Exclusiv Românul genial de la Stanford ai cărui algoritmi luptă cu foametea și situațiile de criză. „Nu-s convins că societatea e pregătită încă pentru asta”

Profesor la Universitatea Stanford, Dan Iancu explică, într-un interviu pentru „Adevărul”, cum ar putea matematica aplicată și AI să rezolve situații de criză, foametea, sărăcia și blocajele din lanțurile de aprovizionare globale sau deciziile medicale dificile.

Algorimtii și AI nu reprezintă o soluție magică fără factorul uman Foto: Unsplash

Adevărul: În ce măsură ar putea matematica aplicată, analiza de date și inteligența artificială să rezolve crize umane concrete, cum ar fi sărăcia, blocajele din lanțurile de aprovizionare globale sau deciziile medicale dificile? Se pot corecta aceste probleme doar prin algoritmi?

Dan Andrei Iancu: Doar prin algoritmi nu cred că e posibil. Dar algoritmii - și, în general, matematica aplicată – pot ajuta mult în luarea unor astfel de decizii complexe. Atâta vreme cât există date care pot fi utilizate pentru a măsura factorii importanți, putem folosi modele matematice, principii economice, și algoritmi pentru a reprezenta procesele relevante și a lua decizii mai bine fundamentate. Este însă important și să recunoaștem că majoritatea problemelor pe care le-ați mentionat sunt extrem de complexe și implică multe aspecte care sunt greu de modelat și cuantificat sau care se schimbă rapid – de exemplu, factori socio-economici, instituționali, juridici, sau care țin de mediul natural. Modele matematice ne pot ajuta să înțelegem mai bine astfel de probleme și să luam decizii mai bune, dar nu pot surprinde întreaga complexitate și, cu atât mai puțin, nu le pot rezolva singure...

Cât de eficiente vor fi finalmente aceste soluții?

Depinde foarte mult de context. În primul rând, contează calitatea datelor pe care le folosim pentru a calibra modelele. Dacă datele conțin multe erori, reflectă anumite distorsiuni sau prejudecăți ori ajung cu întârziere, atunci și recomandările modelului pot avea probleme. În același timp, niciun model nu este perfect, pentru că orice model simplifică realitatea. Există un citat foarte cunoscut în domeniul nostru, atribuit statisticianului George Box: „toate modelele sunt greșite, dar unele sunt utile”. Întrebarea importantă este, așadar, dacă modelul surprinde elementele esențiale ale problemei și dacă nu ignoră fenomene sau criterii care contează pentru decizia respectivă. Legat de asta, este foarte important si modul în care definim succesul. Un model poate fi foarte performant în raport cu obiectivul pentru care a fost construit, de exemplu, reducerea costurilor, dar poate avea rezultate mai puțin bune dacă ne interesează și alte criterii, cum ar fi echitatea, reziliența, calitatea serviciului sau impactul pe termen lung. Dacă aceste obiective nu au fost incluse în model, nu ne putem aștepta ca algoritmul să le optimizeze implicit. De aceea, eficiența unor astfel de metode depinde nu doar de cât de sofisticat este algoritmul, ci și de calitatea datelor, de modul în care formulăm problema și, mai ales, de contextul în care soluția e folosită.

Riscurile adoptării AI în companii

Vedem deja cazuri de companii mari din SUA, cum ar fi Ford, care au rechemat angajații concediați după ce au realizat că inteligența artificială pe care doreau să se bazeze a dat greș. Cum se explică acest fenomen? La ce ar trebui să ne așteptăm în această privință, într-un viitor previzibil?

Nu cunosc în detaliu acest exemplu, dar fenomenul în sine nu mă surprinde. Aud povești similare de la mulți dintre executivii cu care interacționez în programele în care predau. Multe companii sunt încă într-o fază de experimentare și încearcă să înțeleagă cum să gestioneze compromisurile pe care le presupune adoptarea inteligenței artificiale.

Profesorul Dan Andrei Iancu predă de 15 ani la Stanford Foto: Arhivă personală

Există, evident, un interes enorm pentru aceste tehnologii, pentru că pot crește productivitatea, pot reduce costurile și, în anumite contexte, pot chiar îmbunătăți calitatea sau echitatea unor decizii. Dar întrebarea dificilă nu este pur și simplu dacă să adopți AI, ci cum să îl integrezi în organizație. Pentru fiecare activitate trebuie să înțelegi dacă tehnologia ar trebui să înlocuiască munca umană sau, mai degrabă, să o completeze. În multe cazuri, cea mai bună soluție nu este automatizarea completă, ci reproiectarea fluxului de lucru astfel încât oamenii și sistemele AI să facă fiecare ceea ce fac mai bine.

