Da ideia à implementação: Como se tornar uma fábrica de IA

A Inteligência Artificial (IA) é vista como a principal alavanca da vantagem competitiva. O data não mente: houve um quase 25% de aumento anual no uso comercial de IA, com 63% dos executivos concordando que isso levou a aumentos de receita. A pandemia global apenas colocou isso em um foco mais nítido. As empresas que prosperarem e sobreviverem serão aquelas capazes de adotar as soluções corretas de IA e implementá-las e dimensioná-las de forma rápida e eficiente.

No entanto, como acontece com todos os agentes de mudança, as iniciativas de IA trazem novos desafios. A implementação vem acompanhada de muitas perguntas - a principal delas é como o senhor pode adotar a abordagem certa para implementar iniciativas de IA de forma rápida e eficiente, sem falhas e de forma sustentável a longo prazo? A abordagem ‘Fábrica de IA’ foi desenvolvida exatamente por esse motivo.

A Fábrica de IA é um modelo operacional organizacional - que combina diferentes talentos, capacidades e processos de forma sistematizada - para proporcionar sucesso na implantação e na escalabilidade da IA. Ele tem sido usado com eficácia por líderes do setor como Carrefour e ENGIE para oferecer projetos de IA transformadores em suas empresas. No entanto, a criação de uma fábrica de IA eficaz a partir do zero pode ser assustadora. O senhor precisa de equipes especializadas e de uma visão clara para que o processo funcione.

A primeira etapa vital é definir uma visão e casos de uso para sua fábrica de IA. Essa será sua estratégia data. Devem ser identificados os casos de uso que oferecem o maior potencial comercial de transformação da empresa. Seja na otimização da cadeia de suprimentos ou no gerenciamento da conformidade, existem oportunidades em todos os níveis.

A visão de IA da empresa também deve ser considerada. É importante ter a capacidade de imaginar como ela poderia se desenvolver, planejá-la e chegar a uma ideia clara do futuro. A partir de uma visão geral preliminar, desenhe uma versão refinada aplicável ao data e à IA.

Em seguida, as oportunidades concretas de negócios devem ser avaliadas por meio da identificação e classificação dos casos de uso. Isso é feito por meio da avaliação do impacto nos negócios e da complexidade da implementação. O foco na mentalidade é importante em todo o processo, para gerenciar mudanças em grande escala e envolver todos, desde a liderança da empresa até os membros da equipe da linha de frente.

Depois que a estratégia data e a visão de IA da empresa forem definidas, o senhor deverá ter uma lista priorizada de casos de uso a serem implementados. Mas como o senhor pode começar a trabalhar neles? Uma implementação eficaz da Fábrica de IA baseia-se em quatro pilares distintos:

Uma única governança

Para ser eficiente, a governança deve ser de alto nível, dedicada e personalizada. Um Conselho da Fábrica de IA da mais alta instância - composto pelos principais líderes do data do C-suite - é extremamente importante para fornecer patrocínio e direção gerais, pois compartilha a visão de IA e alinha as equipes e o roteiro a ela. No nível de gerenciamento do programa, deve ser estabelecida uma função de Diretor da Fábrica de IA, envolvendo especialistas em negócios, operações, jurídico, segurança e TI data. Sua função deve ser revisar, arbitrar e validar o progresso.

Por fim, no nível operacional, é preciso haver equipes ágeis. As equipes de recursos são responsáveis pela entrega de casos de uso com produtos de IA. São unidades unidas que trabalham de forma colaborativa para garantir o fluxo permanente de informações e a transparência. Mais importante ainda, elas devem ser multidisciplinares, combinando habilidades e conhecimentos especializados de toda a empresa. Elas são orientadas para a realização, cada uma criada com um único objetivo: entregar um caso de uso medido por uma meta exclusiva.

