NOTÍCIAS / TECNOLOGIA AI

O aumento da compreensão e da experiência com o artificial intelligence pelas organizações pode parecer contraditório, dada a falta de implementação significativa de IA na maioria das empresas.

O aumento da compreensão e da experiência com o artificial intelligence pelas organizações pode parecer contraditório, dada a falta de implementação significativa de IA na maioria das empresas.

Neste artigo, examinaremos os motivos subjacentes a essa dicotomia e exploraremos as condições necessárias para alcançar o sucesso.

As organizações que estão implementando com sucesso as tecnologias de IA estão vendo o surgimento de novos modelos, especialmente na forma de uma “fábrica de IA”, uma combinação de talentos, métodos e tecnologias a serviço de toda a empresa.

A inovação em tecnologias nascentes invariavelmente segue o chamado “Hype Cycle” do Gartner, que identifica cinco estágios de ciclo de vida que se sobrepõem:

  1. Gatilho de inovação: Nesse estágio, uma tecnologia em potencial dá início às atividades. Pode haver protótipos, muito interesse da mídia e publicidade, mas, com frequência, não há produtos comercialmente viáveis disponíveis.
  2. Pico de expectativas infladas: Nesse ponto, a tecnologia é implementada; ela produz várias histórias de sucesso, mas um número muito maior de fracassos. Algumas empresas adotam a tecnologia; muitas não.
  3. Vale da desilusão: O interesse começa a se esvair à medida que as falhas e os fracassos vêm à tona. Alguns produtores da tecnologia desistem da corrida. Os investimentos continuam somente se os fornecedores sobreviventes melhorarem seus produtos para a satisfação dos usuários.
  4. Inclinação do esclarecimento: As maneiras pelas quais a tecnologia pode beneficiar as empresas se tornam mais evidentes. Mais empresas a testam; algumas empresas produzem produtos de segunda e terceira geração.
  5. Platô de produtividade: A tecnologia passa a ser amplamente implementada. Suas aplicações de mercado tornam-se claras e a adoção de alto crescimento começa.

Como o ciclo demonstra, cada fase de sucesso concreto é precedida por uma fase de desilusão. O excesso de complicações pode impedir o sucesso desses projetos. Os riscos de enfrentar o desafio de Inteligência Artificial são altos: de acordo com a Accenture, as empresas que fazem bom uso do artificial intelligence podem ver sua lucratividade aumentar em mais de 30%! Além disso, há novas fontes potenciais de receita, que podem resultar de experiências aprimoradas do cliente ou de maior vantagem competitiva.

O que é IA? Que valor ela pode trazer para as empresas?

A IA, que ainda está em sua infância, é um conjunto de ciências altamente teóricas; no entanto, ela deve ser vista pelas empresas com o objetivo de reduzir custos, e não pelo prisma da inovação (a síndrome da “última palavra da moda”). Como as empresas podem extrair valor real desses experimentos de IA? Como elas podem ter sucesso no “aumento de escala”? Nossa resposta exige novas estruturas organizacionais, nas quais falamos de “fábricas de IA”.

Hoje, cada vez mais algoritmos e “produtos de inteligência” estão nas prateleiras. Pelo menos nos níveis mais baixos. Os primeiros parceiros de nuvem da Europa, Amazon (AWS), Microsoft (Azure), Google (GCP) e IBM, oferecem vários níveis de abstração que permitem que as empresas “produzam” IA internamente (o Google lançou recentemente um novo serviço universal gerenciado chamado Anthos); essas soluções funcionam um pouco como os kits de química com os quais brincávamos quando crianças. Elas propõem acesso simples a infraestruturas projetadas especificamente para responder à aprendizado de máquina necessidades, como as TPUs do Google, que são serviços gerenciados que permitem a concentração de equipes em determinados aplicativos.

Também estão disponíveis vários código aberto bibliotecas (scikit-learn, TensorFlow, Pytorch), bem como APIs proprietárias (reconhecimento de imagem, texto e voz). Mas os problemas podem surgir após os sucessos iniciais, pois apenas uma pequena parte desses testes acaba no modo de produção, gerando não apenas frustração, mas, obviamente, oportunidades perdidas.

A maioria das grandes organizações investiu maciçamente em ciência Data, e com razão: em 2016, a McKinsey anunciou que 250.000 cientistas Data seriam necessários até 2021 somente nos EUA. Mas agora estamos percebendo que esses perfis, que são altamente focados em modelos, estatísticas e algoritmos de data, não serão suficientes para transformar a empresa com IA. Omitimos, por exemplo, os inestimáveis Data Engineers e Data Architects, cujos talentos são fundamentais para garantir o sucesso nos próximos anos, mas cuja integração em projetos de equipe ainda não foi alcançada.

Um novo modo organizacional está surgindo gradualmente: A fábrica de Inteligência Artificial, ou fábrica de IA,
que segue um certo número de princípios orientadores simples, mas cruciais para o sucesso dessas iniciativas. 

A Fábrica de IA começa com uma governança centralizada

Um com metas muito ambiciosas... A ideia é reunir e coordenar os esforços de investimento e direção. Apenas um número muito pequeno dos projetos de maior valor da empresa será examinado pelos patrocinadores mais empenhados em seu sucesso. A seleção desses casos de uso deve ser extremamente rigorosa: especificamente, nenhum projeto deve ver a luz se não respeitar a simples lei do 10X (oferecer um retorno sobre o investimento de 10:1). O sucesso e o impacto de cada caso de uso devem ser mensuráveis de acordo com um KPI simples e compreensível, e o aprimoramento sistemático desse KPI deve ser o objetivo do senhor. raison d'être das equipes.

