{"id":5602,"date":"2019-06-07T16:16:20","date_gmt":"2019-06-07T15:16:20","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5602"},"modified":"2024-09-20T17:45:03","modified_gmt":"2024-09-20T16:45:03","slug":"the-seven-wastes-in-artificial-intelligence-projects","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/the-seven-wastes-in-artificial-intelligence-projects\/","title":{"rendered":"Os sete \u201cdesperd\u00edcios\u201d em projetos de Intelig\u00eancia Artificial"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NOT\u00cdCIAS \/ TECNOLOGIA AI<\/p>\n<\/div>

Inspirado nos sete \u201cdesperd\u00edcios\u201d popularizados na produ\u00e7\u00e3o 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 \u00faltimos tr\u00eas anos.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Inspirado nos sete \u201cdesperd\u00edcios\u201d popularizados na produ\u00e7\u00e3o 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 \u00faltimos tr\u00eas anos.<\/span><\/p>\n

Para cada \u201cdesperd\u00edcio\u201d identificado - processamento extra, energia, estoque, superprodu\u00e7\u00e3o, espera, falhas e talento - as causas s\u00e3o explicadas por meio de exemplos concretos.<\/span><\/p>\n

Processamento extra: Superando as expectativas dos clientes<\/span><\/h3>\n

IA pelo bem da IA<\/span><\/h3>\n

Fazer IA porque \u00e9 a coisa nova e brilhante. Isso ocorre quando as equipes t\u00e9cnicas trabalham para criar uma solu\u00e7\u00e3o t\u00e9cnica eficiente e inovadora, por\u00e9m complexa. As considera\u00e7\u00f5es comerciais s\u00e3o relegadas a segundo plano em favor do desafio tecnol\u00f3gico; as especifica\u00e7\u00f5es t\u00e9cnicas t\u00eam preced\u00eancia sobre as especifica\u00e7\u00f5es comerciais imprecisas, e os principais recursos geradores de valor n\u00e3o s\u00e3o claramente identificados. O processamento extra geralmente resulta em \u201ccaixas pretas\u201d complexas\u201d<\/span><\/p>\n

que precisam ser mantidos pelas equipes t\u00e9cnicas e s\u00f3 ent\u00e3o compreendidos e adotados pelas equipes comerciais.<\/span><\/p>\n

\u201cReinventando a roda\u201d<\/span><\/h3>\n

A cria\u00e7\u00e3o de IA personalizada consome muito tempo. \u00c0s vezes, um detalhe pequeno e perfeito que o cliente n\u00e3o priorizou e n\u00e3o est\u00e1 esperando se torna o foco de um projeto. Quando isso acontece, o verdadeiro objetivo do projeto \u00e9 abandonado em favor da solu\u00e7\u00e3o de problemas menores.<\/span><\/p>\n

Exemplos:<\/span><\/h3>\n

Uma companhia de seguros deseja criar um algoritmo de previs\u00e3o de churn. O algoritmo tradicional de prateleira\u00a0<\/span>Os algoritmos permitem que as especifica\u00e7\u00f5es sejam atendidas. No entanto, a equipe do data deseja projetar um\u00a0<\/span>solu\u00e7\u00e3o personalizada de aprendizagem profunda. O algoritmo que eles projetaram \u00e9 uma \u201ccaixa preta\u201d, que leva muito mais tempo para ser avaliado e compreendido.<\/span><\/p>\n

Uma empresa de FMCG deseja configurar um algoritmo de aloca\u00e7\u00e3o para ajudar a gerenciar a m\u00eddia\u00a0<\/span>compra. Em vez de capitalizar os modelos tradicionais de atribui\u00e7\u00e3o (\u00faltimo toque, linear, primeiro toque etc.), a empresa deseja configurar um modelo de aloca\u00e7\u00e3o data-driven, fornecendo um modelo desnecessariamente complexo que \u00e9 dif\u00edcil de entender e usar.<\/span><\/p>\n

Energia: esfor\u00e7os humanos ou de m\u00e1quinas que n\u00e3o aumentam os lucros<\/span><\/h3>\n

Falta de integra\u00e7\u00e3o<\/span><\/h3>\n

Muitas vezes, as empresas n\u00e3o t\u00eam um ecossistema t\u00e9cnico de IA e possuem ferramentas e sistemas de informa\u00e7\u00e3o legados em vigor. Os diferentes componentes necess\u00e1rios para criar a solu\u00e7\u00e3o de IA n\u00e3o s\u00e3o integrados, aumentando o custo e o tempo do processo de desenvolvimento. Em um n\u00edvel humano, as habilidades n\u00e3o s\u00e3o centralizadas e a comunica\u00e7\u00e3o n\u00e3o \u00e9 fluida, resultando em mal-entendidos e perda de tempo.<\/span><\/p>\n