Equipes organizadas, diversificadas e especializadas

Para aumentar a eficiência, as organizações estruturadas devem reunir habilidades de negócios, data, software e tecnologia digital em equipes híbridas baseadas em métodos ágeis. A agilidade garante uma maneira flexível e adaptável de trabalhar e evita problemas relacionados a uma abordagem de silo, como departamentos isolados dentro da mesma estrutura ou procedimentos excessivamente rígidos. Isso requer uma boa combinação de perfis comerciais e técnicos, para garantir que o que é desenvolvido no lado técnico sempre tenha uma finalidade útil que atenda às necessidades comerciais.

A escalabilidade é uma característica geral importante da composição de uma equipe. A ideia é que sua estrutura possa ser facilmente duplicada, como as peças de Lego. Com um modelo totalmente escalável, mais equipes podem ser adicionadas para atender a casos de uso adicionais.

Tecnologias avançadas de IA

É claro que a implementação eficaz da IA precisa de uma base de tecnologias que possibilitem a IA. Uma fábrica de IA usa uma combinação de soluções de código aberto, proprietárias e cloud. Elas devem ser padronizadas em todo o pipeline data - da ingestão à visualização - do início ao fim, de acordo com as práticas recomendadas.

Metodologias sistemáticas e comprovadas

A sistematização é necessária para garantir que uma série de etapas seja sempre executada em uma ordem específica, cada uma com seu próprio objetivo definido. Os benefícios são duplos. Primeiro, isso proporciona uma estrutura geral de referências comuns em todo o processo, criando uma espinha dorsal que garante a consistência. Em segundo lugar, isso torna as metodologias replicáveis e dimensionáveis, acelerando consideravelmente a implantação da fase de industrialização.

MLOps: Mantendo a fábrica em funcionamento

Juntamente com uma metodologia de caso de uso definida, as práticas de MLOps (Machine Learning Operations) devem ser implementadas para fechar a lacuna entre a fase de conceito e a produção. Inspirado no processo DevOps, esse processo deve combinar o desenvolvimento de software e as operações de TI para reduzir o ciclo de vida do desenvolvimento.

O objetivo dos MLOps é enfrentar os desafios que os sistemas codificados tradicionais não enfrentam. O primeiro desafio é a colaboração entre as equipes: unidades diferentes geralmente são isoladas e possuem partes diferentes do processo. Isso sufoca a unidade necessária para entrar em produção.

O segundo é o gerenciamento de pipeline, pois os pipelines de ML são mais complexos do que os tradicionais. Eles têm características específicas, incluindo tijolos que devem ser testados e monitorados durante toda a produção.

O último obstáculo é que os modelos de ML geralmente precisam de várias iterações - quando colocados em produção de forma manual e ad-hoc, eles se tornam rígidos e difíceis de atualizar.

Em vez disso, uma abordagem de MLOps deve incorporar todos os ativos de ML em um pipeline de integração contínua e entrega contínua (CICD) para garantir implementações rápidas e perfeitas. Todos os data, recursos e modelos devem ser testados antes de cada nova versão para evitar desvios de qualidade ou de desempenho. Todas as partes interessadas devem trabalhar na mesma tela e aplicar as práticas recomendadas de engenharia de software aos projetos científicos data - controle de versão, ambientes de implantação, testes.

Em última análise, MLOps é a disciplina de gerenciar consistentemente projetos de ML de forma unificada com todos os outros elementos de produção. Ele garante uma entrega técnica eficiente desde o estágio inicial do caso de uso (primeiros modelos) até a industrialização do caso de uso.

Uma estrutura para o sucesso

A IA é muito promissora, mas também representa um grande risco para as organizações que não conseguem implementá-la adequadamente. O benefício real do modelo AI Factory é que ele estabelece uma estrutura central para uma implementação rápida e bem-sucedida. Processos, equipes e ferramentas são transferíveis e repetíveis por natureza, o que significa que uma empresa pode permanecer ágil na busca de sua visão de IA. Quando o processo é estabelecido e apoiado por MLOps, a empresa tem o que precisa para se tornar uma potência de IA.