria natureza, os LLMs se limitam a prever o próximo "token". E, francamente, "o próximo token" não é o que procuramos ao resolver problemas de planejamento e otimização.

Recorrendo à experiência: A IA especialista em planejamento

Felizmente, para cobrir essas lacunas nas capacidades dos LLMs, podemos recorrer a formas de IA mais consolidadas e projetadas especificamente para esses fins.

O Deep Learning e o Machine Learning são excelentes para o reconhecimento de padrões, mas geralmente exigem enormes volumes de dados de alta qualidade para seu treinamento. Os problemas de planejamento do mundo real costumam ter particularidades únicas e, com frequência, ainda são resolvidos manualmente, o que se traduz em uma ausência de dados de treinamento de qualidade. Sem dados, não há modelo de Machine Learning.

É aqui que entra em cena uma área da IA com uma trajetória mais extensa: a Otimização Matemática. Este conjunto de técnicas, que inclui a programação linear e as metaheurísticas, têm se mostrado um método testado e robusto para resolver problemas de planejamento nos últimos 30 anos.

Esses algoritmos não precisam de um grande conjunto de dados inicial. Seus modelos são programados caso a caso por especialistas no domínio, funcionam com enormes conjuntos de dados e encontram soluções ótimas (ou quase ótimas) para problemas de planejamento e otimização. É surpreendente que essas técnicas, de comprovada eficácia, muitas vezes fiquem ofuscadas pela popularidade da IA generativa, quando se estima que 95% dos problemas de planejamento e otimização ainda não são resolvidos, apesar de a resposta existir há décadas. Seria justo averiguar o porquê de sua baixa implementação.

A essa área da inteligência artificial, focada em gerenciar tarefas complexas de planejamento e programação, satisfazendo todas as suas restrições, podemos denominar IA de Planejamento (Planning AI). Ela ajuda a tomar melhores decisões ao analisar inúmeras possibilidades para encontrar as soluções mais eficientes. Soluções que economizam tempo, reduzem custos e melhoram a produtividade. Por exemplo, gerar o horário de turnos para o pessoal de um hospital ou calcular uma rota otimizada para uma frota de veículos.

Diferenças fundamentais: IA de Planejamento vs. IA Generativa

Existem diferenças cruciais entre ambas as tecnologias:

Caixa Preta vs. Explicável: A IA generativa opera sobre redes neurais complexas cujos mecanismos internos são uma "caixa preta". A IA de Planejamento, em vez disso, utiliza métodos transparentes baseados em algoritmos estabelecidos, fáceis de rastrear. A explicabilidade é crítica em indústrias onde a justificativa das decisões é primordial.

Não Determinista vs. Determinista: A IA generativa é não determinista (produz resultados diferentes com a mesma entrada), útil para a criatividade. A IA de Planejamento é determinista: com as mesmas entradas, sempre obterá o mesmo resultado. Essa consistência é vital para os negócios.

Tecnologia Emergente vs. Testada: A IA generativa é relativamente nova. A IA de Planejamento conta com décadas de aplicação e refinamento em incontáveis cenários reais, oferecendo uma confiabilidade difícil de igualar.

Gerar Conteúdo Novo vs. Otimizar o Existente: A IA generativa cria. A IA de Planejamento otimiza recursos e processos existentes. Se o seu desafio é agilizar operações, a indicada é a IA de Planejamento.

Grandes Datasets vs. Algoritmos Programados: A IA generativa requer dados massivos. A IA de Planejamento utiliza algoritmos de otimização pré-programados por especialistas, baseados em restrições lógicas, o que é mais prático diante da ausência de grandes datasets.

Impacto Ambiental: Treinar modelos generativos consome enormes quantidades de energia. A IA de Planejamento é computacionalmente mais eficiente. Além disso, ao otimizar rotas de veículos, por exemplo, contribui ativamente para reduzir emissões de CO₂.

Conclusão: A sinergia é a chave

Embora os LLMs não gerenciem eficientemente os problemas de planejamento por si só, são um habilitador incrível. Em vez de vê-las como tecnologias opostas, devemos considerá-las complementares. A IA de Planejamento pode ser potencializada pelos LLMs, que podem funcionar como uma interface intuitiva para que os usuários interajam com algoritmos de otimização complexos. Por sua vez, os LLMs podem ajudar os especialistas a construir melhores modelos e a explicar seus resultados.

A fusão de diferentes tecnologias de IA está reconfigurando o modo como abordamos os problemas. Ambas são "IA", mas resolvem desafios de natureza muito distinta. A IA generativa brilha criando conteúdo, enquanto a IA de Planejamento se destaca otimizando processos complexos em escala, fornecendo resultados previsíveis e consistentes.

Se para seus desafios operacionais você precisa de transparência, consistência, confiabilidade comprovada e um menor impacto ambiental, a IA de Planejamento é, sem dúvida, a melhor opção.

E é aqui que, com a experiência que nos caracteriza, entramos nós. Na Softplanner, nos especializamos em desenvolver soluções de IA de Planejamento sob medida para resolver os complexos desafios logísticos e de otimização de sua empresa. Se os cenários descritos lhe soam familiares, convidamos você a conversar. Podemos ser a solução estratégica que você está procurando.