![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/margaret-weir-524923-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NOT\u00cdCIAS \/ TECNOLOGIA AI<\/p>\n<\/div>
O Artefact adaptou as metodologias do Lean Manufacturing para remediar as sete fontes de desperd\u00edcio tradicionalmente encontradas nos projetos do artificial intelligence.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
O Artefact adaptou as metodologias do Lean Manufacturing para remediar as sete fontes de desperd\u00edcio tradicionalmente encontradas nos projetos do artificial intelligence.<\/span><\/p>\n Essas diretrizes foram criadas para evitar armadilhas e otimizar o processamento, mas podem ser adaptadas.<\/span><\/p>\n Eles proporcionar\u00e3o otimiza\u00e7\u00e3o do tempo de coloca\u00e7\u00e3o no mercado, entrega cont\u00ednua, colabora\u00e7\u00e3o fluida e tomada r\u00e1pida de decis\u00f5es para maximizar o lucro.<\/span><\/p>\n Em seu livro O design das coisas do cotidiano<\/em>, Don Norman observa que os avan\u00e7os tecnol\u00f3gicos v\u00eam das pr\u00f3prias tecnologias ou da padroniza\u00e7\u00e3o. Ele ilustra isso com a hist\u00f3ria do autom\u00f3vel. Os primeiros carros eram todos diferentes, o que os tornava dif\u00edceis de operar, exigindo for\u00e7a e habilidades espec\u00edficas. No entanto, com o tempo, eles se tornaram mais padronizados. Atualmente, todos os carros t\u00eam volantes, indicadores e alavancas de c\u00e2mbio praticamente nos mesmos lugares, cumprindo a mesma fun\u00e7\u00e3o. Ao padronizar esses elementos-chave, um motorista pode dirigir qualquer carro em qualquer lugar do mundo. Esse tipo de padroniza\u00e7\u00e3o facilitou a maioria dos principais avan\u00e7os tecnol\u00f3gicos e funcionais.<\/span><\/p>\n A Lean AI est\u00e1 comprometida com a cria\u00e7\u00e3o de tijolos tecnol\u00f3gicos baseados em ecossistemas, ou produtos data, sobre os quais a empresa pode construir uma estrat\u00e9gia de IA sustent\u00e1vel.<\/strong> <\/span><\/p>\n O objetivo \u00e9 fornecer \u00e0s equipes do data uma biblioteca de componentes tecnol\u00f3gicos padr\u00e3o, de modo que os projetos com as mesmas caracter\u00edsticas t\u00e9cnicas possam ser processados usando a mesma abordagem e ser integrados ao restante do ecossistema.<\/span><\/p>\n Para ser reutiliz\u00e1vel, a IA deve ser \u201cempacotada\u201d como uma estrutura Lego, composta de v\u00e1rios tijolos que, quando combinados, criam um modelo mais complexo. O modelo artificial intelligence se baseia em um fundamento de denominadores comuns - produtos gen\u00e9ricos data - essenciais para o funcionamento adequado da IA, mas n\u00e3o espec\u00edficos para o problema que est\u00e1 sendo tratado. Os produtos data especializados podem, ent\u00e3o, ser criados, quando necess\u00e1rio, para atender aos requisitos espec\u00edficos do produto de IA.<\/span><\/p>\n A Uber est\u00e1 construindo seus denominadores comuns ao criar uma plataforma cient\u00edfica data chamada Michelangelo. A plataforma tem como objetivo resolver problemas de produ\u00e7\u00e3o padronizando fluxos de trabalho e empacotando trechos de c\u00f3digo data para ajudar os centros data a compartilhar e disseminar o conhecimento.<\/span><\/p>\n No varejo, o cliente e a loja s\u00e3o fontes data comuns na maioria dos projetos. S\u00e3o fontes data gen\u00e9ricas que podem ser usadas por produtos data especializados, como algoritmos de recomenda\u00e7\u00e3o ou algoritmos para garantir a disponibilidade de estoque.<\/span><\/p>\n Essa abordagem tem v\u00e1rios benef\u00edcios:<\/span><\/p>\n Acima de tudo, permite que as equipes se concentrem no trabalho especializado 20% essencial que aumentar\u00e1 o valor gerado pelo produto final.<\/b><\/p>\n A metodologia Lean AI enfatiza a \u00faltima milha da cadeia de produ\u00e7\u00e3o. Um produto data s\u00f3 ser\u00e1 bem-sucedido se for amplamente distribu\u00eddo e consumido pelos usu\u00e1rios finais.<\/span><\/p>\n O trabalho das equipes do data n\u00e3o termina quando o modelo \u00e9 constru\u00eddo, mas quando os KPIs de neg\u00f3cios s\u00e3o atendidos. Isso envolve a disponibiliza\u00e7\u00e3o do algoritmo para todos os usu\u00e1rios finais.<\/span><\/p>\n Por exemplo, quando um novo componente do Google Cloud \u00e9 desenvolvido, ele \u00e9 empacotado para que os usu\u00e1rios do Google Cloud Platform possam us\u00e1-lo facilmente. O Google desenvolve APIs de aprendizado de m\u00e1quina, que s\u00e3o criadas para expandir o uso dos produtos de IA do Google e impulsionar a ado\u00e7\u00e3o generalizada. O objetivo dos produtos data \u00e9 beneficiar um audience muito maior do que aquele para o qual o componente foi originalmente projetado.<\/span><\/p>\n Um modelo de aprendizado de m\u00e1quina para prever a disponibilidade de estoque para um EAN (European Article Number) espec\u00edfico pode ser extremamente \u00fatil para um varejista. No entanto, se o varejista aliment\u00e1-lo por meio de uma API padronizada em um painel dispon\u00edvel para toda a empresa, ele ser\u00e1 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 promo\u00e7\u00e3o para definir sua estrat\u00e9gia promocional e pela equipe de suprimentos para otimizar a cadeia de suprimentos.<\/span><\/p>\n Uma vez que o produto data tenha sido distribu\u00eddo para as diferentes \u00e1reas da empresa, devemos medir a ado\u00e7\u00e3o e impulsionar o desempenho.<\/span><\/p>\n O Artefact recomenda a implementa\u00e7\u00e3o de uma ferramenta de an\u00e1lise de IA, controlada por propriet\u00e1rios de produtos, para promover melhorias.<\/b><\/p>\n Alguns dos KPIs do AI Analytics:<\/span><\/p>\n Para entender o uso do produto por pessoas reais, o propriet\u00e1rio do produto deve passar tempo com as pessoas. Como resultado, as sess\u00f5es de imers\u00e3o com equipes de neg\u00f3cios s\u00e3o melhores do que o envio de pesquisas com usu\u00e1rios. O propriet\u00e1rio do produto de IA deve agir como um etn\u00f3grafo, observando como a ferramenta criada \u00e9 usada em seu ambiente de trabalho.<\/span><\/p>\n Essa metodologia \u00e9 uma das pr\u00e1ticas recomendadas comprovadas para o desenvolvimento de produtos digitais. Pierre Fournier, diretor de produtos da ManoMano, recomenda que os propriet\u00e1rios de produtos organizem \u201csextas-feiras de pipoca\u201d, nas quais eles assistem a grava\u00e7\u00f5es de v\u00eddeo das jornadas dos usu\u00e1rios no site. A primeira sexta-feira do m\u00eas \u00e9 dedicada \u00e0 exibi\u00e7\u00e3o de 20 sess\u00f5es no caminho do pagamento e a \u00faltima sexta-feira do m\u00eas \u00e9 dedicada \u00e0 exibi\u00e7\u00e3o de 20 sess\u00f5es de usu\u00e1rios que chegam ao site. Isso permite que os propriet\u00e1rios de produtos se identifiquem com os usu\u00e1rios e facilita muito a decis\u00e3o sobre os ajustes.<\/span><\/p>\n \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" O Artefact adaptou as metodologias do Lean Manufacturing para remediar as sete fontes de desperd\u00edcio tradicionalmente encontradas nos projetos do artificial intelligence.<\/p>","protected":false},"featured_media":5560,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5559","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/5559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/5560"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5559"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5559"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}A IA enxuta fornece uma estrutura de duas partes para lidar com isso:<\/span><\/strong><\/h3>\n
\n
Otimiza\u00e7\u00e3o da cadeia de produ\u00e7\u00e3o por meio do desenvolvimento de produtos padr\u00e3o data<\/span><\/h3>\n
Padroniza\u00e7\u00e3o: A principal maneira de implementar avan\u00e7os tecnol\u00f3gicos<\/span><\/strong><\/h3>\n
Produtos Data como Lego Inteligente Padronizado<\/span><\/strong><\/h3>\n
\n
Uma \u00eanfase clara na operacionaliza\u00e7\u00e3o dos produtos data na \u00faltima milha<\/span><\/h3>\n
A distribui\u00e7\u00e3o dos produtos data<\/span><\/strong><\/h3>\n
An\u00e1lise de IA<\/span><\/strong><\/h3>\n
\n
O propriet\u00e1rio do produto de IA deve se tornar um especialista em comportamento humano<\/span><\/strong><\/h3>\n