Problema este că aceste lucruri sunt greu de anticipat înainte de implementare. O companie poate reduce rapid personalul și abia ulterior să descopere că, odată cu acei angajați, a pierdut competențe, experiență și o parte importantă din cunoașterea acumulată în organizație. Unele dintre aceste lucruri sunt foarte greu de codificat într-un sistem AI. Iar dacă tehnologia nu performează bine, refacerea acelor capabilități umane poate fi dificilă și costisitoare.

Există și o a doua incertitudine importantă: costul tehnologiei. În momentul de față, costul marginal al multor aplicații AI poate părea foarte redus, ceea ce încurajează adoptarea rapidă. Dar, pe măsură ce utilizarea se extinde la nivelul întregii organizații, volumul de procesare poate crește enorm. Dacă fluxurile de lucru nu sunt proiectate eficient și se folosesc modele foarte performante pentru sarcini care nu necesită acest lucru, costurile pot crește repede. Unele companii descoperă deja că bugetele alocate pentru AI sunt consumate mult mai repede decât anticipaseră.

De aceea cred că vedem și vom continua să vedem corecții de acest tip. Unele companii vor adopta tehnologia prea lent, dar altele se vor grăbi să înlocuiască oameni înainte să înțeleagă exact ce capabilități pierd și care va fi costul real al noilor sisteme.

Viitorul muncii: echipe hibride

Se poate spune că aceasta va fi principala dilemă a următorilor ani: până unde putem merge cu automatizarea prin AI și unde trebuie să păstrăm neapărat factorul uman pentru a nu risca să devenim în totalitate dependenți de inteligența artificială?

Absolut. Cred că aceasta va fi una dintre întrebările centrale ale următorilor ani: nu dacă vom folosi inteligența artificială, ci unde vrem să o folosim pentru a înlocui activități umane și unde vrem să o folosim pentru a le completa.

Există multe decizii în care factorul uman rămâne esențial. Uneori este vorba despre responsabilitate și asumare: în anumite contexte, trebuie să existe o persoană care răspunde pentru decizia finală. Alteori este vorba despre experiență, judecată sau despre cunoașterea acumulată în interiorul unei organizații, lucruri pe care managerii sau specialiștii le dobândesc în ani de zile și care sunt dificil de formalizat complet într-un sistem AI.

Din acest motiv, cred că în foarte multe domenii soluția optimă nu va fi automatizarea completă, ci construirea unor echipe hibride, în care oamenii și sistemele AI se completează reciproc. Întrebarea dificilă este cum proiectăm aceste echipe: ce sarcini delegăm sistemului AI, ce decizii păstrăm la nivel uman, când trebuie omul să verifice recomandarea algoritmului și când poate avea încredere în ea. Există deja foarte cercetare pe aceste teme și cred că ele vor deveni din ce în ce mai importante.

Un risc real este ca, dacă delegăm prea mult și prea repede, să pierdem treptat capacitatea de a evalua critic răspunsurile pe care le primim. Dacă un sistem îți oferă mereu o recomandare, devine foarte ușor să încetezi să mai întrebi de ce este corectă, ce presupuneri stau în spatele ei sau în ce situații ar putea să greșească. Iar tocmai capacitatea de a recunoaște o situație neobișnuită sau o eroare este una dintre funcțiile importante pe care omul trebuie să le păstreze.

Mai există și o limită fundamentală: un sistem AI lucrează cu problema pe care i-o formulăm și cu informațiile pe care i le oferim. Dacă omitem un obiectiv important, o constrângere sau o particularitate a contextului, sistemul poate produce un răspuns foarte bun la o problemă care nu este, de fapt, problema pe care trebuia să o rezolvăm. În acest sens, va exista întotdeauna un decalaj între complexitatea realității și orice model pe care îl construim pentru a o reprezenta.

De aceea, nu cred că întrebarea corectă este „cât de mult AI putem folosi?”, ci mai degrabă „cum îl folosim astfel încât să amplifice capacitatea oamenilor fără să le erodeze judecata, competențele și responsabilitatea?”...

Tehnologia și declinul cognitiv

Spre deosebire de generațiile mai vechi care au făcut școala fără internet sau calculatoare, bazându-se exclusiv pe memorie și abilități cognitive, cele actuale se bazează preponderent pe tehnologie și AI. Nu riscăm să devenim ultra-dependenți de AI chiar și pentru cele mai mici sarcini zilnice?

Da, riscul există și cred că trebuie luat foarte în serios. Dar nu cred că soluția este să respingem tehnologia. Instrumentele AI pot fi extraordinar de utile, inclusiv în educație. De exemplu, un sistem poate explica un concept matematic în mai multe moduri, poate adapta nivelul de dificultate și poate răspunde individual la întrebările unui student într-un mod pe care un profesor care predă simultan pentru zeci de studenți nu îl poate reproduce.

