A dívida digital no uso da Internet

O seminário do MIT de Esteban Moro, professor da Universidad Carlos III em Madri e professor visitante do MIT discutiu a dívida digital socioeconômico com base em como usamos a internet, com foco em duas questões-chave:Quão profunda é a lacuna de uso digital em nossa sociedade?; e

Como podemos usar o tráfego de telefones celulares para inferir o status socioeconômico?

Seu seminário foi baseado em um artigo recentemente publicado no Journal of the Royal Society Interface em co-autoria com outros colaboradores, – A Divisão socioeconômica do consumo de serviços móveis.

“A desigualdade é um problema, especialmente em áreas urbanas em rápida expansão”, escreveram os autores. “Embora seja um fator crucial para o crescimento econômico, a progressiva aglomeração de trabalhadores, indústrias, empresas e serviços nas cidades, isso tem um custo tremendo em termos de segregação e discriminação. Esse custo não é apenas econômico: em uma mesma cidade, diferentes áreas podem ter um desequilíbrio de 10 a 15 anos na expectativa de vida e níveis de educação altamente divergentes, com poucas chances de mobilidade social.”

“O desenho e a implementação bem-sucedida de políticas para aliviar esses problemas exigem informações detalhadas e atualizadas com frequência sobre renda, educação ou desigualdade nas áreas metropolitanas”, acrescentaram. “Entretanto, a maioria das fontes de dados hoje empregadas, como censos ou pesquisas demográficas, padecem de escassa cobertura populacional ou de atualização pouco frequente, não permitindo acompanhar a rápida evolução que as sociedades urbanas vivenciam atualmente. Assim, as formas tradicionais de entender as cidades tendem a explicar o que aconteceu 5 anos antes, em vez de prever ou antever as transformações urbanas.”

Em seu seminário, Moro referiu-se a dívida socioeconômico baseado em como usamos a internet como a segunda dívida digital, em contraste com a dívida digital original que era baseado no acesso à internet.

Estar online na década de 1990 exigia um computador pessoal e uma conta com um provedor de serviços, e as transações de comércio eletrônico exigiam um cartão de crédito e uma conta bancária. À medida que nossa economia foi se tornando cada vez mais digital, grandes novas desigualdades estavam surgindo porque muitos ao redor do mundo não podiam comprar um PC ou ter uma conta na Internet e não tinham relacionamento bancário ou cartão de crédito. O alcance e a conectividade com os quais estávamos tão empolgados nesta fase inicial da era da internet não eram, na realidade, tão inclusivos. Embora a Internet tenha sido realmente empoderadora para aqueles com meios para usá-la, ela levou a uma crescente divisão digital em todo o mundo. A internet estava inaugurando uma revolução digital global, mas era desconcertante ter uma revolução digital global que deixou de fora a maioria da população mundial.

Esse quadro começou a mudar nos anos 2000. Os avanços tecnológicos contínuos estavam agora trazendo os benefícios de capacitação da revolução digital para a maioria da população do planeta. Os telefones celulares e o acesso sem fio à Internet passaram de um luxo a uma necessidade que a maioria das pessoas agora podia pagar, inicialmente nas economias avançadas e depois na maior parte do do mundo. Estávamos em transição da economia conectada de PCs, navegadores e servidores web para uma economia digital cada vez mais hiperconectada de dispositivos móveis onipresentes, poderosos e baratos, aplicativos baseados em nuvem e redes sem fio de banda larga.

Embora a lacuna original de acesso à internet seja agora mínima nas economias desenvolvidas, Moro e seus colaboradores descobriram que agora surgiu uma lacuna de uso digital, representando os usos distintos da internet por diferentes grupos socioeconômicos com base principalmente em sua renda e status educacional.

Para medir essa lacuna de uso digital, seu artigo argumentou que o consumo específico de serviços móveis por cada grupo era um indicador adequado para analisar a desigualdade econômica e social nas economias avançadas, uma vez que os padrões de consumo eram um reflexo direto dos interesses pessoais e digitais dos usuários. Consequentemente, seu estudo é baseado na análise de 3,7 bilhões de registros de tráfego móvel coletados pela principal operadora móvel da França nos 45 dias ou mais entre meados de maio e junho de 2017. Os registros foram marcados com data e hora e vinculados a estações base de rede de onde se originou o acesso à Internet.

