Inteligência Artificial na Previdência Social: Antecedentes e Experiências

Inteligência Artificial na Previdência Social: Antecedentes e Experiências

O uso emergente de Inteligência Artificial (IA) em instituições de seguridade social está possibilitando serviços de seguridade social mais proativos e automatizados. No entanto, a aplicação da IA ​​na seguridade social também é desafiadora e as instituições estão definindo como podem aproveitar ao máximo as vantagens desta nova tecnologia. Este artigo apresenta a IA e descreve algumas experiências de aplicação na seguridade social com base em discussões realizadas no Webinar da Rede Europeia ISSA: Inteligência artificial para instituições de segurança social bem como em outro material.

Antecedentes da IA ​​- Mitos, realidade e riscos

Em 1950, Alan Turing em seu ensaio inovador fez a pergunta simples "As máquinas podem pensar?" Se uma máquina pode pensar, ela pode se comportar de forma inteligente - e talvez um dia superar a inteligência dos criadores humanos também. Essa ideia de “superinteligência” tem sido uma fonte potencial de inspiração para muitas histórias de ficção científica.

Por que, e por que não, IA?

Há uma competição internacional - o Prêmio Loebner - que anualmente premia programas de computador mais semelhantes aos humanos. Até o momento, não houve um vencedor que realmente tenha passado no teste, e os cientistas estão longe de projetar uma superinteligência artificial. Na realidade, podem ser necessárias décadas para atingir a capacidade de manifestar a capacidade de construir inteligência artificial geral (AGI), que se refere à IA que é semelhante à humana. As abordagens atuais geralmente podem ser denominadas como "IA estreita" - sistemas que são inteligentes não porque conseguem imitar a inteligência humana, mas porque podem realizar tarefas que, de outra forma, exigiriam inteligência humana, tempo e esforço de forma insustentável. Esses algoritmos de IA estão gradualmente substituindo e complementando os algoritmos tradicionais que resolviam problemas por meio de computadores.

Os processos algorítmicos de IA são diferentes dos tradicionais e podem ser mais eficientes para muitas tarefas. No caso da IA, em vez de escrever um programa para cada tarefa específica, muitos exemplos são coletados que especificam a saída correta (ou incorreta) de uma determinada entrada. Os algoritmos de IA, então, pegam esses exemplos e produzem um programa que faz o trabalho. O programa deve ser escalonável para novos casos. Se os dados mudarem, o programa também pode mudar sendo treinado nos novos dados. Grandes quantidades de poder computacional estão agora disponíveis para essas tarefas e é por isso que é mais barato do que escrever um programa específico para tarefas.

Essa capacidade de escalabilidade e aproveitamento de percepções de dados tornou a IA uma ferramenta essencial e complementar para formuladores de políticas e provedores de serviços que buscam alcançar o bem social. Várias ferramentas de IA estão sendo usadas para resposta a crises, capacitação econômica, alívio de desafios educacionais, mitigação de desafios ambientais, garantia de igualdade e inclusão, promoção da saúde, redução da fome, verificação e validação de informações, gestão de infraestrutura, gestão do setor público e social e até mesmo segurança e justiça.

A natureza multidisciplinar da IA

Embora atualmente a IA possa ser definida como “IA estreita”, a abordagem dos algoritmos de IA é imitar o processo do pensamento humano. Isso inclui modelar como os humanos realmente pensam e agem. O projeto de algoritmos de IA requer a compreensão do raciocínio humano, o que os humanos fazem e como agem. Isso também inclui modelar como um ser humano ideal deve pensar e agir. Esses aspectos são compreendidos por meio do conhecimento do raciocínio racional e ético. A IA moderna se concentra em fazer IA que sabe como “deve agir”. O sucesso desses algoritmos é avaliado por medidas de desempenho adaptadas das áreas de estatística, física, matemática, filosofia, economia, ciências sociais, neurociência e ciências cognitivas. É por isso que construir um algoritmo de IA viável precisa de uma abordagem interdisciplinar, que está prestes a surgir.

Sob a égide da IA, existem várias disciplinas. Essas disciplinas fazem perguntas como - os computadores podem falar? reconhecer a fala? entende a fala? aprender e se adaptar? Vejo? planejar e tomar decisões? E para responder a essas perguntas uma série de subdivisões da IA ​​surgiram e evoluíram - processamento de linguagem natural, visão computacional, aprendizado de máquina, mineração de dados e muito mais. Nos últimos anos, assistimos a uma onda de novos métodos e técnicas, como redes neurais convolucionais que prometem alto desempenho e devoram dados massivos. Esses algoritmos, em geral, seguem um pipeline que começa com a aquisição de dados e, em seguida, segue uma série de etapas: limpeza de dados, armazenamento e gerenciamento, seleção de recursos e preparação de dados, análise visual, processo iterativo de modelagem, medição de desempenho, monitoramento e no final, produzindo uma saída. Ao longo desses processos, os dados usados ​​são divididos em diferentes partes para treinar, validar e testar o desempenho dos modelos com base nos dados disponíveis. Esse processo é um tanto semelhante a como os humanos processam os dados.

