NOTÍCIAS / TECNOLOGIA AI
O Artefact adaptou as metodologias do Lean Manufacturing para remediar as sete fontes de desperdício tradicionalmente encontradas nos projetos do artificial intelligence.
O Artefact adaptou as metodologias do Lean Manufacturing para remediar as sete fontes de desperdício tradicionalmente encontradas nos projetos do artificial intelligence.
A IA enxuta fornece uma estrutura de duas partes para lidar com isso:
- Otimização da cadeia de produção por meio do desenvolvimento de produtos padrão data
- Uma ênfase clara na operacionalização dos produtos data na última milha
Essas diretrizes foram criadas para evitar armadilhas e otimizar o processamento, mas podem ser adaptadas.
Eles proporcionarão otimização do tempo de colocação no mercado, entrega contínua, colaboração fluida e tomada rápida de decisões para maximizar o lucro.
Otimização da cadeia de produção por meio do desenvolvimento de produtos padrão data
Padronização: A principal maneira de implementar avanços tecnológicos
Em seu livro O design das coisas do cotidiano, Don Norman observa que os avanços tecnológicos vêm das próprias tecnologias ou da padronização. Ele ilustra isso com a história do automóvel. Os primeiros carros eram todos diferentes, o que os tornava difíceis de operar, exigindo força e habilidades específicas. No entanto, com o tempo, eles se tornaram mais padronizados. Atualmente, todos os carros têm volantes, indicadores e alavancas de câmbio praticamente nos mesmos lugares, cumprindo a mesma função. Ao padronizar esses elementos-chave, um motorista pode dirigir qualquer carro em qualquer lugar do mundo. Esse tipo de padronização facilitou a maioria dos principais avanços tecnológicos e funcionais.
Produtos Data como Lego Inteligente Padronizado
A Lean AI está comprometida com a criação de tijolos tecnológicos baseados em ecossistemas, ou produtos data, sobre os quais a empresa pode construir uma estratégia de IA sustentável.
O objetivo é fornecer às equipes do data uma biblioteca de componentes tecnológicos padrão, de modo que os projetos com as mesmas características técnicas possam ser processados usando a mesma abordagem e ser integrados ao restante do ecossistema.
Para ser reutilizável, a IA deve ser “empacotada” como uma estrutura Lego, composta de vários tijolos que, quando combinados, criam um modelo mais complexo. O modelo artificial intelligence se baseia em um fundamento de denominadores comuns - produtos genéricos data - essenciais para o funcionamento adequado da IA, mas não específicos para o problema que está sendo tratado. Os produtos data especializados podem, então, ser criados, quando necessário, para atender aos requisitos específicos do produto de IA.
A Uber está construindo seus denominadores comuns ao criar uma plataforma científica data chamada Michelangelo. A plataforma tem como objetivo resolver problemas de produção padronizando fluxos de trabalho e empacotando trechos de código data para ajudar os centros data a compartilhar e disseminar o conhecimento.
No varejo, o cliente e a loja são fontes data comuns na maioria dos projetos. São fontes data genéricas que podem ser usadas por produtos data especializados, como algoritmos de recomendação ou algoritmos para garantir a disponibilidade de estoque.
Essa abordagem tem vários benefícios:
- Ele desenvolve a capacidade de equipes, padronizando abordagens e desenvolvendo habilidades internas
- Ele aumenta a qualidade do produto final, definindo padrões de desenvolvimento e controles de qualidade
- Ele melhora o tempo de colocação no mercado centralizando o conhecimento e aprendendo com experiências passadas
Acima de tudo, permite que as equipes se concentrem no trabalho especializado 20% essencial que aumentará o valor gerado pelo produto final.
Uma ênfase clara na operacionalização dos produtos data na última milha
A metodologia Lean AI enfatiza a última milha da cadeia de produção. Um produto data só será bem-sucedido se for amplamente distribuído e consumido pelos usuários finais.
A distribuição dos produtos data
O trabalho das equipes do data não termina quando o modelo é construído, mas quando os KPIs de negócios são atendidos. Isso envolve a disponibilização do algoritmo para todos os usuários finais.
Por exemplo, quando um novo componente do Google Cloud é desenvolvido, ele é empacotado para que os usuários do Google Cloud Platform possam usá-lo facilmente. O Google desenvolve APIs de aprendizado de máquina, que são criadas para expandir o uso dos produtos de IA do Google e impulsionar a adoção generalizada. O objetivo dos produtos data é beneficiar um audience muito maior do que aquele para o qual o componente foi originalmente projetado.
Um modelo de aprendizado de máquina para prever a disponibilidade de estoque para um EAN (European Article Number) específico pode ser extremamente útil para um varejista. No entanto, se o varejista alimentá-lo por meio de uma API padronizada em um painel disponível para toda a empresa, ele será muito mais poderoso. Esse painel pode ser usado pelos gerentes de loja para acompanhar o fluxo de seu estoque, pela equipe de marketing para direcionar suas campanhas para produtos de sucesso, pela equipe de promoção para definir sua estratégia promocional e pela equipe de suprimentos para otimizar a cadeia de suprimentos.
Análise de IA
Uma vez que o produto data tenha sido distribuído para as diferentes áreas da empresa, devemos medir a adoção e impulsionar o desempenho.
O Artefact recomenda a implementação de uma ferramenta de análise de IA, controlada por proprietários de produtos, para promover melhorias.
Alguns dos KPIs do AI Analytics:
- KPIs de uso (por exemplo, número de usuários do modelo)
- KPIs técnicos (por exemplo, desempenho do modelo (erro %), número de falhas na linha de produção)
- KPIs de negócios (por exemplo, economias geradas, volume de negócios incremental)
O proprietário do produto de IA deve se tornar um especialista em comportamento humano
Para entender o uso do produto por pessoas reais, o proprietário do produto deve passar tempo com as pessoas. Como resultado, as sessões de imersão com equipes de negócios são melhores do que o envio de pesquisas com usuários. O proprietário do produto de IA deve agir como um etnógrafo, observando como a ferramenta criada é usada em seu ambiente de trabalho.
Essa metodologia é uma das práticas recomendadas comprovadas para o desenvolvimento de produtos digitais. Pierre Fournier, diretor de produtos da ManoMano, recomenda que os proprietários de produtos organizem “sextas-feiras de pipoca”, nas quais eles assistem a gravações de vídeo das jornadas dos usuários no site. A primeira sexta-feira do mês é dedicada à exibição de 20 sessões no caminho do pagamento e a última sexta-feira do mês é dedicada à exibição de 20 sessões de usuários que chegam ao site. Isso permite que os proprietários de produtos se identifiquem com os usuários e facilita muito a decisão sobre os ajustes.