As equipes de recursos garantem uma organização de projeto dedicada

Popularizadas pelo Spotify, as equipes de recursos respondem aos desafios de reduzir o tempo de lançamento no mercado, a transversalidade e a continuidade do projeto. Dirigida por um gerente de negócios, a equipe de recursos é composta por um proprietário de produto, cientistas data, engenheiros data e especialistas em DevOps. A inclusão de DevOps / TI na equipe de recursos garante excelente supervisão e manutenção perene da solução de IA. Uma “equipe de plataforma” garante a coerência tecnológica dos blocos de construção implantados pelas equipes de recursos. É importante observar que esse modelo organizacional funciona muito bem em escala (há até 10 equipes de recursos para cada “Tribo” no Spotify).

Os benefícios das equipes de recursos

  • As equipes de recursos são mais capazes de avaliar o impacto das decisões de design. No final de um sprint, uma equipe de recursos terá criado uma funcionalidade de ponta a ponta, passando por todos os níveis da pilha de tecnologia do aplicativo. Isso maximiza o aprendizado dos membros sobre as decisões de design do produto que tomaram (os usuários gostam da funcionalidade desenvolvida?) e sobre as decisões de design técnico (essa abordagem de implementação funcionou bem para nós?).
  • As equipes de recursos reduzem o desperdício criado pelas transferências. Passar o trabalho de um grupo ou indivíduo para outro é um desperdício. No caso de uma equipe de componentes, existe o risco de que tenha sido desenvolvida uma funcionalidade muito grande ou muito pequena, que tenha sido desenvolvida a funcionalidade errada, que parte da funcionalidade não seja mais necessária e assim por diante.
  • Isso garante que as pessoas certas estejam falando. Como uma equipe de recursos inclui todas as habilidades necessárias para passar da ideia ao recurso testado e em execução, ela garante que os indivíduos com essas habilidades se comuniquem pelo menos diariamente.
  • Ele mantém o foco no fornecimento de recursos. Pode ser tentador para uma equipe voltar aos seus hábitos pré-Scrum. A organização das equipes em torno da entrega de recursos, em vez de elementos arquitetônicos ou tecnologias, serve como um lembrete constante do foco do Scrum na entrega de recursos em cada sprint.

Uma metodologia específica: IA enxuta

A IA enxuta é uma metodologia que reduz a incerteza da eficiência e da aplicabilidade das soluções de IA. Os modelos nunca são perfeitos e devem ser testados em situações do mundo real. O método consiste em um loop de aprimoramento contínuo de ciclos curtos que incluem a formulação de hipóteses, a identificação de data pertinentes, a construção e o teste de um ou mais modelos, seguidos da implantação em um perímetro de teste e da coleta de feedback do usuário.

O ciclo é repetido com a formulação de novas hipóteses, novos data, etc. Esse método permite o teste em situações reais e, em seguida, o aprimoramento de casos não explorados, até atingir um nível de satisfação considerado aceitável pela organização para iniciar a produção.

... Junto com uma infraestrutura adaptada

A implantação deve ser prevista desde os primeiros dias do projeto para evitar começar do zero em um ambiente técnico diferente.

A criação de novos silos de data também deve ser evitada, fazendo-se o máximo uso dos lagos e poços de data existentes na organização. Os aplicativos de IA devem ser criados em uma lógica de arquitetura orientada a serviços.

As tecnologias de conteinerização e orquestração, como Docker e Kubernetes, permitem o gerenciamento simplificado de ecossistemas de microsserviços, facilitando o uso de modelos de IA por meio de APIs que podem ser usadas por todas as divisões da organização.

... E trabalhar na transformação e adoção internas

Embora muitas empresas já compartilhem um espaço comum, a falta de compartilhamento de um modelo operacional comum está prejudicando o sucesso dos projetos de IA. Por exemplo, um “Chatbot” pertencente a um site comercial deveria ser uma parte natural do caminho de vendas, em vez de ser considerado como um silo de aquisição separado, mas isso geralmente não acontece. Quando os diferentes departamentos de uma empresa adotam as mesmas tecnologias, o sucesso da IA é muito mais provável.

Etapas para o sucesso do projeto de IA

#1 Defina sua meta de IA  

2 Faça o backup com Data

#3 Envolva seus especialistas internos no assunto (SMEs).

#4 Medir o resultado, não a produção

#5 Iteração rápida!

Finalmente: um desafio ético cada vez mais importante

Recentemente, vimos o exemplo da Alexa e a surpresa desagradável de sua escuta (necessária e planejada para aprimorar o aprendizado supervisionado). As regulamentações sempre ficarão atrás da tecnologia. É importante que as empresas que empregam a artificial intelligence compreendam os desafios éticos dessas soluções. Sete princípios éticos orientadores, que foram publicados pelo Comitê de Especialistas Independentes, mandatado pela Comissão Europeia: IA a serviço da humanidade, confiável, que respeita o data privado, transparente, não discriminatória, dedicada à melhoria do bem comum e, por fim, com uma responsabilidade humana claramente definida.

Um número crescente de organizações está decidindo aplicar esses princípios para extrair o valor da IA: o Carrefour anunciou recentemente o lançamento de seu Laboratório de Inteligência Artificial em parceria com o Google, e o Walmart anunciou o lançamento de sua “Fábrica de Nuvem” em Austin com a Microsoft. Não há dúvidas de que esses novos métodos organizacionais, focados no valor e pragmáticos em sua abordagem à inovação, serão implantados com mais frequência e sucesso nos próximos anos.