Os registros capturaram o comportamento móvel de cerca de 15 milhões de indivíduos em todo o país enquanto acessavam diferentes aplicativos, – por exemplo, YouTube, Facebook, Netflix, – de seus dispositivos Apple ou Android. Para investigar as diferenças no uso relativo de aplicativos móveis específicos por grupos de renda e escolaridade, a análise considerou apenas o uso da internet registrado entre 20h e 7h durante a semana, – as horas em que os indivíduos tinham maior probabilidade de estar em suas casas ou perto de suas casas. Seu uso de telefone celular foi então vinculado aos dados demográficos de sua área de origem com base no censo da França de 2014-2015.

“Vale a pena notar que nossos resultados são baseados em uma análise de dados de telefones celulares que preserva totalmente a privacidade. Enquanto outras métricas baseadas na mobilidade do usuário e nas comunicações precisam de dados individuais ou de alta resolução, nossas variáveis são construídas usando agregados de tráfego na rede.”

O estudo encontrou evidências quantitativas de uma divisão digital significativa no uso da internet entre dois grupos socioeconômicos, cada um com renda e nível educacional diferentes. Em princípio, todos os indivíduos tinham acesso à mesma internet. Mas, o estudo descobriu que cada grupo geralmente acessava sua própria versão distinta da internet, e seu comportamento socioeconômico foi influenciado pelos serviços e informações bastante diferentes aos quais foram expostos. Ao analisar os fluxos de tráfego móvel, o estudo identificou os principais serviços que cada grupo acessou:Maior renda e dados demográficos de educação – O tráfego de busca de informações predomina, por exemplo, notícias, e-mail, pesquisa; Instagram, WhatsApp e Twitter são os aplicativos de mídia social dominantes; jogos como Clash of Clans são os mais usados,…

Baixa renda e dados demográficos de educação – O tráfego de entretenimento predomina, por exemplo, streaming de vídeo, jogos, serviços para adultos; Facebook e Snapchat são os aplicativos de mídia social dominantes; jogos como Candy Crush são os mais usados, …

“A lacuna de uso digital é tão profunda entre áreas de baixa e alta renda ou de baixa ou alta escolaridade que pode ser usada para distinguir claramente entre elas ou mesmo identificar a composição relativa desses grupos em uma determinada área”, escreveram os autores. “Áreas de alta renda ou com acesso ao ensino superior apresentam uma utilização mais acentuada de dispositivos móveis para consumir notícias, trocar e-mails, buscar informações ou ouvir música. Ao mesmo tempo, eles apresentam um uso reduzido de algumas plataformas de mídia social ou serviços de streaming de vídeo. Esses resultados são válidos mesmo quando controlamos a composição etária e outras variáveis do censo, como uma população imigrante”. Além disso, as descobertas destacam “uma singularidade espacial pronunciada no consumo de cada aplicativo, quando o uso relativo é comparado em diferentes unidades geográficas em escala nacional”.

“A lacuna de uso digital é tão grande que podemos inferir com precisão o status socioeconômico de uma pequena área ou mesmo seu coeficiente Gini [uma medida de desigualdade de renda] apenas a partir do tráfego de dados agregados. Nossos resultados defendem uma maneira barata, de preservação da privacidade, em tempo real e escalável de entender a divisão do uso digital e, por sua vez, a pobreza, o desemprego ou o crescimento econômico em nossas sociedades por meio de dados de telefones celulares”.

Tendências de trabalho: como obter o híbrido certo?

“As pessoas que retornam ao escritório não são as mesmas que saíram em março de 2020”, escreveu Jared Spataro, vice-presidente corporativo da Microsoft para Trabalho Moderno, no artigo da Harvard Business Review (HBR), 5 principais tendências que os líderes precisam entender para trabalho híbrido. O artigo resumiu as descobertas do Índice de Tendências de Trabalho de 2022 da Microsoft, um relatório baseado em várias fontes de informação, incluindo uma pesquisa com 31.000 pessoas em 31 países, tendências trabalhistas do LinkedIn e trilhões de sinais do pacote Microsoft 365 de aplicativos de produtividade.

