NOTÍCIAS / TECNOLOGIA AI

Inspirado nos sete “desperdícios” popularizados na produção enxuta, o Artefact adaptou esse conceito ao campo do artificial intelligence. Esse estudo baseia-se em mais de 30 projetos de artificial intelligence realizados nos últimos três anos.

Inspirado nos sete “desperdícios” popularizados na produção enxuta, o Artefact adaptou esse conceito ao campo do artificial intelligence. Esse estudo baseia-se em mais de 30 projetos de artificial intelligence realizados nos últimos três anos.

Para cada “desperdício” identificado - processamento extra, energia, estoque, superprodução, espera, falhas e talento - as causas são explicadas por meio de exemplos concretos.

Processamento extra: Superando as expectativas dos clientes

IA pelo bem da IA

Fazer IA porque é a coisa nova e brilhante. Isso ocorre quando as equipes técnicas trabalham para criar uma solução técnica eficiente e inovadora, porém complexa. As considerações comerciais são relegadas a segundo plano em favor do desafio tecnológico; as especificações técnicas têm precedência sobre as especificações comerciais imprecisas, e os principais recursos geradores de valor não são claramente identificados. O processamento extra geralmente resulta em “caixas pretas” complexas”

que precisam ser mantidos pelas equipes técnicas e só então compreendidos e adotados pelas equipes comerciais.

“Reinventando a roda”

A criação de IA personalizada consome muito tempo. Às vezes, um detalhe pequeno e perfeito que o cliente não priorizou e não está esperando se torna o foco de um projeto. Quando isso acontece, o verdadeiro objetivo do projeto é abandonado em favor da solução de problemas menores.

Exemplos:

Uma companhia de seguros deseja criar um algoritmo de previsão de churn. O algoritmo tradicional de prateleira Os algoritmos permitem que as especificações sejam atendidas. No entanto, a equipe do data deseja projetar um solução personalizada de aprendizagem profunda. O algoritmo que eles projetaram é uma “caixa preta”, que leva muito mais tempo para ser avaliado e compreendido.

Uma empresa de FMCG deseja configurar um algoritmo de alocação para ajudar a gerenciar a mídia compra. Em vez de capitalizar os modelos tradicionais de atribuição (último toque, linear, primeiro toque etc.), a empresa deseja configurar um modelo de alocação data-driven, fornecendo um modelo desnecessariamente complexo que é difícil de entender e usar.

Energia: esforços humanos ou de máquinas que não aumentam os lucros

Falta de integração

Muitas vezes, as empresas não têm um ecossistema técnico de IA e possuem ferramentas e sistemas de informação legados em vigor. Os diferentes componentes necessários para criar a solução de IA não são integrados, aumentando o custo e o tempo do processo de desenvolvimento. Em um nível humano, as habilidades não são centralizadas e a comunicação não é fluida, resultando em mal-entendidos e perda de tempo.

Exemplos:

Uma empresa de varejo deseja criar um algoritmo de recomendação de clientes. O data necessário para o projeto (CRM, transacional, navegação etc.) está espalhado por várias bases data sem acesso centralizado. A demorada tarefa de centralização é necessária antes do lançamento do projeto.

Para se beneficiar do aumento da capacidade de computação, a equipe do data decide treinar o algoritmo no cloud e implantá-lo em uma infraestrutura de TI local. Os ecossistemas técnicos ainda não estão integrados, portanto, é necessário um trabalho extra de integração.

Inventário: A criação de inteligência não autônoma

Cultura específica versus cultura padronizada

Os modelos são projetados individualmente para atender a uma necessidade específica. Não é possível capitalizar sobre o que foi construído anteriormente, portanto, cada nova necessidade é atendida a partir do zero, o que atrasa a produção e o desenvolvimento de novos modelos.

O peso das escolhas do passado

A má escolha da tecnologia inicial resulta em um produto data que exige muita manutenção. A equipe gasta muito tempo mantendo o sistema existente em vez de iterar e melhorar.

Exemplos:

Uma empresa de cosméticos deseja criar uma solução de Processamento de Linguagem Natural (PLN) para analisar o sentimento nas redes sociais. Em vez de usar um componente existente e adicionar um elemento especializado de NLP, a solução é criada sob medida. Três meses depois, outra equipe quer usar o PLN para outro tipo de análise; ela é forçada a começar do zero, criando mais “inventário” de IA.

Uma empresa de Internet das Coisas (IoT) quer entender como os consumidores usam seus produtos conectados No entanto, os dispositivos data que retornam à empresa são irregulares e de baixa qualidade. A empresa decide terceirizar a implementação de um novo produto data para resolver esse problema e permitir que o data seja processado em tempo real, além de antecipar qualquer problema de qualidade. Após a entrega do novo produto data, as equipes internas não conseguem manter a nova solução (específica e complexa). Eles têm muitos sistemas de IA específicos, separados e complexos.

Superprodução: A IA chega cedo demais para o nível de maturidade da empresa, ou de forma não estruturada

Excesso de provas de conceito (POCs) não industrializadas

Sem uma estratégia integrada, surgem muitas iniciativas diferentes (POCs) fora do objetivo principal da empresa. Essas iniciativas geralmente surgem em antecipação às expectativas dos clientes e muitas respondem ao mesmo problema.

Exemplo:

Uma empresa de FMCG decide lançar uma equipe de projeto com foco no artificial intelligence. A primeira ação da equipe é organizar um workshop de ideias para identificar casos de uso para desenvolvimento posterior. Os casos de uso apresentados se concentram em promoção e marketing, e outras áreas valiosas são negligenciadas, incluindo otimização da cadeia de suprimentos, redução do consumo de energia e redução de custos na loja.

Espera: Tempo desocupado, aguardando uma entrega ou uma decisão gerencial

Falta de patrocínio do nível C

A inteligência artificial não é considerada uma ferramenta estratégica pelos gerentes da empresa. O tempo gasto para convencer a gerência de que o artificial intelligence pode criar uma vantagem competitiva deixa pouco tempo para agir.

O fraco patrocínio dos líderes leva à falta de participação de todas as equipes. Os processos não são medidos, o que leva a problemas de qualidade, defeitos e bugs técnicos. Os processos também não são fluidos, com perda significativa de tempo à espera de aprovação entre os estágios sucessivos.

Exemplo:

Uma empresa do setor de viagens deseja desenvolver um aplicativo de voz no Google Home e no Alexa. Três meses são dedicados à identificação e mobilização de recursos técnicos. É identificada uma clara necessidade de aumentar as habilidades da equipe. A empresa decide usar recursos externos, que são então colocados em espera por um mês até que seja concedido acesso às bases data e ao ambiente técnico. Quando o projeto está pronto para ser lançado, ele é interrompido por várias semanas, devido a um atraso na assinatura de um NDA pelo CEO.

Falhas: O produto de IA não atende às necessidades do cliente final

Foco na velocidade de execução versus qualidade e consistência

  • Má compreensão das necessidades comerciais; especificações não suficientemente precisas no início do programa
  • Processos não padronizados; detecção deficiente de bugs durante a fase de produção.
  • Recursos quebrados como infraestrutura e conectores para outros sistemas não são atualizados
  • Isso pode ser causado pela premiação das equipes com base na quantidade e na velocidade de execução, e não na qualidade

Exemplo:

Uma empresa do setor de alimentos e bebidas deseja substituir seu software para diagnosticar falhas em sua cadeia de suprimentos refrigerada. Anteriormente, eles usavam uma árvore de decisão determinística construída por humanos para analisar as falhas, mas queriam substituí-la por um algoritmo de aprendizado de máquina. Em vez de deixar o algoritmo definir a solução mais relevante para resolver o problema, a equipe do data limitou o algoritmo incluindo restrições desenvolvidas por humanos. No final do programa, os resultados são os mesmos do sistema anterior.

Pessoas: Falha em capitalizar as habilidades internas

Falta de uma cultura inclusiva com os seres humanos no centro

Para ter sucesso em sua transformação de IA, a empresa deve reconhecer os pontos fortes e as contribuições de cada funcionário e tornar a transformação de IA inclusiva. Atualmente, muito pouco tempo e recursos são dedicados ao aumento das habilidades, ao treinamento e ao desenvolvimento dos funcionários, o que torna a implementação de soluções de IA desafiadora e limita a transferência de conhecimento.

Três anos após o lançamento de um grande plano de transformação de IA, uma empresa bancária consulta seus funcionários. Três pontos principais resultam da consulta:

  • A solução de problemas é feita na sala pelos especialistas, ignorando as contribuições dos outros membros da equipe
  • Ideias de melhoria impostas pela gerência ou por especialistas ao restante da equipe, em vez de serem projetadas com eles
  • Produtos projetados “a baixo custo” devido à falta de habilidades e conhecimento
  • As equipes não são suficientemente incentivadas na entrega do projeto