{"id":5606,"date":"2019-06-03T16:21:28","date_gmt":"2019-06-03T15:21:28","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5606"},"modified":"2024-09-20T17:45:03","modified_gmt":"2024-09-20T16:45:03","slug":"the-benefits-of-an-in-house-ai-factory","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/the-benefits-of-an-in-house-ai-factory\/","title":{"rendered":"Os benef\u00edcios de uma f\u00e1brica interna de IA"},"content":{"rendered":"

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

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

O aumento da compreens\u00e3o e da experi\u00eancia com o artificial intelligence pelas organiza\u00e7\u00f5es pode parecer contradit\u00f3rio, dada a falta de implementa\u00e7\u00e3o significativa de IA na maioria das empresas.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

O aumento da compreens\u00e3o e da experi\u00eancia com o artificial intelligence pelas organiza\u00e7\u00f5es pode parecer contradit\u00f3rio, dada a falta de implementa\u00e7\u00e3o significativa de IA na maioria das empresas. <\/b><\/p>\n

Neste artigo, examinaremos os motivos subjacentes a essa dicotomia e exploraremos as condi\u00e7\u00f5es necess\u00e1rias para alcan\u00e7ar o sucesso.<\/b><\/p>\n

As organiza\u00e7\u00f5es que est\u00e3o implementando com sucesso as tecnologias de IA est\u00e3o vendo o surgimento de novos modelos, especialmente na forma de uma \u201cf\u00e1brica de IA\u201d, uma combina\u00e7\u00e3o de talentos, m\u00e9todos e tecnologias a servi\u00e7o de toda a empresa.<\/span><\/p>\n

A inova\u00e7\u00e3o em tecnologias nascentes invariavelmente segue o chamado \u201cHype Cycle\u201d do Gartner, que identifica cinco est\u00e1gios de ciclo de vida que se sobrep\u00f5em:<\/span><\/p>\n

    \n
  1. Gatilho de inova\u00e7\u00e3o<\/b>: Nesse est\u00e1gio, uma tecnologia em potencial d\u00e1 in\u00edcio \u00e0s atividades. Pode haver prot\u00f3tipos, muito interesse da m\u00eddia e publicidade, mas, com frequ\u00eancia, n\u00e3o h\u00e1 produtos comercialmente vi\u00e1veis dispon\u00edveis.<\/span><\/li>\n
  2. Pico de expectativas infladas<\/b>: Nesse ponto, a tecnologia \u00e9 implementada; ela produz v\u00e1rias hist\u00f3rias de sucesso, mas um n\u00famero muito maior de fracassos. Algumas empresas adotam a tecnologia; muitas n\u00e3o.<\/span><\/li>\n
  3. Vale da desilus\u00e3o<\/b>: O interesse come\u00e7a a se esvair \u00e0 medida que as falhas e os fracassos v\u00eam \u00e0 tona. Alguns produtores da tecnologia desistem da corrida. Os investimentos continuam somente se os fornecedores sobreviventes melhorarem seus produtos para a satisfa\u00e7\u00e3o dos usu\u00e1rios.<\/span><\/li>\n
  4. Inclina\u00e7\u00e3o do esclarecimento<\/b>: 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 gera\u00e7\u00e3o.<\/span><\/li>\n
  5. Plat\u00f4 de produtividade<\/b>: A tecnologia passa a ser amplamente implementada. Suas aplica\u00e7\u00f5es de mercado tornam-se claras e a ado\u00e7\u00e3o de alto crescimento come\u00e7a.<\/span><\/li>\n<\/ol>\n

    Como o ciclo demonstra, cada fase de sucesso concreto \u00e9 precedida por uma fase de desilus\u00e3o. O excesso de complica\u00e7\u00f5es pode impedir o sucesso desses projetos. Os riscos de enfrentar o desafio de <\/span>Intelig\u00eancia Artificial<\/span> s\u00e3o altos: de acordo com a Accenture, as empresas que fazem bom uso do artificial intelligence podem ver sua lucratividade aumentar em mais de 30%! Al\u00e9m disso, h\u00e1 novas fontes potenciais de receita, que podem resultar de experi\u00eancias aprimoradas do cliente ou de maior vantagem competitiva.<\/span><\/p>\n