“Os dados mostram que os últimos dois anos deixaram uma marca indelével na psique dos trabalhadores, alterando suas expectativas e mudando fundamentalmente a forma como o trabalho é feito”, disse Spataro. “Este é um momento crucial, onde a liderança importa mais do que nunca. Aqueles que adotam uma nova mentalidade e mudam as normas culturais irão posicionar melhor seu pessoal e seus negócios para o sucesso a longo prazo. Adaptar-se ao influxo de mudanças neste ambiente de negócios não é tarefa fácil.”

“Depois de muitos falsos começos, as organizações estão finalmente mudando para um verdadeiro modelo de trabalho híbrido. Como todos os outros pontos de virada nos últimos dois anos, não faltam perspectivas sobre como será essa próxima fase.” No entanto, não há como voltar ao modo como o trabalho era antes. Adaptar-se às muitas mudanças neste ambiente de negócios é um desafio enfrentado por todos os líderes. Para navegar na transição para o trabalho híbrido, os líderes precisam entender cinco tendências principais.

Os funcionários têm prioridades diferentes quando se trata de trabalho e vida

“Quando se trata de trabalho, os funcionários estão redefinindo sua equação de valor: o que eles querem do trabalho e o que estão dispostos a dar em troca”, escreveu Spataro. Os últimos dois anos reformularam suas prioridades, traçando uma linha clara entre o que é mais importante – família, saúde, bem-estar pessoal – e o que não é. Ter uma mesa no escritório, pode não ser mais o que as pessoas mais valorizam.

47% dos entrevistados disseram que agora estão mais propensos a colocar a vida familiar e pessoal em detrimento do trabalho do que antes da pandemia; e

53% disseram que são mais propensos a priorizar a saúde e o bem-estar, principalmente os pais (55%) e as mulheres (56%).

Essas expectativas em mudança podem ajudar a explicar a chamada Grande Reorganização.

18% de todos os entrevistados deixaram o emprego nos últimos 12 meses, citando bem-estar pessoal ou saúde mental (24%) equilíbrio entre vida profissional e pessoal (24%), risco de contrair Covid (21%), falta de confiança na alta administração (21%) e falta de flexibilidade no horário de trabalho ou local (21%) como os cinco principais motivos para desistir.

Ilustrando a mudança de prioridades está o fato de que a falta de promoções e aumentos foi ainda mais baixa em 19%.

“Quando perguntados o que eles queriam de um novo empregador, no topo da lista estava a cultura positiva (46%), com benefícios de bem-estar (42%), um senso de propósito e significado (40%), horários flexíveis (38%), e mais de duas semanas de férias (35%) não muito atrás.”

Os gerentes se sentem presos entre as expectativas da liderança e dos funcionários.

Os gerentes estão se sentindo presos entre essas novas expectativas de funcionários e a liderança de suas empresas.

54% dos gerentes sentem que sua liderança está fora de sintonia com as mudanças nas prioridades dos funcionários nos últimos dois anos.

Por exemplo, 50% dos líderes planejam exigir que os funcionários retornem ao escritório em tempo integral, enquanto 52% dos funcionários esperam mudar para o trabalho híbrido ou remoto no próximo ano. Outros estudos concluíram da mesma forma que o trabalho híbrido permanecerá por muito tempo após o término da pandemia e projetam que cerca de 20% dos dias de trabalho completos dos trabalhadores americanos serão em casa, cerca de quatro vezes o nível pré-Covid.

Os desejos de trabalhar em casa parte da semana são difundidos entre os grupos, independentemente da idade, educação, sexo, renda e circunstâncias familiares. O relatório da Microsoft observou que os empregos remotos no LinkedIn atraíram quase 3 vezes mais aplicativos do que os cargos no local. E de acordo com esta pesquisa de 2021, mais de 40% dos entrevistados disseram que deixariam ou começariam a procurar um novo emprego se fossem forçados a voltar ao escritório em tempo integral, e 56% disseram que estariam mais propensos a considerar um novo emprego que permitiu-lhes trabalhar em casa parte da semana.