Riscos

Conforme os algoritmos de IA passam por subprocessos, há uma série de áreas com as quais devemos ter cuidado. Uma dessas coisas é overfitting. Às vezes, os algoritmos projetados se ajustam tão bem ao conjunto de dados de treinamento que falham em fornecer a solução certa no mundo real. Além dessas considerações, dados, algoritmos e interação humana em um algoritmo podem ser fontes potenciais de polarização que podem ser uma razão para falha de IA. Uma grande quantidade de dados é alimentada na máquina para reconhecer certos padrões. Dados não estruturados da web, mídia social, dispositivos móveis, sensores, dispositivos inteligentes (ou seja, Internet das Coisas) tornam a absorção, vinculação, classificação e manipulação de dados difíceis. Se os dados não forem cuidadosamente selecionados, o conjunto de dados pode estar repleto de dados incompletos ou ausentes ou pode ser impreciso ou tendencioso. Isso pode até causar uma revelação inadvertida de dados confidenciais, a menos que se tome cuidado para remover os dados pessoais de todos os conjuntos de dados.

Os sistemas de IA são propensos a tendências algorítmicas. Alguns algoritmos são sistematicamente inclinados para um tipo específico de dados. Além disso, a tendência depende muito dos engenheiros que projetam os algoritmos, como eles são implantados e como são usados. Depende muito de como um problema é enquadrado. Ao enquadrar um problema, os cientistas decidem o que realmente desejam alcançar ao criar um modelo de aprendizagem. Um algoritmo projetado para determinar a “qualidade de crédito” programado para maximizar o lucro em vez de maximizar o número de empréstimos poderia, em última instância, mas não intencionalmente, decidir conceder empréstimos subprime predatórios. Até a composição dos engenheiros pode ser tendenciosa. O enquadramento de um problema depende de quem o projeta, de quem decide como é implantado, de quem decide o nível aceitável de precisão e de quem decide se as aplicações de IA são éticas. A falha em abordar essas questões proliferou os algoritmos que ditam quais anúncios políticos as pessoas veem, como os recrutadores selecionam os candidatos a emprego e até mesmo como os agentes de segurança são implantados nos bairros.

Rumo a um uso ético da IA

Embora a IA como ciência seja antiga, o uso da IA ​​no mundo da tecnologia é relativamente novo e, portanto, muitos líderes de mercado estão ficando para trás no desenvolvimento da intuição e do conhecimento prático sobre os riscos individuais sociais e organizacionais. Alguns tendem a ignorar os perigos e alguns superestimam as capacidades de mitigação de risco. Além disso, não há muito consenso entre os executivos sobre quais riscos antecipar. Muitas empresas argumentam que tomaram precauções - estão coletando dados de treinamento mais repetitivos, fazendo auditorias regulares e verificando tendências não intencionais e conduzindo análises de impacto contra certos grupos. No entanto, muitos pesquisadores de ética em IA argumentam que os algoritmos de IA são treinados em dados antigos. Um algoritmo com desempenho razoável em um conjunto de dados antigo pode não resultar em um sistema com desempenho razoável na realidade. A ética em IA tornou-se, portanto, um tópico de pesquisa chave.

Experiências de aplicação na previdência social

Há uma tendência crescente na seguridade social de aplicar IA, principalmente para melhorar o atendimento ao cliente por meio de suporte front-end automatizado 24 horas por dia, 7 dias por semana e também, de forma mais incipiente, automatizar processos de back-end (Figura 1).

Figura 1. Tipos de aplicativos de IA em instituições de previdência social
Figura 1

Diversas instituições de previdência social implementaram chatbots inteligentes para melhorar o atendimento online ao cliente por meio da disponibilidade de qualidade 24 horas nos sete dias da semana em diferentes agências e tipos de benefícios. Os chatbots inteligentes podem simular o comportamento humano e responder de forma autônoma às solicitações dos usuários. Eles estão disponíveis 7 horas por dia, 24 dias por semana, e podem se adaptar às preferências dos usuários.

A Superintendência de Riscos Ocupacionais (Superintendência de Riscos Trabalhistas - SRT) da Argentina implementou um chatbot inteligente chamado "Julieta" para responder às perguntas sobre benefícios de acidentes de trabalho. O chatbot cumpriu os objetivos de fornecer serviços automatizados e personalizados ao cliente, respondendo não só às perguntas mais frequentes, mas também indagando sobre o status das operações dos clientes, como inscrições e solicitações de benefícios. Alguns dos fatores-chave identificados incluem o desenvolvimento de uma base de conhecimento de qualidade e o treinamento permanente do chatbot envolvendo uma equipe multidisciplinar.

