Transformação digital promete revolucionar a forma como se estudam os dados de clientes de seguradoras, mas a mudança de mentalidade para as novas tecnologias começa no ensino
por Fabio Polonio*
A evolução tecnológica é uma característica dos nossos tempos, sendo que a Inteligência Artificial (IA) tornou-se um grande símbolo dessa transformação. É preciso entender que a IA separa-se em duas principais linhas: as tecnologias que procuram imitar o comportamento humano – os robôs – e as que propõem obter conhecimento baseadas na aplicação de algoritmos estatísticos sobre grandes volumes de dados.
Vamos falar sobre esse segundo movimento.
O aumento da capacidade de processamento, armazenamento e captação dos dados permitiu uma evolução dos algoritmos estatísticos de aprendizado de máquina. Embora os computadores essencialmente continuem os mesmos, baseados em lógica binária, o volume de diferentes tipos de dados, atualizados em velocidade surpreendente, permite um retrato cada vez mais preciso da realidade. A internet, as redes sociais e os sensores que as pessoas passaram a carregar consigo expandiram toda essa capacidade para além do computador pessoal, transferindo-a para a nuvem (cloud computing).
Particularmente na indústria do seguro, algoritmos estatísticos sempre foram utilizados para o entendimento do risco e cálculo do prêmio. A diferença é, mais uma vez, a variabilidade, volume e velocidade com que os dados quantitativos e qualitativos são disponibilizados.
A evolução do uso dos dados
Atualmente, as seguradoras já utilizariam o algoritmo de rede neural, por exemplo, para calcular taxas de prêmio para seguros com grande volume de dados. Contudo, é preciso ter a tecnologia certa para fazer essa técnica funcionar. Também não adianta ter a tecnologia sem as pessoas corretamente treinadas para utilizá-la da melhor forma possível, aproveitando ao máximo os recursos existentes.
As áreas atuariais – responsáveis por analisar os riscos e as expectativas financeiras e econômicas – geralmente se mostram bem atualizadas no que compete ao uso de tecnologias para cálculos estatísticos. Mas o que falta é o acesso a uma maior variedade de dados organizados e segmentados. As corporações ainda sofrem, muitas vezes, com os registros das próprias transações. Enfrentam dificuldades no armazenamento de dados dos clientes e na criação de uma maneira para interpretar o mundo através desses dados. A causa disso é o atraso de investimento ou a adoção de sistemas antiquados, além de projetos mal sucedidos de implantação de sistemas baseados em bancos relacionais.
O ponto é que não existe uma solução tecnológica única, que sirva para todas as empresas. Cada organização deve entender o estágio de maturidade de seus controles e transações, bem como da forma de acesso aos dados públicos disponíveis para que se possa gerar conhecimento com o uso da inteligência artificial. Deve ter a visão do momento de transformação digital em que se encontra, podendo, assim, identificar quais passos deve seguir para que os algoritmos de aprendizado de máquina possam ser aproveitados.
Duas faces da mesma moeda
O desafio da assimilação dessas novas tecnologias é entender que a prática e a teoria não se separam. Às vezes, o excesso de formalismo faz com que profissionais e estudantes pensem que determinado aspecto do tema se trata “somente de teoria”, quando, na realidade, tudo está interligado. A estatística, por exemplo, é teoria, mas também é prática. E essa diferenciação só dificulta o aprendizado.
É claro que, em cursos específicos de matemática, física e estatística, os formalismos matemáticos são fundamentais na construção do conhecimento. Acontece que, na academia, os cursos de pós-graduação, principalmente, não levam em conta que muitos estudantes não tiveram um ensino de base consolidado de cálculo. Nesse ponto, o excesso desses formalismos em teoremas e a falta de exemplos pertinentes às atividades desempenhadas pelos alunos não contribuem para a formação, servindo, muitas vezes, para reforçar a divisão equivocada entre teoria e prática.
O ponto é fazer com que os estudos se aproximem de exemplos concretos. O ideal é utilizar referências que tenham real significado na vida profissional do aluno. Além disso, estar atualizado sempre é condição para não ficar para trás, pois as tecnologias evoluem muito rapidamente.
É preciso reforçar a importância de criar um conhecimento sólido, mas que mostre aos estudantes e futuros profissionais no mercado de trabalho que as duas coisas, teoria e prática, na verdade caminham juntas. E mais: uma completa a outra na construção do conhecimento.
(*) Fabio Polonio é consultor independente e parceiro da Sistran. Atua como professor de pós-graduação em ciência dos dados. Ocupou cargos executivos em seguradoras nacionais e multinacionais, sempre ligados a projetos estratégicos e à transformação digital. Obteve seu mestrado em engenharia de software pelo IPT e é formado pela USP e pelo Mackenzie.
Saiba mais:
Integração de sistemas: por que ela é sempre uma dor de cabeça?
As dores de todo líder de TI no mercado de seguros
“Meta mínima para o ano é repetir desempenho de 2017”, destaca presidente do Sincor-SP
Foto: Shutterstock
11 de outubro de 2018 | Atualizado dia 11 de outubro de 2018
DATA SCIENCE Os serviços e aceleradores de Data Science Sistran estruturam iniciativas de uso dos dados para decisões de negócio….Leia mais.
Glossário de Seguros em Inglês disponível para download. Faça o download do arquivo aqui!