O que é preciso para se ser um líder de sucesso, num mundo onde as pessoas se preocupam com o bem social? – Lição 3

Gostaria de partilhar alguns exemplos retirados de uma iniciativa em que participo, a Data Science for Social Good, e as lições que aprendemos. Temos expectativa de que haverá mais líderes no seu local de trabalho a gerir projetos capazes de contribuir para o bem social no mundo.

Lição 3 – Compreenda o contexto e os seus dados, assuma a liderança

Ao liderar uma organização, os líderes compreendem bastante bem o contexto organizacional e o modus operandi. O mesmo contexto que dá significado à organização implica numerosas limitações. Aprendemos que, nalguns casos, projetos excecionais falham porque ter muitos dados não se traduz em ter dados úteis; nalguns casos, em ter dados nenhuns. Como construir o contexto, como conceber os processos na nossa organização, como avaliar os nossos desempenhos, tudo isto influi sobre o que podemos fazer.

No caso das organizações burocráticas e dos organismos governamentais que já existem há algum tempo, o contexto não foi concebido para as possibilidades atuais da tecnologia. As possibilidades tecnológicas do tempo em que estas organizações foram criadas eram limitadas. Por conseguinte, a recolha de dados foi limitada e concebida para satisfazer os requisitos financeiros e legais definidos pela Lei. Nalguns casos, é possível encontrar alguns embriões de inteligência empresarial, muitas vezes dados sobre a gestão da relação com o cliente. No entanto, o novo contexto requer uma revisitação dos nossos processos. Por exemplo, na nossa tentativa de desenvolver um sistema de recomendação de atribuição inteligente de médicos a doentes, durante o programa DSSG Europe Summer Fellowship 2017, percebemos que os dados não nos permitem estabelecer, diretamente e com elevada confiança, a força de uma ligação entre um doente e um médico, para conhecer as respetivas preferências. A Amazon, a Netflix, ou outras empresas da era digital, introduziram opiniões e têm o feedback explícito dos clientes para conhecer as suas preferências. Normalmente, os hospitais não têm avaliações das sessões médico-doente, nem pelos médicos, nem pelos doentes, e são renitentes em tê-las. Tivemos de ser criativos e experimentar com uma série de outras medidas para alcançar o nosso objetivo.

Existe ainda o receio de enviesamentos que possam existir nos dados e que podem ser agravados por algoritmos. Dado que as pessoas mais velhas têm mais tempo e menos oportunidades, são mais visíveis no registo do desemprego como desempregados de longa duração. Por conseguinte, o algoritmo pode rotular cada pessoa velha como um potencial desempregado de longa duração, conforme me foi referido por algum dos meus colegas enquanto discutíamos os nossos projetos DSSG Europe. Isso é verdade. Se não tivermos em conta os enviesamentos que o contexto introduziu nos nossos dados, os algoritmos poderão perpetuar os enviesamentos. Mas isso não deveria impedir-nos de procurar gerir os enviesamentos, sejam eles introduzidos por seres humanos ou por máquinas. Mais enfoque nos dados, uma recolha mais rigorosa de dados e uma análise exaustiva poderão ajudar-nos a encontrar e mitigar os enviesamentos nos nossos dados e processos.

Por último, o contexto determina os dados que podemos utilizar. Na sequência da aplicação do Regulamento Geral de Proteção de Dados, muitas das nossas discussões com potenciais parceiros de projeto falharam. Existe algum receio sobre a forma como serão utilizados os dados privados e sobre quem os pode utilizar. Podemos alcançar resultados sem violar os direitos à privacidade? A resposta curta é que podemos fazer muito sem violar a privacidade. Em muitos projetos, trabalhamos com dados tornados anónimos, e independentemente das limitações, fomos capazes de gerar resultados que melhoram de forma significativa o desempenho do sistema existente ou de conjuntos de regras. Também podemos solicitar o consentimento antes de utilizar os dados de alguém para desenvolver algoritmos. A pergunta que se deve colocar é se estamos a fazer o nosso melhor para manter o status quo? “Sim” não é uma resposta errada a essa pergunta. No entanto, como podemos saber se não se tenta algo diferente, pelo menos explorando o que pode ser feito? Deveríamos pelo menos tentar, avaliar e ter o cuidado de não apressar as decisões antes de testar as alternativas.

Elementos de aprendizagem – Para a tomada de decisão baseada em dados precisamos não só de uma grande quantidade de dados, como também de dados que se enquadram no objetivo; deveríamos procurar os enviesamentos nos dados e considerar que aquilo que é decidido pelos algoritmos afeta os seres humanos; antes de abandonar um projeto devido à privacidade dos dados, considere se vale a pena tentar com os dados que pode utilizar, para aprender sobre as alternativas.

Por: Leid Zejnilović, assistant professor na NOVA SBE

Artigos Relacionados: