O FUTURO DE P&D PASSA PELA INTELIGÊNCIA ARTIFICIAL – E ELE JÁ ESTÁ ACONTECENDO AGORA

Qual é o futuro da área de Pesquisa e Desenvolvimento?
Cada vez fica mais forte em mim uma certeza: só há um caminho possível para Visionários e Visionárias de Alimentos – entender profundamente a relação entre o usuário e o que ele come, e saber interpretar isso em novos produtos. O futuro da área de Pesquisa e Desenvolvimento tem tudo a ver com pessoas, e quase nada a ver com ciência e tecnologia de alimentos.
Assustei?
Então segue lendo.

QUAL É O NOSSO CONTEXTO?

O avanço tecnológico nos torna obsoletos todos os dias. Aliás, é o que se espera da tecnologia: que ela torne a vida mais simples, mais fácil. Que ela reduza tarefas mecânicas e braçais. Que ela permita o surgimento de tarefas mais desafiadoras para o cérebro humano dar conta.
A história da humanidade está lotada de exemplos de profissões que se tornaram obsoletas com o avanço tecnológico: limpadores de chaminés, acendedores de lâmpadas, tosquiadores, telefonistas, quebradores de gelo, datilógrafos, apenas para citar alguns mais recentes. Quem vê as Telefonistas no Netflix sabe como o seriado se passa justamente no momento em que o mundo inventa as centrais automáticas de telefonia.
Em 2013, os pesquisadores Carl Benedikt Frey e Michael Osborne publicaram o artigo The Future of Employment: How susceptible are jobs to computerisation? (O futuro do Trabalho: Quão susceptíveis à informatização são os empregos?, em tradução livre), no site da Oxford Martin School. Nele, advogam que cerca de 47% dos empregos atuais (nos EUA) estão em risco, devido principalmente ao avanço da Machine Learning (Aprendizado de Máquina ou Automático, um subcampo da Inteligência Artificial) e da Mobile Robotics (Robótica Móvel).
Mesmo em tarefas cognitivas não rotineiras (tarefas que envolvem processos não repetitivos de aprendizagem), citam os autores, crescem as aplicações da Machine Learning e seus subdomínios. Podemos falar de carros autônimos tomando decisões de trânsito, o Watson diagnosticando câncer, algoritmos substituindo advogados especializados em patentes e contratos, alguns dos exemplos mais comuns da literatura de inovação.
Mais recentemente, pesquisadores da Universidade Rutgers, Colégio de Charleston e o Laboratório de Inteligência Artificial do Facebook criaram um software capaz de criar arte. Não satisfeitos, misturaram as telas com outras pinturas criadas por humanos e pediram ao público em geral e a críticos especializados que as distinguissem.

Resultado: não conseguiram. E ainda avaliaram melhor a arte criada pelo software, em várias escalas.
Arte sabe?
Aquela coisa criativa.
Que nem você é capaz de fazer.
Um computador já está fazendo.

E você aí pensando que computadores não são capazes de serem criativos.

O QUE ISSO QUER DIZER PARA A PESQUISA E DESENVOLVIMENTO?

Ora, se computadores já se prepararam para diagnosticar doenças, já navegam em condições de trânsito, já criam arte – e isso tudo sem precisar dormir, comer, nem tomar cafezinho por 2h com os colegas no meio do expediente – é nítido que há um caminho no desenvolvimento desta tecnologia que leva à solução de problemas complexos na área de alimentos.
Muito do que fazemos hoje em P&D é pura tentativa e erro. Lemos um briefing e, usando um pouco de técnica, um pouco de planejamento experimental e – entre nós – um pouco de chute, montamos uma primeira formulação para testar em bancada. Os resultados não sendo satisfatórios, criamos uma segunda, terceira, quarta formulação, derivadas da primeira, com alguma variação de ingredientes e/ou dosagens.
Tentamos quantas? Umas 10 vezes? 15 vezes no máximo? Até nos contentarmos com uma resposta, que pode ser tanto “este é o produto final, vamos lançar” ou “isso aqui é impossível”.
A maioria destes testes é físico, envolve ingredientes, pesagens, equipamentos e embalagens. Cada um deles pode levar horas ou dias para ser conduzido, sendo que as avalições de resultados podem ser novamente conduzidas ao longo de mais dias. Pense em quanto tempo leva para organizar uma sensorial, seja interna ou usando um grupo de fora da empresa.
Imagine então que o avanço da ciência e tecnologia de alimentos vai possibilitar a modelagem cada vez mais fina das diversas interações entre alimentos, processos, ingredientes, embalagens e situações de contorno. Que teremos fórmulas capazes de, dadas certas condições iniciais, nos dizer como se comportará um determinado alimento após produzido.
(Que é basicamente o que boa parte dos pesquisadores acadêmicos hoje em dia passa fazendo, como você pode ver nestes artigos publicados este ano: aqui, aqui, aqui, aqui – este último, com pesquisadora brasileira!)
Agora, continue imaginando comigo.
Hoje, a Modelagem Preditiva dos softwares comerciais para desenvolvimento de alimentos se restringe ao cálculo de tabelas nutricionais, custos, regulatórios. Coisas que uma simples planilha Excel bem montada dá conta.

Imagine um futuro em que, com as condições de um briefing (que delimitam condições iniciais e de contorno de um problema complexo) pudéssemos alimentar um software.
E que este software simulasse não 10, 15 testes – mas um milhão deles.
Um bilhão deles.
Que ele testasse todas as possíveis combinações entre os ingredientes, e que fosse aperfeiçoando, a cada passada, com os dados da passada anterior, os resultados obtidos.

IMAGINOU? O QUE VOCÊ VIU?