Problema apare atunci când folosim aceste instrumente nu pentru a ne extinde capacitățile, ci pentru a substitui procese cognitive pe care ar trebui să continuăm să le exersăm. Dacă delegăm constant formularea unei probleme, analiza argumentelor, verificarea unei soluții sau chiar luarea unor decizii de zi cu zi, există riscul să ne diminuăm treptat capacitatea de a face singuri aceste lucruri.

În educație, această distincție mi se pare esențială. Uneori, efortul de a te confrunta cu o problemă dificilă face parte din procesul de învățare. Dacă AI-ul elimină complet această fricțiune și ne oferă imediat soluția, putem ajunge să obținem răspunsul corect fără să dezvoltăm înțelegerea care ne-ar permite să îl producem sau să îl verificăm singuri.

Același risc există și dincolo de educație. Cu cât integrăm mai mult AI în deciziile cotidiene, cu atât devine mai important să păstrăm capacitatea de a înțelege cum au fost generate recomandările, ce presupuneri stau în spatele lor și în ce situații ar putea fi greșite. Nu este suficient ca un sistem să fie foarte performant în medie. Trebuie să existe și oameni capabili să recunoască situațiile în care recomandarea lui nu are sens.

Nu sunt convins că societatea este încă pe deplin pregătită pentru acest nivel de dependență. Vom avea nevoie atât de mecanisme tehnice de protecție și control, cât și de norme sociale și educaționale care să ne ajute să folosim aceste instrumente fără să renunțăm la autonomie intelectuală.

Foto: Unsplash

Pe de o parte, se spune că AI va genera șomaj în masă, lucru vizibil deja în anumite sectoare ale economiei, inclusiv în IT. Pe de altă parte, în munca dumneavoastră de cercetare puneți accent pe reducerea inechităților sociale. Poate aduce inteligența artificială o prosperitate colectivă sau va accentua polarizarea economică, lăsând controlul în mâna câtorva miliardari?

Este o întrebare foarte importantă și cred că, în acest moment, ambele scenarii sunt posibile. Inteligența artificială poate genera câștiguri enorme de productivitate și poate îmbunătăți accesul la anumite servicii, dar nu există nimic automat care să garanteze că aceste beneficii vor fi distribuite uniform în societate.

Pe de o parte, există situații în care sistemele AI pot face deciziile mai consecvente, mai transparente și mai ușor de auditat decât deciziile pur umane. De exemplu, în Statele Unite au fost dezvoltate sisteme care estimează riscul de recidivă și oferă informații judecătorilor, într-un mod oarecum analog scorurilor de risc utilizate în sectorul financiar. În principiu, astfel de instrumente pot reduce influența unor prejudecăți individuale. Dar reversul este la fel de important: dacă datele pe care sunt construite reflectă inechități istorice sau dacă obiectivele sunt definite greșit, algoritmii pot reproduce și chiar amplifica acele inechități. Tehnologia nu este automat echitabilă; depinde foarte mult de cum este proiectată și de datele pe care le folosește.

A doua problemă, poate și mai importantă, este cea economică. AI-ul poate crește foarte mult productivitatea, dar întrebarea este cine va beneficia de aceste câștiguri. Dacă o companie poate produce aceeași valoare cu mult mai puțină muncă umană, atunci rezultatul poate fi extraordinar din punct de vedere economic. Dar prosperitatea colectivă apare numai dacă o parte semnificativă din aceste beneficii ajunge și la oamenii ale căror locuri de muncă sau competențe sunt afectate. Vedem deja presiuni importante asupra unor profesii de birou, în tehnologie, servicii profesionale, activități juridice sau administrative, pentru că multe dintre sarcinile lor sunt relativ ușor de digitalizat. Asta nu înseamnă neapărat că profesiile respective vor dispărea complet. Mai probabil, multe se vor transforma: anumite sarcini vor fi automatizate, iar oamenii se vor concentra pe cele în care judecata, experiența, creativitatea sau interacțiunea umană contează mai mult. Dar aceste tranziții pot fi dureroase: chiar dacă pe termen lung apar noi profesii și noi forme de activitate, nu înseamnă că persoana al cărei loc de muncă dispare astăzi poate trece imediat într-unul dintre aceste roluri. Pot exista decalaje mari de competențe, educație, geografie sau vârstă. De aceea, societățile vor avea nevoie de mecanisme serioase de recalificare, protecție socială și, probabil, de noi modalități prin care câștigurile de productivitate să fie împărțite.

În prezent, multe meserii fizice sunt mai puțin expuse decât profesiile de birou, pur și simplu pentru că manipularea lumii fizice este încă mult mai dificilă tehnologic. Un instalator sau un electrician poate fi, paradoxal, mai greu de înlocuit astăzi decât cineva care lucrează exclusiv pe calculator. Dar, pe măsură ce robotica avansează și costurile hardware-ului scad, această diferență se va reduce probabil.

