EXPERTSMENTE PROGRAMADA

Inteligência artificial + computação quântica = a nova fronteira da tecnologia

A questão não é se ou quando, mas como as empresas devem se envolver com a computação quântica

 

Apesar da evolução tecnológica ao longo do último meio século, ainda existem muitos problemas que os computadores atuais não conseguem resolver. Muitos desse problemas estão e estarão fora do alcance dos computadores que temos hoje.

É a perspectiva de finalmente encontrar uma solução para esses problemas “intratáveis” que tem alavancado as pesquisas para a computação quântica. Um estudo do BCG, “Where Will Quantum Computers Create Value—and When?”, prevê que, nas próximas décadas, podemos esperar ganhos de produtividade com o uso da computação quântica, na forma de economia de custos e oportunidades de receita, que ultrapassarão os US $ 450 bilhões anualmente.

Os ganhos aparecerão primeiro para empresas nos setores que demandam requisitos complexos de simulação e otimização. As aplicações que farão diferença na computação quântica são as que exploram otimização combinatória (otimização logística e otimização de portfólio de investimentos em serviços financeiros), equações diferenciais (simulação de dinâmica de fluído para projetos de automóveis e aeronaves, bem como na simulação molecular para descoberta de novas drogas), álgebra linear (sequenciamento do DNA e segmentação de clientes) e fatorização (criptografia).

Mas o estudo também alerta que as oportunidades não serão distribuídas uniformemente. Como a computação quântica é uma tecnologia com elevadas barreiras para a adoção, como escassez de talentos, softwares diferentes dos atuais, com altos investimentos, tenderá a aumentar o fosso entre empresas e países que se posicionarem como líderes e as que ficarem para trás.

Esse fosso já é palpável na adoção de IA, quando vemos uma grande concentração de talentos e pesquisas em um grupo pequeno de empresas e países. Na computação quântica, assim como em IA, o predomínio está, indiscutivelmente, com EUA e China, com as duas superpotências disputando acirradamente a liderança. IA e computação quântica estão para a preponderância política, econômica e militar como o poder nuclear estava para a guerra fria.

Por isso, apesar da realidade da computação quântica ainda está situada a pelo menos cinco a dez anos de distância (apesar do hype agressivo e otimista das empresas que estão pesquisando o assunto) é essencial que as empresas e países comecem a desenhar planos para sua adoção. A curva de aprendizado é íngreme e quanto mais cedo começarmos a escalar a encosta, mais cedo chegaremos ao cume.

A computação quântica provavelmente apresentará uma curva de evolução exponencial, como já vimos acontecer com outras tecnologias da era digital, e as empresas e países que chegarem primeiro ao ponto de inflexão, aumentarão exponencialmente sua distância em relação aos retardatários.

A computação quântica provavelmente apresentará uma curva de evolução exponencial, como já vimos acontecer com outras tecnologias da era digital

Isso implica que no início, sua adoção será bem limitada, pelas restrições tecnológicas, mas a partir de determinado ponto sua evolução aumentará de forma rápida e sua aplicabilidade se ampliará drasticamente. O aprendizado obtido nas fases iniciais será de grande valia para a sua fase de aceleração.

A formação de talentos e conhecimentos de potenciais e limitações deve, portanto, começar o mais rápido possível e não aguardar a fase pós-inflexão. Ainda praticamente não existe formação específica para computação quântica.

A maioria dos profissionais que chamaríamos de cientistas da computação quântica, são basicamente físicos, cientistas da computação ou engenheiros que, em algum momento, se interessaram pelo assunto e começaram a desenvolver estudos e protótipos. Antes que uma nova tecnologia se torne mainstream, não temos necessariamente disciplinas acadêmicas voltadas para essa tecnologia específica. É onde estamos agora com a computação quântica.

Qual minha proposta? Hoje a maioria dos líderes das organizações e de TI acreditam que a computação quântica ainda não está madura o suficiente para os resolver os negócios de hoje. A resposta é quântica. Eles estão certos e errados ao mesmo tempo.

A tecnologia não está madura e nem temos software e algoritmos adequados para seu uso de forma rápida. Mas os computadores quânticos já podem resolver alguns dos problemas mais difíceis de TI, acelerando a simulação de sistemas de grande escala, como no mercado de ações e descoberta de novas drogas.

Os computadores quânticos já podem resolver alguns dos problemas mais difíceis de TI, acelerando a simulação de sistemas de grande escala, como no mercado de ações e descoberta de novas drogas

Para se preparar para esse futuro com a computação quântica, devemos considerar algumas linhas de ação, tanto para empresas, como para projeto de país:

1 – Acompanhar a evolução tecnológica. Não ficar alheio ao que acontece no mundo da computação quântica. No caso do governo, incentivar observatórios de acompanhamento da tecnologia pela academia e órgãos de pesquisa.

2 – Identificar potenciais talentos dentro de casa e em universidades, incentivando programas de incentivo à geração de ideias e aquisição de conhecimento. As universidades deveriam começar a inserir disciplinas pioneiras de computação quântica em seus cursos de ciência da computação. Afinal um aluno que inicia hoje um curso de ciência da computação, encontrará ao se formar, daqui a quatro anos, a computação quântica provavelmente já como realidade.