Exemplos: <\/span><\/h3>\n

Uma empresa de varejo deseja criar um algoritmo de recomenda\u00e7\u00e3o de clientes. O data necess\u00e1rio para o projeto (CRM, transacional, navega\u00e7\u00e3o etc.) est\u00e1 espalhado por v\u00e1rias bases data sem acesso centralizado. A demorada tarefa de centraliza\u00e7\u00e3o \u00e9 necess\u00e1ria antes do lan\u00e7amento do projeto.<\/span><\/p>\n

Para se beneficiar do aumento da capacidade de computa\u00e7\u00e3o, a equipe do data decide treinar o algoritmo no cloud e implant\u00e1-lo em uma infraestrutura de TI local. Os ecossistemas t\u00e9cnicos ainda n\u00e3o est\u00e3o integrados, portanto, \u00e9 necess\u00e1rio um trabalho extra de integra\u00e7\u00e3o.<\/span><\/p>\n

Invent\u00e1rio: A cria\u00e7\u00e3o de intelig\u00eancia n\u00e3o aut\u00f4noma<\/span><\/h3>\n

Cultura espec\u00edfica versus cultura padronizada<\/span><\/h3>\n

Os modelos s\u00e3o projetados individualmente para atender a uma necessidade espec\u00edfica. N\u00e3o \u00e9 poss\u00edvel capitalizar sobre o que foi constru\u00eddo anteriormente, portanto, cada nova necessidade \u00e9 atendida a partir do zero, o que atrasa a produ\u00e7\u00e3o e o desenvolvimento de novos modelos.<\/span><\/p>\n

O peso das escolhas do passado<\/span><\/h3>\n

A m\u00e1 escolha da tecnologia inicial resulta em um produto data que exige muita manuten\u00e7\u00e3o. A equipe gasta muito tempo mantendo o sistema existente em vez de iterar e melhorar.<\/span><\/p>\n

Exemplos:<\/span><\/h3>\n

Uma empresa de cosm\u00e9ticos deseja criar uma solu\u00e7\u00e3o 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 solu\u00e7\u00e3o \u00e9 criada sob medida. Tr\u00eas meses depois, outra equipe quer usar o PLN para outro tipo de an\u00e1lise; ela \u00e9 for\u00e7ada a come\u00e7ar do zero, criando mais \u201cinvent\u00e1rio\u201d de IA.<\/span><\/p>\n

Uma empresa de Internet das Coisas (IoT) quer entender como os consumidores usam seus produtos conectados\u00a0<\/span>No entanto, os dispositivos data que retornam \u00e0 empresa s\u00e3o irregulares e de baixa qualidade. A empresa decide terceirizar a implementa\u00e7\u00e3o de um novo produto data para resolver esse problema e permitir que o data seja processado em tempo real, al\u00e9m de antecipar qualquer problema de qualidade. Ap\u00f3s a entrega do novo produto data, as equipes internas n\u00e3o conseguem manter a nova solu\u00e7\u00e3o (espec\u00edfica e complexa). Eles t\u00eam muitos sistemas de IA espec\u00edficos, separados e complexos.<\/span><\/p>\n

Superprodu\u00e7\u00e3o: A IA chega cedo demais para o n\u00edvel de maturidade da empresa, ou de forma n\u00e3o estruturada<\/span><\/h3>\n

Excesso de provas de conceito (POCs) n\u00e3o industrializadas<\/span><\/h3>\n

Sem uma estrat\u00e9gia integrada, surgem muitas iniciativas diferentes (POCs) fora do objetivo principal da empresa. Essas iniciativas geralmente surgem em antecipa\u00e7\u00e3o \u00e0s expectativas dos clientes e muitas respondem ao mesmo problema.<\/span><\/p>\n

Exemplo:<\/span><\/h3>\n

Uma empresa de FMCG decide lan\u00e7ar uma equipe de projeto com foco no artificial intelligence. A primeira a\u00e7\u00e3o da equipe \u00e9 organizar um workshop de ideias para identificar casos de uso para desenvolvimento posterior. Os casos de uso apresentados se concentram em promo\u00e7\u00e3o e marketing, e outras \u00e1reas valiosas s\u00e3o negligenciadas, incluindo otimiza\u00e7\u00e3o da cadeia de suprimentos, redu\u00e7\u00e3o do consumo de energia e redu\u00e7\u00e3o de custos na loja.<\/span><\/p>\n

Espera: Tempo desocupado, aguardando uma entrega ou uma decis\u00e3o gerencial<\/span><\/h3>\n

Falta de patroc\u00ednio do n\u00edvel C<\/span><\/h3>\n

A intelig\u00eancia artificial n\u00e3o \u00e9 considerada uma ferramenta estrat\u00e9gica pelos gerentes da empresa. O tempo gasto para convencer a ger\u00eancia de que o artificial intelligence pode criar uma vantagem competitiva deixa pouco tempo para agir.<\/span><\/p>\n