Automatizarea meseriilor fizice

Adică, dacă în prezent chemăm un instalator să repare o defecțiune, peste 10-20 de ani un sistem inteligent va detecta problema autonom și va trimite direct un robot pentru reparație?

Este un scenariu plauzibil, dar nu știm dacă se va întâmpla peste zece, douăzeci sau treizeci de ani. Principalele obstacole sunt progresul în robotică și costurile: un robot trebuie să poată funcționa sigur într-un mediu fizic foarte variabil și să fie suficient de ieftin încât utilizarea lui să aibă sens economic.

Pe măsură ce aceste tehnologii avansează, tot mai multe meserii fizice vor deveni automatizabile. Problema importantă este cum gestionăm tranziția. Dacă productivitatea crește foarte repede, dar sistemul educațional, piața muncii și politicile sociale nu se adaptează, costurile sociale pot fi mari. Va trebui să investim în recalificare și să găsim mecanisme prin care o parte din câștigurile automatizării să fie distribuite mai larg în societate.

Din păcate, știm bine că politicienii tind adesea să ne înșele așteptările.

Peste tot există probleme legate de obiectivele pe care politicienilor aleg să le urmărească. În Statele Unite, de exemplu, cred că structura socioeconomică și tradiția politică fac mai dificilă introducerea unor mecanisme ample de redistribuire decât în țările nordice sau în Franța, unde intervenția statului și sistemele de protecție socială sunt mai bine acceptate.

Statele Unite se bazează într-o măsură mai mare pe mecanisme de piață și pe competiție. Tocmai de aceea, dacă AI-ul va produce perturbări majore pe piața muncii, va fi important să vedem dacă instituțiile politice se pot adapta suficient de repede pentru a distribui mai larg beneficiile creșterii de productivitate.

Asta ar înseamna că statele care integrează principii solide de protecție socială vor fi mai avantajate în această tranziție?

Da, cred că statele care au mecanisme solide de protecție socială și instituții capabile să gestioneze schimbări rapide vor fi mai bine poziționate pentru această tranziție. Nu este vorba doar despre redistribuire, ci și despre educație, recalificare, sprijin pentru persoanele afectate și un cadru legislativ care să se poată adapta pe măsură ce tehnologia evoluează. Dacă aceste mecanisme lipsesc sau reacționează prea lent, există riscul ca beneficiile automatizării să fie concentrate, iar costurile tranziției să fie suportate disproporționat de anumite categorii ale populației.

Modele matematice pentru echitate

Concluzia cercetărilor dumneavoastră ar fi că acești algoritmi pot fi proiectați special pentru a genera echitate socială, nu doar profit economic?

Da, cu condiția ca echitatea să fie introdusă explicit între obiectivele modelului. Dacă proiectăm algoritmul doar pentru a maximiza profitul sau eficiența, nu ne putem aștepta ca el să producă automat rezultate echitabile. Dar putem construi modele care să țină cont simultan de eficiență, echitate și alte criterii sociale relevante.

Ar putea, de exemplu, un model de optimizare matematică să salveze de la faliment un mic fermier din Amazonia sau chiar România, care deține o pădure, oferindu-i soluții de profitabilitate care să nu implice defrișarea?

Da, este posibil. Modelele matematice și instrumentele AI îl pot ajuta pe fermier să ia decizii mai bune. Și îi pot indica în principiu cum să își aloce bugetul, ce culturi să aleagă, cât să investească în îngrășăminte sau tehnologie și unde sau la ce preț să își vândă producția. Toate acestea pot crește productivitatea și veniturile fără să fie nevoie să extindă suprafața cultivată prin defrișare.

L-ar putea ajuta inclusiv prin identificare unor piețe de desfacere optime sau sugerându-i prețurile optime de vânzare?

Exact, AI i-ar putea da indicii unde și la ce prețuri să vândă, ce semințe să folosească. Sunt foarte multe decizii operaționale unde tehnologia îl poate sprijini. Pe de altă parte însă, trebuie să existe și alte mecanisme economice pentru progres real.

De exemplu, dacă fermierul dorește să conserve pădurea în loc să o taie, ar trebui să existe un fond care să recunoască valoarea ecologică a acelei suprafețe. Să i se spună: „Pentru că ai păstrat pădurea intactă, tu generezi acum un serviciu ecosistemic (ecosystem service)”. Acest serviciu înseamnă aer mai curat sau conservarea biodiversității, beneficii de care se bucură întreaga comunitate, dar pentru care tu, ca proprietar, nu ești compensat direct. Prin urmare, ar fi normal ca părțile care beneficiază global de acest serviciu să te compenseze financiar. Aceasta este însă o problemă care depășește sfera AI-ului.