3 – Considerar que daqui a cinco anos o cenário da computação quântica deverá criar disrupções em muitos setores. Não seria má ideia considerar esta possibilidade nas análises estratégicas de longo prazo.

Minha sugestão para os executivos das empresas e profissionais de TI é pelo menos inserir o tópico nas discussões e iniciar, pelo menos, um programa de conhecimento básico, “quantum computing for dummies”. É o primeiro passo.

A academia deveria sim inserir a disciplina de computação quântica nos cursos de ciência de computação e, os cursos de IA, tem, por obrigação, dar base teórica (e talvez prática), usando os recursos já disponíveis ofertados por empresas de tecnologia, como IBM,  Amazon e Microsoft, de “quantum computing as a service”, pois sua aplicabilidade potencial é bem grande.

Aqui um exemplo da junção da computação quântica com IA. Generative models são aqueles modelos de IA que não se limitam apenas a responder a uma pergunta, estilo chatbot, mas que geram resultados como uma imagem, música, vídeo e textos.

Imagine, por exemplo, que você tem muitas fotos de lado do rosto de uma pessoa, mas não têm muitas fotos da frente do seu rosto. Se você deseja que os recursos de detecção de segurança sejam capazes de reconhecer com precisão olhando a parte frontal do rosto, usamos esses modelos generativos para criar mais amostras sintéticas de vistas frontais.

O uso da computação quântica tem o potencial de aumentar significativamente a qualidade das imagens geradas. E como os algoritmos de aprendizado de máquina são tão bons quanto os dados que você os alimenta, se você treinar um modelo de detecção de rosto com um pequeno conjunto de dados de faces, este modelo não será muito eficiente.

Se usarmos, no entanto, modelos generativos aprimorados pela computação quântica para ampliar enormemente esse conjunto de dados com mais imagens sintéticas (tanto em termos de quantidade quanto de variedade), melhoraremos significativamente o modelo de detecção.

Isso não se limita a gerar rostos. Podemos também pode gerar moléculas sintéticas, células cancerosas ou imagens de ressonância magnética, que são muito semelhantes à coisa real. Isso nos permite treinar de forma muito melhor os modelos de aprendizado de máquina e eliminar o problema conhecido como “cauda longa” nos treinamentos dos algoritmos, situações em que temos poucos dados para treinar situações que sabemos que acontecerão com relativa frequência no mundo real.

O efeito conhecido como cauda longa (log tail) é uma peculiaridade que afeta em muito a escalabilidade dos algoritmos de IA. A distribuição de dados tipo “cauda longa” são comuns, mas ao contrário do exemplo típico de pesquisas na Internet, as técnicas atuais de ML não estão bem equipadas para lidar com elas.

Com a computação quântica, podemos gerar dados sintéticos em grande quantidade e variedade, suficientes para treinar adequadamente os algoritmos

Os modelos de aprendizagem supervisionada tendem a ter dificuldade onde os exemplos são esparsos (a cauda). Como a cauda geralmente é a maioria de todas as ocorrências, os desenvolvedores de ML acabam presos em um loop, coletando continuamente novos dados e fazendo um novo treinamento para ajustar o modelo a esses casos.

Por outro lado, ignorar a cauda longa no processo de treinamento (e geralmente você descobre o tamanho da cauda quando o modelo sai da fase de protótipo e entra em produção no cliente, com dados que o modelo nunca tinha sido treinado antes), pode ser igualmente frustrante, resultando em clientes insatisfeitos com a baixa assertividade conseguida e consequente má reputação da solução.

Com a computação quântica, podemos gerar dados sintéticos em grande quantidade e variedade, suficientes para treinar adequadamente os algoritmos, eliminando esse problema.

O progresso da computação quântica nos últimos anos é tangível e tem despertado um nível cada vez mais alto de interesse e investimentos. É possível também que passemos por um potencial “inverno quântico”, no qual um pouco da excitação exagerada de hoje diminua e outras tecnologias despertem mais atenção.

Mas para aquelas empresas e países que tenham uma forte e consistente visão de seu futuro a médio e longo prazo, vale a pena lembrar que nos períodos de desilusão, as empresas com mais visão são as que constroem a base da verdadeira vantagem competitiva. A questão não é se ou quando, mas como as empresas devem se envolver com a computação quântica.

*Cezar Taurion é VP de Inovação da CiaTécnica Consulting, e Partner/Head de Digital Transformation da Kick Corporate Ventures. Membro do conselho de inovação de diversas empresas e mentor e investidor em startups de IA. É autor de nove livros que abordam assuntos como Transformação Digital, Inovação, Big Data e Tecnologias Emergentes. Professor convidado da Fundação Dom Cabral, PUC-RJ e PUC-RS.

Leia também

UM CONTEÚDO:

BRAND STORIES

NEOFEED REPORT

Conheça os conteúdos do braço de análise e inteligência de mercado do NeoFeed

VÍDEOS

Assista aos programas CAFÉ COM INVESTIDOR e CONEXÃO CEO