“Com mais de dois anos de trabalho remoto ou híbrido, os funcionários sentem que não apenas sobreviveram ao trabalho flexível – eles ficaram muito bons nisso”, escreveu Spataro.

“80% acreditam que sua produtividade permaneceu a mesma ou melhorou, em contraste com 54% dos líderes de negócios que temem que sua equipe tenha sido menos produtiva desde a mudança para remoto ou híbrido. Com 74% dos gerentes dizendo que não têm a influência ou os recursos necessários para fazer mudanças em nome de sua equipe, há uma lacuna clara que precisa ser abordada.”

Os líderes precisam fazer com que o escritório valha a pena

Qual o papel do escritório na economia pós-pandemia?

Para os trabalhadores de escritório, ir trabalhar era equivalente a ir a um evento. Mas, isso não é mais o caso. Como as organizações agora tentam incentivar os funcionários a voltar ao escritório, elas precisam explicar por que estão fazendo isso.

Mais de 1/3 (38%) dos entrevistados da pesquisa da Microsoft disseram que “seu maior desafio é saber quando e por que entrar no escritório”, mas relativamente poucas empresas (28%) definiram claramente as novas normas para o trabalho híbrido. E, enquanto mais de 40% dos funcionários híbridos ou remotos disseram que não se sentem incluídos nas reuniões, apenas 27% das empresas definiram a etiqueta necessária para reuniões híbridas para garantir que todos se sintam incluídos e engajados.

“Para fazer com que o escritório valha a pena e criar uma experiência envolvente para todos, os líderes precisam ser intencionais sobre quem, onde e por que se reunir pessoalmente e definir uma nova etiqueta de reunião que dê a todos um lugar à mesa.”

Trabalho flexível não precisa significar “sempre ativo”

Parte do motivo do aumento da produtividade nos últimos dois anos é que as pessoas estão trabalhando mais do que nunca, incluindo reuniões, bate-papos, horas mais longas e trabalho de fim de semana. Os dados do Microsoft Teams mostram um aumento na duração da jornada de trabalho para o usuário médio (13%), mais trabalho após o expediente (28%) e fim de semana (14%), mais tempo gasto em reuniões (252%) e um aumento no número de reuniões semanais (153%) e chats (32%).

Ao mesmo tempo, as pessoas reformularam seu dia de trabalho para melhor atender às suas necessidades, como reuniões que começam mais tarde na segunda-feira e terminam mais cedo na sexta-feira, menos reuniões na hora do almoço e um aumento de 10% no tempo fora do escritório para atender questões pessoais.

“Embora esses sejam sinais promissores de esforços individuais para manter o equilíbrio, para tornar o trabalho flexível sustentável, as equipes devem estabelecer novas normas que estabeleçam limites para que a flexibilidade de uma pessoa não se torne a de outra sempre.”

A reconstrução do capital social parece diferente em um mundo híbrido

Uma das consequências mais importantes do trabalho remoto e híbrido tem sido seu impacto nas relações no local de trabalho. Os dados mostram que 58% dos funcionários híbridos conseguiram manter fortes laços de equipe, cerca de 50% dos totalmente remotos conseguiram e 42% disseram manter bons relacionamentos fora de suas equipes imediatas. 43% dos líderes disseram que a construção de relacionamentos é o maior desafio no trabalho híbrido e remoto. Este é um problema particular para os novos funcionários, que se destacam como um grupo que precisa de relacionamentos mais fortes no local de trabalho, com 56% dizendo que provavelmente considerarão mudar de emprego no próximo ano.

“As organizações não podem ver o retorno ao escritório como a única maneira de reconstruir o capital social que perdemos nos últimos dois anos. Ao criar o tempo e o espaço para que a construção de relacionamento aconteça e incentivar as equipes (especialmente os funcionários remotos e novos) a priorizar a rede e a conexão pessoal, os funcionários podem recuperar o terreno perdido.”

