Decision support system using machine learning for creativity and innovation

Abstract

Criação e refino de novas ideias são competências estratégicas para equipes e organizações poderem inovar e se sustentar no mercado. Esta pesquisa visa abordar o desafio de encontrar técnicas de criatividade e inovação (CIT) adequadas para facilitar esforços criativos de pessoas e equipes através do uso de Inteligência Artificial. O processo de escolha de CITs para uso é complexo e trabalhoso, especialmente ao se levar em consideração a existência de centenas de técnicas e suas pluralidades de contextos de uso possíveis. Este conhecimento empírico, usualmente retido apenas no repertório de especialistas em projeto ou design, pode ser adquirído e implementado em um sistema computacional, tornando-o mais disponível e permanente. Desta forma, neste trabalho buscou-se desenvolver um Sistema de Suporte à Decisão, integrado a uma aplicação online, contendo um processo de inferência em dois estágios realizado por modelos de Aprendizado de Máquina. O protótipo desenvolvido é capaz de avaliar o cenário de projeto dos usuários através de um questionário e inferir quais das CITs contidas na base de dados serão mais apropriadas às necessidades. O desenvolvimento se deu em dois ciclos, explorando aquisição e representação de conhecimento, implementação dos modelos e interface, verificação e validação.

Abstract: The creation and refinement of new ideas is a strategic competence for teams and organization to innovate and be sustainable in the market. This research addresses the challenge of finding adequate creativity and innovation techniques (CITs) for improving individual or team creation efforts through the use of Artificial Intelligence (AI). The process of choosing which CIT to use is complex and demanding, especially when taking into consideration the existence of hundreds of techniques and the plurality of different design contexts. This empiric knowledge, usually retained in a design expert´s repertoire, can be acquired and implemented in a computational system, making it more available and permanent. Therefore, this work focused on developing a Decision Support System embedded in an online application with a two-stage Machine Learning inference process. The developed prototype is able to evaluate users? design scenario through a questionnaire, and infer the most appropriate CITs from the database would better fit their needs. Development was performed in two cycles, exploring knowledge acquisition and representation, implementation of models and interface, verification and validation.