    O que \u00e9 IA? Que valor ela pode trazer para as empresas?<\/span><\/h3>\n

    A IA, que ainda est\u00e1 em sua inf\u00e2ncia, \u00e9 um conjunto de ci\u00eancias altamente te\u00f3ricas; no entanto, ela deve ser vista pelas empresas com o objetivo de reduzir custos, e n\u00e3o pelo prisma da inova\u00e7\u00e3o (a s\u00edndrome da \u201c\u00faltima palavra da moda\u201d). Como as empresas podem extrair valor real desses experimentos de IA? Como elas podem ter sucesso no \u201caumento de escala\u201d? Nossa resposta exige novas estruturas organizacionais, nas quais falamos de \u201cf\u00e1bricas de IA\u201d.<\/span><\/p>\n

    Hoje, cada vez mais algoritmos e \u201cprodutos de intelig\u00eancia\u201d est\u00e3o nas prateleiras. Pelo menos nos n\u00edveis mais baixos. Os primeiros parceiros de nuvem da Europa, Amazon (AWS), Microsoft (Azure), Google (GCP) e IBM, oferecem v\u00e1rios n\u00edveis de abstra\u00e7\u00e3o que permitem que as empresas \u201cproduzam\u201d IA internamente (o Google lan\u00e7ou recentemente um novo servi\u00e7o universal gerenciado chamado Anthos); essas solu\u00e7\u00f5es funcionam um pouco como os kits de qu\u00edmica com os quais brinc\u00e1vamos quando crian\u00e7as. Elas prop\u00f5em acesso simples a infraestruturas projetadas especificamente para responder \u00e0 <\/span>aprendizado de m\u00e1quina<\/span> necessidades, como as TPUs do Google, que s\u00e3o servi\u00e7os gerenciados que permitem a concentra\u00e7\u00e3o de equipes em determinados aplicativos.<\/span><\/p>\n

    Tamb\u00e9m est\u00e3o dispon\u00edveis v\u00e1rios\u00a0<\/span>c\u00f3digo aberto<\/span>\u00a0bibliotecas (scikit-learn, TensorFlow, Pytorch), bem como APIs propriet\u00e1rias (reconhecimento de imagem, texto e voz). Mas os problemas podem surgir ap\u00f3s os sucessos iniciais, pois apenas uma pequena parte desses testes acaba no modo de produ\u00e7\u00e3o, gerando n\u00e3o apenas frustra\u00e7\u00e3o, mas, obviamente, oportunidades perdidas.<\/span><\/p>\n

    A maioria das grandes organiza\u00e7\u00f5es investiu maci\u00e7amente em ci\u00eancia Data, e com raz\u00e3o: em 2016, a McKinsey anunciou que 250.000 cientistas Data seriam necess\u00e1rios at\u00e9 2021 somente nos EUA. Mas agora estamos percebendo que esses perfis, que s\u00e3o altamente focados em modelos, estat\u00edsticas e algoritmos de data, n\u00e3o ser\u00e3o suficientes para transformar a empresa com IA. Omitimos, por exemplo, os inestim\u00e1veis Data Engineers e Data Architects, cujos talentos s\u00e3o fundamentais para garantir o sucesso nos pr\u00f3ximos anos, mas cuja integra\u00e7\u00e3o em projetos de equipe ainda n\u00e3o foi alcan\u00e7ada.<\/span><\/p>\n

    Um novo modo organizacional est\u00e1 surgindo gradualmente: A f\u00e1brica de Intelig\u00eancia Artificial, ou f\u00e1brica de IA,<\/span>
    \n<\/span>que segue um certo n\u00famero de princ\u00edpios orientadores simples, mas cruciais para o sucesso dessas iniciativas.\u00a0<\/span><\/p>\n

    A F\u00e1brica de IA come\u00e7a com uma governan\u00e7a centralizada<\/span><\/h3>\n

    Um com metas muito ambiciosas... A ideia \u00e9 reunir e coordenar os esfor\u00e7os de investimento e dire\u00e7\u00e3o. Apenas um n\u00famero muito pequeno dos projetos de maior valor da empresa ser\u00e1 examinado pelos patrocinadores mais empenhados em seu sucesso. A sele\u00e7\u00e3o desses casos de uso deve ser extremamente rigorosa: especificamente, nenhum projeto deve ver a luz se n\u00e3o 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 mensur\u00e1veis de acordo com um KPI simples e compreens\u00edvel, e o aprimoramento sistem\u00e1tico desse KPI deve ser o objetivo do senhor. <\/span>raison d'\u00eatre<\/span><\/i> das equipes.<\/span><\/p>\n