“Estes últimos dois anos deixaram uma marca duradoura que será sentida nos próximos anos”, escreveu Spataro em conclusão. “À medida que os líderes navegam pelos efeitos cascata, a disposição de se adaptar e adotar novas formas de pensar e trabalhar será uma vantagem competitiva que colocará organizações prósperas à frente do grupo.”

Podemos confiar nas previsões dos grandes modelos de aprendizado de máquina?

A inteligência artificial emergiu como a tecnologia definidora de nossa era, tão transformadora ao longo do tempo quanto a máquina a vapor, a eletricidade, os computadores e a Internet. As tecnologias de Inteligência Artificial estão se aproximando ou superando os níveis humanos de desempenho em visão, reconhecimento de fala, tradução de idiomas e outros domínios humanos. Os avanços do aprendizado de máquina (Machine Learn), como o aprendizado profundo (Deep Learn), desempenharam um papel central nas conquistas recentes da Inteligência Artificial, dando aos computadores a capacidade de serem treinados ingerindo e analisando grandes quantidades de dados em vez de serem programados explicitamente.

O aprendizado profundo é uma técnica estatística poderosa para classificar padrões usando grandes conjuntos de dados de treinamento e redes neurais de IA de várias camadas. Cada unidade neural artificial é conectada a muitas outras unidades, e os links podem ser estatisticamente reforçados ou diminuídos com base nos dados usados para treinar o sistema. Mas esses métodos estatísticos não são igualmente adequados para todas as tarefas. Tarefas particularmente adequadas para aprendizado de máquina exibem vários critérios importantes, como a disponibilidade de grandes conjuntos de dados de pares de entrada-saída bem definidos para treinamento de classificadores de Machine Learn, – por exemplo, imagens de gato e não-gato cuidadosamente rotuladas para classificadores de reconhecimento de gato e pares de documentos inglês-francês para algoritmos de tradução automática.

Os métodos por trás de uma previsão de aprendizado de máquina – ajustes sutis nos pesos numéricos que interconectam seu grande número de neurônios artificiais – são muito difíceis de explicar porque são muito diferentes dos métodos usados por humanos. Quanto maior o conjunto de dados de treinamento, mais precisa será a previsão, mas mais difícil será fornecer uma explicação detalhada e compreensível para um humano de como a previsão foi feita.

Algumas semanas atrás, participei do seminário on-line, – Como você pode confiar no aprendizado de máquina? Ministrado pelo professor de Stanford Carlos Guestrin, – sobre a dificuldade de entender as previsões de aprendizado de máquina. O seminário de Guestrin foi baseado em um artigo de 2016 que ele escreveu em coautoria com Marco Tulio Ribeiro e Sameer Singh, “Why Should I Trust You?” (Por que eu deveria acreditar em você?).

“Apesar da ampla adoção, os modelos de aprendizado de máquina permanecem principalmente caixas pretas”, disse o artigo. “Entender as razões por trás das previsões é, no entanto, muito importante para avaliar a confiança, que é fundamental se alguém planeja agir com base em uma previsão ou ao escolher se deseja implantar um novo modelo. Esse entendimento também fornece insights sobre o modelo, que pode ser usado para transformar um modelo ou previsão não confiável em um modelo confiável.”

“Infelizmente, o importante papel dos humanos é um aspecto muitas vezes esquecido no campo. Se os humanos estão usando classificadores de aprendizado de máquina diretamente como ferramentas ou implantando modelos em outros produtos, uma preocupação vital permanece: se os usuários não confiarem em um modelo ou previsão, eles não o usarão”.

É importante entender a diferença entre um modelo e as várias previsões individuais que esse modelo pode fazer. Um usuário confiará em uma previsão individual o suficiente para tomar alguma ação se confiar que o modelo que fez a previsão está se comportando de maneira razoável.

“Ambos são diretamente impactados pelo quanto o humano entende o comportamento de um modelo, em vez de vê-lo como uma caixa preta”.

Determinar se uma previsão é confiável é particularmente importante quando um modelo de aprendizado de máquina é usado em diagnóstico médico, diretrizes de condenação, detecção de terrorismo e aplicativos semelhantes que exigem julgamento humano. Nesses casos, as consequências de não entender o comportamento do modelo e apenas agir em sua previsão com base na fé cega podem ser muito graves.