Dacă ne uităm la țările care s-au confruntat masiv cu defrișările tropicale, cum sunt Indonezia sau Brazilia, în perioada de dezvoltare economică a fost considerat natural să convertească resursele forestiere în producție agricolă. Dacă aceste țări nu sunt compensate de națiunile dezvoltate, cum este Norvegia sau alte state bogate care au trecut prin propria etapă de industrializare și extracție a resurselor naturale, va fi greu să menținem echilibrul. Țările dezvoltate ar putea compensa statele mai sărace, în condițiile în care dorim cu toții să ne încadrăm în limitele planetare, având în vedere provocările globale legate de schimbările climatice, unde defrișările reprezintă un factor cauzal major. Trebuie să existe mecanisme economice prin care oamenii să fie compensați pentru serviciile de conservare. Si problemele acestea nu țin atât de mult de AI, cât de economie, de modul în care creezi stimulente, fluxuri de numerar și finanțări.

Combaterea risipei alimentare prin date

O altă temă majoră pe care ai studiat-o este managementul risipei de hrană. Cum pot marii retaileri sau fermierii să utilizeze acești algoritmi pentru a-și reduce amprenta de carbon și deșeurile, asigurându-se că marfa se vinde înainte de a expira?

Am studiat astfel de probleme atât din perspectiva micilor fermieri, cât și din cea a marilor lanțuri de distribuție. La nivelul producției, o parte importantă a problemei este crearea unor stimulente economice care să îi ajute pe fermieri să adopte practici mai sustenabile și să conserve resursele naturale. De exemplu, un cumpărător mare poate oferi un preț mai bun sau un bonus dacă producătorul respectă anumite standarde de mediu.

Am analizat și cum pot fi conectați mai eficient micii fermieri cu mari cumpărători, supermarketuri sau distribuitori, care au interesul și capacitatea de a plăti mai mult pentru produse obținute în mod sustenabil. Aici modelele matematice pot ajuta la corelarea mai bună a cererii cu oferta și la reducerea pierderilor din lanțul de aprovizionare.

AI-ul devine tot mai util și pentru că avem acces la surse de date mult mai bogate, de la informații despre producție și cerere până la imagini din satelit și date meteo. Aceste date pot alimenta modele predictive care îi ajută pe fermieri să decidă ce să cultive, când și unde, iar retailerii să estimeze mai bine cererea și să gestioneze stocurile astfel încât mai puține produse să ajungă să fie aruncate.

În esență, obiectivul este să reducem simultan risipa și costurile economice, folosind datele pentru a coordona mai bine deciziile de-a lungul întregului lanț de aprovizionare.

În ce măsură marile lanțuri comerciale au la dispoziție instrumente matematice prin care profitul se aliniază cu sustenabilitatea ecologică?

Avem tot mai multe date și, în același timp, o presiune reglementară tot mai mare. În Uniunea Europeană, de exemplu, companiilor li se cere tot mai multă trasabilitate în lanțurile de aprovizionare, până la originea materiilor prime. Pentru marile corporații devine esențial să înțeleagă nu doar costurile și riscurile economice, ci și impactul asupra mediului și asupra producătorilor.

Aici tehnologia poate ajuta foarte mult: poți urmări mai bine proveniența produselor, poți identifica zonele de risc și poți proiecta decizii de aprovizionare care țin cont simultan de costuri și de criterii de sustenabilitate.

Dar și legislația bine intenționată poate avea efecte adverse. Un exemplu este reglementarea europeană EUDR, care urmărește reducerea defrișărilor asociate produselor comercializate în Europa. Dacă însă reacția unei companii este pur și simplu să nu mai cumpere dintr-o regiune considerată riscantă, atunci problema fundamentală din acea regiune nu e rezolvată (și producătorii acolo suferă pentru ca au mai puține opțiuni de vânzare).

Există cumva chiar riscul să-i izoleze economic, să-i condamne la sărăcie?

Da, există acest risc. Dacă firmele internaționale se retrag complet din anumite regiuni, producătorii locali își pot pierde accesul la piețe importante și pot deveni și mai vulnerabili economic. Sau își pot redirecționa producția către alte piețe, caz în care fluxurile comerciale se schimbă, dar defrișarea continuă. Cu alte cuvinte, putem deplasa problema fără să o rezolvăm.

Ce ne lipsește încă pentru a ajunge acolo?