Eu vejo um computador inteligente sendo capaz de simular tudo o que hoje deixamos para os analistas mais júnior de P&D fazer: testes de tentativa de erro, com mais ou menos tecnologia, com mais ou menos experiência – mesmo assim, tentativa e erro.
Vejo diversos Analistas de P&D sendo substituídos pela Machine Learning. Vejo o grosso do trabalho de P&D deixando de ser quase uma arte, para ser completamente analítico.
Basta alguém querer. A tecnologia já está aí para isso – e exemplos existem em diversas etapas do processo de desenvolvimento de produtos.
Basta alguém querer juntar todas estas peças.

QUEM JÁ ESTÁ CONSTRUINDO ESTE FUTURO?

Na etapa de ideação…
Já conhecemos aqui a Foodpairing, que facilita a escolha de combinações de sabor, usando a composição de produtos combinada a dados coletados online – reduzindo a incerteza do início do processo de desenvolvimento.

Numa linha similar, a Gastrograph usa algoritmos genéticos para modelar e predizer preferências de sabor “arquétipas” para grupos alvo de consumo – de acordo com o gênero, etnicidade, idade, status socioeconômico, por exemplo.  Começando com alguns sabores iniciais, o software é capaz de gerar as combinações que tão mais atratividade para o público desejado.

Um exemplo emblemático de empresa de varejo empregando AI nesta etapa é a Coca-Cola. Em 2017, a empresa lançou a Cherry Sprite, informando ao mercado que o sabor era um dos favoritos do projeto Coca-Cola Freestyle, lançado em 2009.

Ao contrário das máquinas de refrigerante convencionais (post mix), que têm sabores fixos a serem escolhidos, as Coca-Cola Freestyle permitem mais de 150 combinações de sabor de bebidas gaseificadas e não-gaseificadas. Em 2016, eram mais de 40.000 unidades do projeto espalhadas pela América do Norte e Europa.

Na etapa de avaliação sensorial…

Na outra ponta, pensando na avaliação sensorial dos produtos desenvolvidos, temos a Flavorwiki, que também já apareceu aqui no site. A empresa, que permite coletar preferências de sabor dos consumidores em massa, via internet, pode se tornar a maior (e primeira) database sobre preferências globais.

Pense no valor que terá um banco de dados global de preferências de sabor. É o que a Flavorwiki está montando (para entender, leia mais no artigo acima).

Pense novamente.

Na etapa de formulação…

A Not Co (companhia chilena famosa por fazer a Not Mayo, que estourou nos EUA) criou o Giuseppe, um “programa computacional capaz de gerar fórmulas de alimentos conhecidos baseando-se apenas em ingredientes vegetais, imitando o sabor e a textura dos alimentos que se desejam replicar”. Segundo a empresa, a ideia é transformá-lo no chef e cientista de alimentos “mais avançado do mundo”.

Mal enxergamos que estamos nos transformando em dinossauros: em breve, não haverá mais pesquisadores tentando encontrar a melhor solução para um briefing
Enquanto estamos aqui, acumulando conhecimento técnico a respeito de Operações Unitárias, Transferência de Calor, Bioquímica de Alimentos e Microbiologia, para onde corre o mundo?  Para o uso cada vez mais massivo e disruptivo da Inteligência Artificial e Machine Learning.
Em breve, testes do tipo tentativa e erro não farão mais sentido. Ter 3 (ou 30) analistas em planta-piloto, conduzindo testes freneticamente, não será a forma mais eficiente do uso destes recursos (nem é hoje). Quando toda a tecnologia de alimentos for mapeada, um software poderá descobrir qual é a melhor formulação de maionese para alcançar o briefing.
Veja a entrevista que fizemos com o presidente da NotCo no Brasil a respeito do uso de inteligência artificial no P&D de alimentos.

O que sobrará então para nós, reles mortais?

Entender todos os significados que o alimento pode ter para o usuário. Investigar como o usuário mede valor – o que faz sentido para ele. Direcionar os resultados dos testes realizados com o apoio da Inteligência Artificial para alcançar o valor desejado pelo usuário.
Entender da relação de gente com comida.
É por isso que, em todas as palestras que faço em faculdades, eu estimulo os futuros visionários de alimentos a se embrenharem em cadeiras eletivas na Filosofia, Ciências Sociais, Psicologia.
É desta nova combinação – de conhecimento técnico e humano – que será feito o seu futuro na área de Pesquisa e Desenvolvimento.

Ps.: Claro: os mais ameaçados são os que continuam desenvolvendo alimentos para engenheiros, mesmo com todos os sinais e avisos que o mercado tem dado. Se você já coloca o seu usuário no centro de todas as decisões do projeto, está protegido.
Por mais uns anos 😉
Quer continuar lendo a respeito?
Aqui você tem um artigo do Wall Street Journal a respeito do tema, a respeito do paper apresentado na Conferência NBER, sobre o impacto da inteligência artificial na inovação. Destaco o seguinte trecho:

Many types of R&D and innovation more generally are effectively problems of labor-intensive search with high marginal cost per search (Evenson and Kislev, 1975, among others). The development of deep learning holds out the promise of sharply reduced marginal search costs, inducing R&D organizations to substitute away from highlyskilled labor towards fixed cost investments in AI. These investments are likely to improve performance in existing “search intensive” research projects, as well as to open up new opportunities to investigate social and physical phenomena that have previously been considered intractable or even as beyond the domain of systematic scientific and empirical research.

Você pode seguir lendo na BBC sobre o uso de Inteligência Artificial pela Not Co e Hampton Creek  e também uma análise da Forbes sobre o uso de dados para criação da Sprite Cherry e outras iniciativas da Coca-Cola.
Aqui tem uma lista de palestras do TED a respeito de inteligência artificial.