“Além de confiar nas previsões individuais, também é necessário avaliar o modelo como um todo antes de implantá-lo na natureza. Para tomar essa decisão, os usuários precisam estar confiantes de que o modelo terá um bom desempenho em dados do mundo real, de acordo com as métricas de interesse. Atualmente, os modelos são avaliados usando métricas de precisão em um conjunto de dados de validação disponível. No entanto, os dados do mundo real geralmente são significativamente diferentes e, além disso, a métrica de avaliação pode não ser indicativa do objetivo do produto. Inspecionar previsões individuais e suas explicações é uma solução que vale a pena, além de tais métricas. Nesse caso, é importante ajudar os usuários sugerindo quais instâncias devem ser inspecionadas, especialmente para grandes conjuntos de dados.”

O artigo apresenta o LIME, – Local Interpretable Model-Agnostic Explanations, – um novo método para explicar as previsões de qualquer classificador de Machine Learn para aumentar a confiança e o entendimento humanos.

“Ao explicar uma previsão, queremos dizer apresentar artefatos textuais ou visuais que fornecem compreensão qualitativa da relação entre os componentes da instância (por exemplo, palavras em texto, patches em uma imagem) e a previsão do modelo.”

Usando o LIME, você pode aproximar o comportamento de qualquer modelo de aprendizado de máquina, por mais complexo que seja, com uma série de modelos locais mais simples cujas previsões são semelhantes às do modelo original. E você pode selecionar os modelos locais perturbando ou variando as entradas, vendo como as previsões mudam e, em seguida, selecionando os modelos locais mais simples cujas previsões estão mais próximas da previsão do modelo original. Sendo consideravelmente mais simples, os modelos locais devem ser compreensíveis e fazer sentido para os seres humanos. Assim, embora entender o modelo de aprendizado de máquina original seja uma tarefa assustadora, deve ser muito mais fácil entender os modelos locais mais simples cujas previsões são semelhantes ao original.

Para uma explicação detalhada do LIME, assista ao seminário de Guestrin aqui.

De acordo com o artigo, uma explicação eficaz deve apresentar quatro características principais:Para garantir que as explicações do LIME sejam compreensíveis e aumentem a confiança, os autores validaram a utilidade do LIME. “através de novos experimentos, tanto simulados quanto com seres humanos, em vários cenários que exigem confiança: decidir se devemos confiar em uma previsão, escolher entre modelos, melhorar um classificador não confiável e identificar por que um classificador não deve ser confiável”.

Interpretável. A explicação deve fornecer um entendimento qualitativo e compreensível entre as variáveis de entrada e a previsão, que leve em consideração as limitações do público-alvo. “Por exemplo, se centenas ou milhares de recursos contribuem significativamente para uma previsão, não é razoável esperar que qualquer usuário compreenda por que a previsão foi feita, mesmo que pesos individuais possam ser inspecionados”.

Fidelidade local. Este é o conceito central do LIME. “Embora muitas vezes seja impossível que uma explicação seja completamente fiel a menos que seja a descrição completa do próprio modelo, para que uma explicação seja significativa ela deve ser pelo menos localmente fiel, ou seja, deve corresponder a como o modelo se comporta na vizinhança da instância que está sendo prevista. … características que são globalmente importantes podem não ser importantes no contexto local e vice-versa.”

Modelo-agnóstico. O método de explicação deve tratar o modelo original de aprendizado de máquina como uma caixa preta e, assim, ser capaz de explicar qualquer modelo existente e futuro.

Perspectiva global. Em vez de explicar apenas uma previsão, várias explicações representativas do modelo geral devem ser apresentadas ao usuário.

Para garantir que as explicações do LIME sejam compreensíveis e aumentem a confiança, os autores validaram a utilidade do LIME “através de novos experimentos, tanto simulados quanto com seres humanos, em vários cenários que exigem confiança: decidir se devemos confiar em uma previsão, escolher entre modelos, melhorar um classificador não confiável e identificar por que um classificador não deve ser confiável”.