Nu cred că ne lipsește o singură tehnologie. Avem deja multe dintre componente, senzori, modele predictive, dispozitive conectate, dar încă nu sunt suficient de ieftine, robuste și bine integrate pentru a funcționa la scară largă. S-a vorbit mult despre Internetul Lucrurilor (IoT - Internet of Things), spre exemplu, despre frigidere inteligente care ar putea ști ce produse conțin, când expiră și ce ar trebui consumat sau cumpărat. Există astfel de soluții, dar nu au devenit încă produse de masă. Cred că pasul următor va veni din combinarea hardware-ului mai bun cu AI și cu integrarea mult mai eficientă a datelor. Nu este suficient să ai un senzor sau un algoritm bun. Întregul sistem trebuie să fie suficient de util, simplu și ieftin încât oamenii și companiile să îl adopte.

Interfața dintre finanțe și logistică

O altă discuție s-ar referi la managementului riscurilor financiare. Ați propus un model prin care băncile pot interveni în deciziile de stoc ale firmelor când piața scade. Cum funcționează acest mecanism?

Am lucrat mai mulți ani la probleme aflate la interfața dintre finanțe și operațiuni, adică la modul în care deciziile financiare influențează deciziile de operationale, și invers.

Ideea de bază este că o firmă mică sau mijlocie poate avea nevoie de capital pentru a cumpăra stocuri, iar banca poate folosi informații despre acele stocuri și despre valoarea lor economică pentru a structura mai bine creditul. În anumite condiții, contracte relativ simple pot oferi firmei acces la finanțare la costuri rezonabile și, în același timp, pot reduce riscul pentru bancă.

Dan Andrei Iancu Foto: Arhivă personală

Dar astfel de soluții necesita informații pe care firmele nu sunt întotdeauna dispuse să le divulge și pot presupune renunțarea la o parte din autonomia decizională. De aceea, chiar dacă modelele arată că există câștiguri pentru ambele părți, implementarea nu este întotdeauna ușoară.

Optimizarea în sistemul de sănătate

De-a lungul timpului ați realizat cercetări privind optimizarea în sănătate și managementul pandemiilor. Pot aceste modele de optimizare robustă să determine momentul clinic ideal pentru analize medicale sau intervenții chirurgicale la pacienții cronici?

Am avut câteva proiecte în această direcție, însă ele au fost mai degrabă orientate pe partea teoretică, în sensul că nu am colaborat direct cu medici pentru o implementare clinică. A fost vorba despre dezvoltarea unor modele matematice cu aplicabilitate în multiple domenii, pentru care am realizat un studiu de caz pe o componentă medicală.

În general, medicina inteligentă poate beneficia enorm de pe urma analizei de date si utilizarii de sisteme AI. Fie că este vorba despre momentul optim pentru investigații, tipul de analize necesare, dozajul unui tratament sau alte aspecte delicate, sistemele pot genera soluții personalizate, adaptate profilului fiecărui pacient. Există un spațiu imens de dezvoltare pentru deciziile la nivel individual.

Si la nivel de sistem, putem optimiza modul în care sunt structurate contractele de asigurări medicale pentru a reduce costurile suportate de consumatori. Sunt optimist în această privință, mai ales că acum avem acces la fluxuri continue de date prin intermediul dispozitivelor purtabile, cum sunt ceasurile inteligente sau diverse aplicații mobile care monitorizează activitatea fizică și răspunsul organismului la diferiți stimuli. Pe măsură ce vom colecta date tot mai bune și mai precise despre fiecare individ și vom dispune de infrastructura necesară pentru a le utiliza în mod responsabil, progresele vor fi remarcabile. Desigur, există provocări serioase legate de confidențialitate și de modul în care aceste date sensibile sunt partajate și utilizate, însă cred că putem îmbunătăți semnificativ tratamentele și deciziile medicale.

Lecțiile logistice ale pandemiei

În timpul pandemiei ați lucrat la modele pentru gestionarea restricțiilor și ați încercat să găsiți unele soluții pentru a evita luarea unor măsuri exagerat de restrictive atunci când nu era absolut necesar. Despre ce e vorba?

În timpul pandemiei am lucrat la un proiect legat de optimizarea măsurilor de izolare și carantinare. Ideea era să construim modele matematice care să arate cum pot fi luate decizii mai juste privind restricțiile de mișcare. În funcție de intensitatea valului pandemic, s-au luat multe măsuri in acea perioada, cum ar fi închiderea anumitor spații comerciale sau impunerea de restricții pe grupe de vârstă. Cred că și în România a existat acea măsură prin care supermarketurile erau deschise exclusiv pentru persoanele vârstnice într-un anumit interval orar. Toate aceste decizii structurale pot fi fundamentate pe date în timp real și pe modele predictive, astfel încât să fie și eficiente, și echitabile. Altfel, poate fi profund inechitabil să izolezi complet o persoană în casă doar pe baza criteriului de vârstă.