    As equipes de recursos garantem uma organiza\u00e7\u00e3o de projeto dedicada<\/span><\/h3>\n

    Popularizadas pelo Spotify, as equipes de recursos respondem aos desafios de reduzir o tempo de lan\u00e7amento no mercado, a transversalidade e a continuidade do projeto. Dirigida por um gerente de neg\u00f3cios, a equipe de recursos \u00e9 composta por um propriet\u00e1rio de produto, cientistas data, engenheiros data e especialistas em DevOps. A inclus\u00e3o de DevOps \/ TI na equipe de recursos garante excelente supervis\u00e3o e manuten\u00e7\u00e3o perene da solu\u00e7\u00e3o de IA. Uma \u201cequipe de plataforma\u201d garante a coer\u00eancia tecnol\u00f3gica dos blocos de constru\u00e7\u00e3o implantados pelas equipes de recursos. \u00c9 importante observar que esse modelo organizacional funciona muito bem em escala (h\u00e1 at\u00e9 10 equipes de recursos para cada \u201cTribo\u201d no Spotify).<\/span><\/p>\n

    Os benef\u00edcios das equipes de recursos<\/span><\/h3>\n
      \n
    • As equipes de recursos s\u00e3o mais capazes de avaliar o impacto das decis\u00f5es de design<\/b>. No final de um sprint, uma equipe de recursos ter\u00e1 criado uma funcionalidade de ponta a ponta, passando por todos os n\u00edveis da pilha de tecnologia do aplicativo. Isso maximiza o aprendizado dos membros sobre as decis\u00f5es de design do produto que tomaram (os usu\u00e1rios gostam da funcionalidade desenvolvida?) e sobre as decis\u00f5es de design t\u00e9cnico (essa abordagem de implementa\u00e7\u00e3o funcionou bem para n\u00f3s?).<\/span><\/li>\n
    • As equipes de recursos reduzem o desperd\u00edcio criado pelas transfer\u00eancias.\u00a0<\/b>Passar o trabalho de um grupo ou indiv\u00edduo para outro \u00e9 um desperd\u00edcio. 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 n\u00e3o seja mais necess\u00e1ria e assim por diante.<\/span><\/li>\n
    • Isso garante que as pessoas certas estejam falando.<\/b>\u00a0Como uma equipe de recursos inclui todas as habilidades necess\u00e1rias para passar da ideia ao recurso testado e em execu\u00e7\u00e3o, ela garante que os indiv\u00edduos com essas habilidades se comuniquem pelo menos diariamente.<\/span><\/li>\n
    • Ele mant\u00e9m o foco no fornecimento de recursos.<\/b>\u00a0Pode ser tentador para uma equipe voltar aos seus h\u00e1bitos pr\u00e9-Scrum. A organiza\u00e7\u00e3o das equipes em torno da entrega de recursos, em vez de elementos arquitet\u00f4nicos ou tecnologias, serve como um lembrete constante do foco do Scrum na entrega de recursos em cada sprint.<\/span><\/li>\n<\/ul>\n

      Uma metodologia espec\u00edfica: IA enxuta<\/span><\/h3>\n

      A IA enxuta \u00e9 uma metodologia que reduz a incerteza da efici\u00eancia e da aplicabilidade das solu\u00e7\u00f5es de IA. Os modelos nunca s\u00e3o perfeitos e devem ser testados em situa\u00e7\u00f5es do mundo real. O m\u00e9todo consiste em um loop de aprimoramento cont\u00ednuo de ciclos curtos que incluem a formula\u00e7\u00e3o de hip\u00f3teses, a identifica\u00e7\u00e3o de data pertinentes, a constru\u00e7\u00e3o e o teste de um ou mais modelos, seguidos da implanta\u00e7\u00e3o em um per\u00edmetro de teste e da coleta de feedback do usu\u00e1rio.<\/span><\/p>\n

      O ciclo \u00e9 repetido com a formula\u00e7\u00e3o de novas hip\u00f3teses, novos data, etc. Esse m\u00e9todo permite o teste em situa\u00e7\u00f5es reais e, em seguida, o aprimoramento de casos n\u00e3o explorados, at\u00e9 atingir um n\u00edvel de satisfa\u00e7\u00e3o considerado aceit\u00e1vel pela organiza\u00e7\u00e3o para iniciar a produ\u00e7\u00e3o.<\/span><\/p>\n