O fraco patroc\u00ednio dos l\u00edderes leva \u00e0 falta de participa\u00e7\u00e3o de todas as equipes. Os processos n\u00e3o s\u00e3o medidos, o que leva a problemas de qualidade, defeitos e bugs t\u00e9cnicos. Os processos tamb\u00e9m n\u00e3o s\u00e3o fluidos, com perda significativa de tempo \u00e0 espera de aprova\u00e7\u00e3o entre os est\u00e1gios sucessivos.<\/span><\/p>\n

Exemplo:<\/span><\/h3>\n

Uma empresa do setor de viagens deseja desenvolver um aplicativo de voz no Google Home e no Alexa. Tr\u00eas meses s\u00e3o dedicados \u00e0 identifica\u00e7\u00e3o e mobiliza\u00e7\u00e3o de recursos t\u00e9cnicos. \u00c9 identificada uma clara necessidade de aumentar as habilidades da equipe. A empresa decide usar recursos externos, que s\u00e3o ent\u00e3o colocados em espera por um m\u00eas at\u00e9 que seja concedido acesso \u00e0s bases data e ao ambiente t\u00e9cnico. Quando o projeto est\u00e1 pronto para ser lan\u00e7ado, ele \u00e9 interrompido por v\u00e1rias semanas, devido a um atraso na assinatura de um NDA pelo CEO.<\/span><\/p>\n

Falhas: O produto de IA n\u00e3o atende \u00e0s necessidades do cliente final<\/span><\/h3>\n

Foco na velocidade de execu\u00e7\u00e3o versus qualidade e consist\u00eancia<\/span><\/h3>\n
    \n
  • M\u00e1 compreens\u00e3o das necessidades comerciais; especifica\u00e7\u00f5es n\u00e3o suficientemente precisas no in\u00edcio do programa<\/span><\/li>\n
  • Processos n\u00e3o padronizados; detec\u00e7\u00e3o deficiente de bugs durante a fase de produ\u00e7\u00e3o.<\/span><\/li>\n
  • Recursos quebrados como infraestrutura e conectores para outros sistemas n\u00e3o s\u00e3o atualizados<\/span><\/li>\n
  • Isso pode ser causado pela premia\u00e7\u00e3o das equipes com base na quantidade e na velocidade de execu\u00e7\u00e3o, e n\u00e3o na qualidade<\/span><\/li>\n<\/ul>\n

    Exemplo:<\/span><\/h3>\n

    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 \u00e1rvore de decis\u00e3o determin\u00edstica constru\u00edda por humanos para analisar as falhas, mas queriam substitu\u00ed-la por um algoritmo de aprendizado de m\u00e1quina. Em vez de deixar o algoritmo definir a solu\u00e7\u00e3o mais relevante para resolver o problema, a equipe do data limitou o algoritmo incluindo restri\u00e7\u00f5es desenvolvidas por humanos. No final do programa, os resultados s\u00e3o os mesmos do sistema anterior.<\/span><\/p>\n

    Pessoas: Falha em capitalizar as habilidades internas<\/span><\/h3>\n

    Falta de uma cultura inclusiva com os seres humanos no centro<\/span><\/h3>\n

    Para ter sucesso em sua transforma\u00e7\u00e3o de IA, a empresa deve reconhecer os pontos fortes e as contribui\u00e7\u00f5es de cada funcion\u00e1rio e tornar a transforma\u00e7\u00e3o de IA inclusiva. Atualmente, muito pouco tempo e recursos s\u00e3o dedicados ao aumento das habilidades, ao treinamento e ao desenvolvimento dos funcion\u00e1rios, o que torna a implementa\u00e7\u00e3o de solu\u00e7\u00f5es de IA desafiadora e limita a transfer\u00eancia de conhecimento.<\/span><\/p>\n

    Tr\u00eas anos ap\u00f3s o lan\u00e7amento de um grande plano de transforma\u00e7\u00e3o de IA, uma empresa banc\u00e1ria consulta seus funcion\u00e1rios. Tr\u00eas pontos principais resultam da consulta:<\/span><\/p>\n

      \n
    • A solu\u00e7\u00e3o de problemas \u00e9 feita na sala pelos especialistas, ignorando as contribui\u00e7\u00f5es dos outros membros da equipe<\/span><\/li>\n
    • Ideias de melhoria impostas pela ger\u00eancia ou por especialistas ao restante da equipe, em vez de serem projetadas com eles<\/span><\/li>\n
    • Produtos projetados \u201ca baixo custo\u201d devido \u00e0 falta de habilidades e conhecimento<\/span><\/li>\n
    • As equipes n\u00e3o s\u00e3o suficientemente incentivadas na entrega do projeto<\/span><\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

      Inspirado nos sete \u00abdesperd\u00edcios\u00bb popularizados na produ\u00e7\u00e3o 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 \u00faltimos tr\u00eas anos.<\/p>","protected":false},"featured_media":5603,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5602","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\/5602","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\/5603"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5602"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5602"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}