Ce lecții logistice globale ar trebui să reținem din acele blocaje economice pentru a nu mai paraliza societatea în cazul unei viitoare crize sanitare?

Este o întrebare complexă, cu multe fațete. Un prim aspect esențial este starea de pregătire. Există anumite investiții strategice pe care trebuie să le facem din timp pentru a avea stocuri de siguranță de măști, echipamente sau resurse critice. Chiar dacă acestea nu sunt folosite în activitatea de zi cu zi, în situații excepționale devin vitale. Aceasta este o lecție pe care societatea pare că o învață și o dezvață ciclic. O vedem manifestându-se în crizele sanitare, dar și în cazul unor dezastre naturale precum cutremurele sau furtunile violente, unde ajută enorm să ai resurse prepoziționate și logistica pregătită din timp.

Dar toate aceste măsuri necesită bugete substanțiale. Problema e că lecția e conștientizată doar atunci când se produce dezastrul. Ulterior, se fac investițiile o dată sau de două ori, dar dacă timp de câțiva ani nu se mai întâmplă nimic, apare argumentul: „Plătim aceste costuri de mentenanță degeaba, deși nu se întâmplă nimic”, iar stocurile sunt abandonate până când următorul dezastru ne prinde din nou descoperiți.

Practic, riscăm să ne prindă din nou nepregătiți?

Exact. Aceasta este o componentă: asigurarea resurselor materiale și umane, fie că vorbim despre paturi de spital, măști, ventilatoare sau personal medical specializat.

O altă lecție importantă ține de infrastructura informațională – capacitatea de a afla rapid date și de a realiza anchete epidemiologice eficiente, „contact tracing”. Țările care au gestionat foarte bine pandemia, cum a fost Coreea de Sud, au dispus de mecanisme informaționale excelente și de o viteză de reacție fenomenala. Când detectau focare noi, interveneau chirurgical, la nivel local, fără a plasa întreaga societate în carantină. Au aplicat o disciplină riguroasă și monitorizare digitală, dar acest lucru necesită infrastructură, pregătire prealabilă și rigoare cetățenească. Sunt multe lecții de asimilat, dar temerea mea este că tindem să le uităm foarte repede...

Dacă ar fi să vorbim despre un motiv sau motive de nemulțumire, la ce v-ați gândi în acest moment?

Mi-aș dori să văd mai mulți studenți români interesați de cercetarea operațională și de modelele matematice aplicate în business și economie. Cred că domeniul are încă prea puțină vizibilitate în România și studenții nu află suficient de devreme despre tipurile de probleme la care ar putea lucra și despre oportunitățile profesionale pe care le oferă acest domeniu. Este păcat, pentru că România are mulți studenți cu o pregătire tehnică excelentă, iar profilul lor se potrivește foarte bine cu acest domeniu.

Adică universitățile din România nu au dezvoltat programe de specializare dedicate pe acest segment hibrid?

Din câte știu, există relativ puține opțiuni de acest gen. Academia de Studii Economice are, de exemplu, cursuri legate de cercetarea operațională, dar problema este că studenții care urmează traseele mai tradiționale - matematică, informatică sau fizică - nu ajung neapărat să intre în contact cu acest domeniu. Ca urmare, mulți dintre ei nu află despre tipul de cercetare care se face în școlile de business de top din SUA si despre oportunitatile profesionale pe care le ofera acest domeniu. Există oportunități extraordinare: poți lucra la probleme de optimizare, lanțuri de aprovizionare, piețe, sănătate, sustenabilitate sau inteligență artificială, păstrând în același timp un nivel foarte ridicat de rigoare matematică. Mi-aș dori ca mai mulți studenți români să afle că această direcție există și să ia în considerare astfel de programe academice.

Aveți studenți români sub coordonare în prezent la Stanford?

Chiar acum am un student român, primul în decurs de aproape 15 ani de activitate academică...

Și care sunt cursurile pe care le predați în mod curent la Stanford?

Predau atât în programul de MBA, cât și în programul de doctorat. La MBA predau cursuri de optimizare, simulare și analiză de date pentru luarea deciziilor. La doctorat predau două cursuri: unul de optimizare, și unul de management al lanțului de aprovizionare.

Cursurile sunt legate, în linii mari, de activitatea mea de cercetare, deși cercetarea este mult mai specializată și combină adesea mai multe domenii. Când analizezi o problemă complexă din lumea reală, rareori este suficient un singur instrument; ai nevoie de o combinație de metode matematice, computaționale și economice.

Comunitatea academică din Silicon Valley

De câți ani sunteți profesor în această instituție?

Din 2011, deci 15 de ani...

Cum a arătat parcursul profesional până la o catedră într-o universitate din Ivy League? Ați trecut prin patru mari instituții americane, inclusiv Stanford.