Por sua vez, o chatbot inteligente implementado pela Administração Norueguesa de Trabalho e Bem-Estar (NAV) permitiu a resposta a uma maior demanda por informações no contexto da crise COVID-19. Concretamente, durante o período de março a maio de 2020, o chatbot respondeu a mais de 8,000 consultas diárias, o que se compara a um número pré-COVID de 2,000. Os principais fatores de sucesso foram o treinamento do chatbot com base em uma base de conhecimento atualizada diariamente, o foco em um tipo específico de informação e uma conexão contínua do chatbot com um especialista humano. O chatbot está sendo estendido a novos tópicos, principalmente para apoiar empregadores e autônomos.

No Uruguai, o Banco de Seguro Social (Banco da Previdência Social - BPS) implementou um chatbot inteligente para responder às perguntas dos empregadores sobre o esquema para trabalhadores domésticos. Ao aplicar técnicas de processamento de linguagem natural e gerenciamento de diálogo, o chatbot entende as intenções do cliente e sugere as ações apropriadas. Implantado em janeiro de 2019, o chatbot inteligente atualmente permite responder a 97 por cento de todas as consultas, enquanto os 3 por cento restantes envolvem uma equipe especializada. O tempo de implementação foi de cerca de um ano, com seis meses dedicados a treinamento e testes. Os principais fatores facilitadores identificados foram a atualização permanente da base de conhecimento, bem como o desenvolvimento e operação por meio de uma equipe multidisciplinar.

A Organização Geral de Seguro Social (GOSI) da Arábia Saudita lançou um uso experimental de chatbots inteligentes para prestação de serviços. O objetivo era desenvolver um agente inteligente para responder às consultas dos clientes e simplificar determinados serviços e transações. O agente se comunica com os clientes por meio de diferentes aplicativos de bate-papo e redes sociais.

Algumas instituições também estão usando IA para melhorar os processos de back-end, principalmente para processar grandes volumes de dados que compreendem bancos de dados tradicionais, bem como textos e imagens não estruturados de documentos digitalizados em papel.

O Employment and Social Development Canada (ESDC) aplicou IA para identificar os beneficiários do Suplemento de Renda Garantida (GIS), que é um benefício em dinheiro voltado para idosos de baixa renda. Em dois meses, os modelos de aprendizado de máquina identificaram mais de 2000 canadenses vulneráveis ​​com direito ao GIS, processando mais de 10 milhões de registros de dados de texto não estruturados. A fim de maximizar a cobertura dos beneficiários vulneráveis, os especialistas em negócios do programa GIS decidiram que o modelo deveria ter um alto grau de inclusão e falsos positivos intencionalmente aceitos que deveriam ser revisados ​​manualmente.

A experiência mostrou a importância de usar dados representativos e capturar nuances, bem como determinar as métricas e limites adequados para as necessidades de negócios, construindo o conjunto de dados de treinamento junto com especialistas em negócios. Como lições aprendidas, o ESDC destacou que a qualidade dos dados subjacentes é crucial e que os projetos de IA exigem equipes multidisciplinares com cientistas de dados e especialistas em negócios. Os principais riscos identificados foram a seleção de ferramentas adequadas e as lacunas de literacia de dados entre os funcionários da organização.

A Instituição de Seguro Social da Finlândia está começando a aplicar IA de duas maneiras: (i) melhorando os serviços ao cliente combinando serviços eletrônicos com chatbots inteligentes e (ii) usando reconhecimento de imagem baseado em IA para automatizar processos administrativos por meio do reconhecimento de documentos.

Da mesma forma, o National Social Security Institute do Brasil (INSS) está implementando um chatbot inteligente - denominado Helô - para fornecer respostas automatizadas 24 horas por dia, 7 dias por semana, às consultas dos clientes no contexto dos e-services personalizados myINSS. Uma primeira versão implantada em maio de 2020 já processou cerca de um milhão de consultas. O INSS também está utilizando a IA para agilizar a detecção de óbitos de beneficiários, o que permite evitar pagamentos indevidos.

Da mesma forma, o Fundo Auxiliar de Benefícios de Desemprego da Bélgica (Fundo Auxiliar para o pagamento de prestações de desemprego - CAPAC) realizou uma aplicação preliminar de IA para processar formulários em papel por meio do reconhecimento óptico de caracteres (OCR), que, no entanto, não levou a resultados satisfatórios. Apesar dessas dificuldades, o CAPAC mantém os aplicativos de IA na agenda e planeja desenvolver um chatbot inteligente.