      ... Junto com uma infraestrutura adaptada<\/span><\/h3>\n

      A implanta\u00e7\u00e3o deve ser prevista desde os primeiros dias do projeto para evitar come\u00e7ar do zero em um ambiente t\u00e9cnico diferente.<\/span><\/p>\n

      A cria\u00e7\u00e3o de novos silos de data tamb\u00e9m deve ser evitada, fazendo-se o m\u00e1ximo uso dos lagos e po\u00e7os de data existentes na organiza\u00e7\u00e3o. Os aplicativos de IA devem ser criados em uma l\u00f3gica de arquitetura orientada a servi\u00e7os.<\/span><\/p>\n

      As tecnologias de conteineriza\u00e7\u00e3o e orquestra\u00e7\u00e3o, como Docker e Kubernetes, permitem o gerenciamento simplificado de ecossistemas de microsservi\u00e7os, facilitando o uso de modelos de IA por meio de APIs que podem ser usadas por todas as divis\u00f5es da organiza\u00e7\u00e3o.<\/span><\/p>\n

      ... E trabalhar na transforma\u00e7\u00e3o e ado\u00e7\u00e3o internas<\/span><\/h3>\n

      Embora muitas empresas j\u00e1 compartilhem um espa\u00e7o comum, a falta de compartilhamento de um modelo operacional comum est\u00e1 prejudicando o sucesso dos projetos de IA. Por exemplo, um \u201cChatbot\u201d pertencente a um site comercial deveria ser uma parte natural do caminho de vendas, em vez de ser considerado como um silo de aquisi\u00e7\u00e3o separado, mas isso geralmente n\u00e3o acontece. Quando os diferentes departamentos de uma empresa adotam as mesmas tecnologias, o sucesso da IA \u00e9 muito mais prov\u00e1vel.<\/span><\/p>\n

      Etapas para o sucesso do projeto de IA<\/span><\/h3>\n

      #1 Defina sua meta de IA \u00a0<\/b><\/p>\n

      2 Fa\u00e7a o backup com Data<\/b><\/p>\n

      #3 Envolva seus especialistas internos no assunto (SMEs).<\/b><\/p>\n

      #4 Medir o resultado, n\u00e3o a produ\u00e7\u00e3o<\/b><\/p>\n

      #5 Itera\u00e7\u00e3o r\u00e1pida!<\/b><\/p>\n

      Finalmente: um desafio \u00e9tico cada vez mais importante<\/span><\/h3>\n

      Recentemente, vimos o exemplo da Alexa e a surpresa desagrad\u00e1vel de sua escuta (necess\u00e1ria e planejada para aprimorar o aprendizado supervisionado). As regulamenta\u00e7\u00f5es sempre ficar\u00e3o atr\u00e1s da tecnologia. \u00c9 importante que as empresas que empregam a artificial intelligence compreendam os desafios \u00e9ticos dessas solu\u00e7\u00f5es. Sete princ\u00edpios \u00e9ticos orientadores, que foram publicados pelo Comit\u00ea de Especialistas Independentes, mandatado pela Comiss\u00e3o Europeia: IA a servi\u00e7o da humanidade, confi\u00e1vel, que respeita o data privado, transparente, n\u00e3o discriminat\u00f3ria, dedicada \u00e0 melhoria do bem comum e, por fim, com uma responsabilidade humana claramente definida.<\/span><\/p>\n

      Um n\u00famero crescente de organiza\u00e7\u00f5es est\u00e1 decidindo aplicar esses princ\u00edpios para extrair o valor da IA: o Carrefour anunciou recentemente o lan\u00e7amento de seu Laborat\u00f3rio de Intelig\u00eancia Artificial em parceria com o Google, e o Walmart anunciou o lan\u00e7amento de sua \u201cF\u00e1brica de Nuvem\u201d em Austin com a Microsoft. N\u00e3o h\u00e1 d\u00favidas de que esses novos m\u00e9todos organizacionais, focados no valor e pragm\u00e1ticos em sua abordagem \u00e0 inova\u00e7\u00e3o, ser\u00e3o implantados com mais frequ\u00eancia e sucesso nos pr\u00f3ximos anos.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

      O aumento da compreens\u00e3o e da experi\u00eancia com o artificial intelligence pelas organiza\u00e7\u00f5es pode parecer contradit\u00f3rio, dada a falta de implementa\u00e7\u00e3o significativa de IA na maioria das empresas.<\/p>","protected":false},"featured_media":5607,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5606","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\/5606","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\/5607"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5606"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5606"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5606"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}