Este un parcurs foarte competitiv și destul de lung, dar cred că este important de spus că rareori este și perfect liniar. Înveți foarte mult pe parcurs, îți schimbi uneori interesele și ajungi să descoperi oportunități pe care nu le-ai fi putut anticipa de la început.

Privind retrospectiv, nu am avut de la început un plan prin care să trec prin aceste universități. Probabil că ceea ce a contat cel mai mult a fost curiozitatea intelectuală și dorința de a înțelege lucruri noi. Această sete de cunoaștere m-a ținut motivat și m-a făcut să continui să caut probleme interesante și persoane de la care puteam învăța.

Desigur, pentru o carieră academică la o universitate de top contează foarte mult calitatea cercetării, rezultatele, colaboratorii și recomandările. Dar există și multă incertitudine: trebuie să apară oportunitatea potrivită la momentul potrivit. De aceea, cred că este mai util să te concentrezi pe a învăța, a face cercetare care te interesează cu adevărat și a deveni din ce în ce mai bun, decât să încerci să planifici în detaliu fiecare etapă a carierei.

Se spune că Stanford păstrează reputația de a fi inima academică a ecosistemului Silicon Valley, un statut unic față de universitățile de pe Coasta de Est...

Da, acesta este unul dintre lucrurile care diferențiază mult Stanford. Universitatea se află chiar în centrul Silicon Valley, iar legătura dintre mediul academic, tehnologie și antreprenoriat este extrem de puternică. Există o circulație foarte naturală de idei și oameni între universitate și companiile din zonă, iar pentru mulți studenți ideea de a transforma o cercetare sau o idee într-o companie este ceva foarte firesc.

Desigur, universități precum MIT sau Harvard sunt extraordinare și au propriile lor puncte forte. Dar Stanford are această proximitate unică față de ecosistemul tehnologic din Silicon Valley, iar asta influențează foarte mult cultura instituției. Antreprenoriatul este aproape parte din etosul locului.

Totuși, prezența românească rămâne extrem de redusă acolo.

Da, la Stanford sunt destul de puțini români, atât în corpul profesoral, cât și în rândul studenților. Dacă mă uit la studenții de la programul de MBA pe care i-am avut la cursuri în acești 15 ani, cred că am numărat doar trei studenți români și un student din Republica Moldova. Este un număr mic, din pacate...

Vedem că la Harvard sau MIT există mai mulți români. Ați găsi o explicație pentru acest lucru?

Nu știu dacă există o explicație unică, dar cred că geografia joacă un anumit rol. Din experiența mea, Coasta de Est pare mai apropiată de Europa, atât fizic, cât și psihologic, și există de mult timp comunități europene și românești mai vizibile în jurul unor universități precum Harvard sau MIT.

Pentru mine însumi, mutarea în California a părut inițial un pas mult mai mare decât mutarea pe Coasta de Est. Coasta de Vest este foarte departe de Europa, iar această distanță poate conta atunci când un student internațional își alege universitatea. Probabil că mai intervin și efectele de rețea: odată ce există o comunitate mai vizibilă într-un anumit loc, ea tinde să atragă și alți studenți în anii următori.

Cine este Dan Iancu

Dan Andrei Iancu este profesor și predă managementul operațiunilor, informației și tehnologiei Stanford Graduate School of Business. Originar din România, profesorul Iancu este licențiat în inginerie electrică și informatică la Universitatea Yale, deține o diplomă de master în științe inginerești la Universitatea Harvard și un titlu de doctor în cercetare operațională la MIT. Înainte de a se alătura facultății din Stanford, a activat timp de un an ca bursier Goldstine în cadrul grupului de analiză a riscului de la Centrul de Cercetare IBM TJ Watson.

Interesele de cercetare ale profesorului Iancu se situează la confluența dintre operațiuni, finanțe și managementul riscului. Lucrările sale dezvoltă noi instrumente de optimizare dinamică în condiții de incertitudine și analiză prescriptivă, aplicate în studierea problemelor operaționale și contractuale din lanțurile valorice complexe. O direcție prioritară în activitatea sa recentă vizează proiectarea unor soluții optimizate de achiziții, plată și finanțare în lanțurile de aprovizionare globale, acolo unde fluxurile materiale și financiare au un impact direct și de durată asupra mediului și asupra vieții a milioane de oameni. Cercetările sale sunt publicate în reviste de prestigiu precum Management Science, Operations Research, Manufacturing & Service Operations Management și Mathematics of Operations Research, făcând totodată parte din comisiile editoriale ale unora dintre aceste publicații. A fost distins cu numeroase premii pentru cele mai bune lucrări de cercetare (INFORMS Optimization Society 2009, INFORMS JFIG 2013), precum și cu premii pentru excelență pedagogică la Harvard și MIT Sloan.