Por sua vez, o Seguro Social austríaco (Associação Umbrella das instituições de seguro social austríacas - SV) está aplicando IA para fins múltiplos. Em primeiro lugar, implantar um chatbot inteligente - OSC Caro - que oferece assistência digital aos clientes em diversas áreas, como auxílio-creche, auxílio doença e reembolso. Além disso, um sistema de reconhecimento de voz oferece suporte aos serviços de call center, encaminhando automaticamente as consultas dos clientes aos escritórios correspondentes. O modelo de linguagem do sistema, baseado em IA, foi treinado para reconhecer termos específicos. Além disso, a IA também é usada para implementar o envio automático de e-mails aos departamentos correspondentes com até 93 por cento de precisão. Finalmente, um projeto em andamento está implementando um processo de reembolso semi-automático baseado em IA de taxas de serviços médicos. Neste caso, a IA é aplicada para automatizar várias tarefas, como o reconhecimento dos documentos apresentados, codificação do diagnóstico usando o padrão CID-10 e extração dos dados necessários para o reembolso (por exemplo, valor da fatura, IBAN). Este tratamento semiautomático permite agilizar o processo de reembolso, bem como apoiar os colaboradores envolvidos.

No nível governamental, vários países estão definindo estratégias nacionais de Inteligência Artificial. Em particular, a estratégia da Estônia visa capacitar um governo pró-ativo com base em um projeto de serviço de eventos da vida e fornecer serviços personalizados sem burocracia por meio de uma aplicação intensiva de IA.

A visão da Estônia de serviços públicos digitais baseados em IA está sendo posta em prática por meio do #KrattAI, que é uma rede interoperável de aplicativos de IA que permite aos cidadãos usar serviços públicos por meio de interação baseada em voz com assistentes virtuais. Os mais de 70 projetos em andamento no âmbito desta estratégia, dos quais 38 já estão em operação, cobrem uma ampla gama de áreas, incluindo aplicações ambientais, suporte de emergência, cibersegurança e serviços sociais. Em particular, um chatbot inteligente para atendimento ao cliente e processamento de casos de risco de desemprego de longa duração é aplicado no contexto do seguro-desemprego.

As lições aprendidas incluem garantir a qualidade e privacidade dos dados envolvidos, bem como fornecer metadados e gerenciar a escalabilidade de aplicativos baseados em IA usando infraestrutura em nuvem e desenvolvendo modelos de aquisição adequados. Além disso, os limites de automação para serviços públicos devem ser avaliados corretamente.

Conclusões e principais conclusões

A Inteligência Artificial está gradualmente se tornando uma tecnologia chave para organizações de seguridade social, pois permite aumentar a eficiência administrativa por meio da automação de processos, bem como auxiliar a equipe em tarefas que requerem decisões humanas.

No entanto, embora desenvolvimentos positivos possam ser observados, vários desafios também surgem. Eles se relacionam especialmente com as limitações e riscos da IA, e a compensação entre automação de processos e controle humano. Além disso, as diferenças metodológicas entre IA e o desenvolvimento de software tradicional representam desafios para as instituições que executam os projetos.

Entre os fatores críticos, a disponibilidade e a qualidade dos dados são destacadas como imprescindíveis para o treinamento adequado dos sistemas de IA. Essas "necessidades de dados" exigem o estabelecimento de uma estratégia organizacional para usar dados internos, bem como dados potencialmente de outras organizações, e também envolve a avaliação da conformidade com os regulamentos de proteção de dados.

A adoção de IA requer capacidades institucionais específicas. As instituições precisam ter uma compreensão detalhada do objetivo do projeto, selecionar dados que sejam representativos do mundo real, escolher soluções simples, prestar atenção especial à explicabilidade dos algoritmos usados, escolher modelos que não apenas tenham os melhores resultados, mas também passem de justiça padrões que precisam ser cuidadosamente projetados e, finalmente, garantir a transparência para garantir a responsabilidade.

Além disso, as instituições que aplicam a IA enfatizaram a importância de ter projetos desenvolvidos por equipes multidisciplinares envolvendo equipes de negócios e cientistas de dados. Nessa linha, a alfabetização da equipe em IA e gerenciamento de dados também se torna um fator chave. Os proprietários de negócios e gerentes de projeto precisam entender as implicações da aplicação de IA para definir quais processos podem ser automatizados e quais decisões devem estar em mãos humanas.

A ISSA expressa sua gratidão a Moinul Zaber, Pesquisador Acadêmico Sênior, Unidade Operacional de Governança Eletrônica Orientada a Políticas, Universidade das Nações Unidas, por sua contribuição técnica para este artigo.

Referências