Artigos e Notícias

---

9 erros comuns em projetos de Inteligência Artificial

24 de dezembro de 2018

Desde a criação de provas de conceito isoladas até a não definição de métricas de sucesso, uma ampla gama de problemas pode inviabilizar ganhos

O entusiasmo comercial pela IA continua inabalável. As últimas previsões do IDC dizem que os gastos mundiais com sistemas cognitivos e de Inteligência Artificial – dos chatbots ao Deep Learning, além da infraestrutura para alimentá-los – vão mais do que triplicar, de US $ 24 bilhões este ano, para US $ 77,6 bilhões em 2022.

De forma mais comprovável, a IA passou de adotantes iniciais a casos de uso de negócios comuns, com uma ampla variedade de organizações em quase todos os setores explorando projetos piloto e colocando a IA para trabalhar na produção. Mas isso não significa que é fácil e infalível implementar. Se você não quer desperdiçar o dinheiro que vai gastar em IA, aqui estão alguns erros comuns a serem evitados.

1 – Morder mais do que você pode mastigar
“Não tente ferver o oceano no primeiro dia”, disse Lance Olsen, diretor da equipe de Cloud AI da Microsoft. Você não pode transformar todo o seu processo de tomada de decisões de negócios com a IA da noite para o dia, então é melhor começar pequeno e dar passos evolutivos à medida que você ganha experiência.

Procure a fruta mais leve. Você precisa desenvolver um processo para experimentar e validar os resultados desses experimentos antes de abordar os sistemas mais importantes. ”Não necessariamente faça o seu maior investimento logo de cara”, adverte.

2 – Construir sistemas isolados de prova de conceito
Construir um sistema one-off  IA que não o ajude a criar um processo geral para fazer IA, e não faça parte de seu pipeline de dados existente, não o levará muito adiante. Você precisa criar um ativo de IA sustentável para cada projeto individual. Aqui, sustentável significa um sistema que gera ROI suficiente que você continuará investindo para desenvolver e dimensionar mais. Cada vez que você faz isso, você ajuda a criar um recurso de IA para toda a empresa, em vez de apenas uma nova ferramenta para uma equipe específica.

Desenvolva a análise de negócios que você já faz e transforme esses sistemas históricos em preditivos. “Comece fazendo investimentos em otimização que usem seu pipeline existente e aproveite as coisas que você já está fazendo”, diz Olsen. Então você poderá passar para projetos mais revolucionários que farão mudanças maiores na maneira como seus

3 – Começar sem a infraestrutura de tecnologia certa
Você precisa investir em tecnologias digitais avançadas antes de começar a trabalhar com Inteligência Artificial, de acordo com um recente relatório da McKinsey. As empresas que já possuem experiência em computação em nuvem, desenvolvimento móvel e Web, Big Data e Analytics têm três vezes mais chances de adotar ferramentas de Inteligência Artificial. Três quartos das organizações que já adotaram a IA disseram que dependem do que aprenderam com a construção das capacidades digitais existentes. Ou, em outras palavras: se sua empresa não está pronta para aproveitar a análise de de dados e a nuvem, você também não está preparado para a AI.

4 – Começar sem dados
A grande maioria dos sistemas de IA – certamente os que as empresas podem construir para si – são sistemas de Machine Learning e o Machine Learning necessita de dados. Como disse a vice-presidente corporativa da Microsoft, Julia White, no recente evento “AI in Business”, da empresa, “Qual será meu novo bot? Bem, depende do que seu robô pode aprender.” Na verdade, sem bons dados, a IA vai doer em vez de ajudá-lo.

Além disso, se você tiver apenas os mesmos dados públicos de seus concorrentes, obterá os mesmos insights de seus concorrentes, portanto, é necessário trabalhar com os dados exclusivos da própria organização. E esses dados vão precisar de limpeza, normalização e preparação, supondo que você já esteja coletando os dados certos. Ter governança de dados é fundamental.

Não subestime o investimento necessário; coleta e limpeza de dados normalmente compõem cerca de 80% do trabalho de um cientista de dados. Começando com os dados que você já usa para Business Intelligence e Analytics, também é mais fácil garantir que o seu sistema de IA ofereça suporte aos principais processos de negócios, tornando muito mais provável que seja útil. Isso também deve ajudá-lo a definir as ferramentas e o processo de preparação dos dados que você poderá usar e dos dados que você ainda não está usando.

5 – Não especificar como avaliar e medir o sucesso
A Ciência de Dados é Ciência. Você precisa ter uma hipótese sobre o que melhorará as decisões de negócios, as vendas, o suporte ao cliente ou qualquer outra coisa que você queira fazer com a IA, e você terá que testar isso em ação e avaliar os resultados.

Isso significa planejar como medir o sucesso de um projeto – tanto em termos de adoção quanto de resultados. Isso pode se traduzir no alinhamento dos projetos aos prazos dos funcionários, como a perspectiva de 90 dias para as equipes de vendas e marketing ou as cotas por hora em um contact center. Isso também significa ter um grupo de controle que não use o novo sistema, o que pode parecer contra-intuitivo se você estiver investindo muito dinheiro para desenvolvê-lo. Você precisa garantir que as pessoas estejam tomando decisões baseadas em dados em vez de confiar na intuição; se eles ignorarem os dados rotineiramente, ter ferramentas de IA não ajudará em nada. Você também precisa decidir antecipadamente como será o sucesso, porque essa é a hipótese que você está testando. Você quer mais pedidos de clientes ou pedidos maiores? Você deseja menos chamadas de suporte ao cliente ou um tempo mais rápido de resolução para os clientes que ligam?

6 – Começar sem saber quais problemas a IA pode ajudar a solucionar
O problema com o termo “Inteligência Artificial” é acreditar que ele torna tudo possível. A indústria fez avanços significativos nos últimos anos, mas você ainda precisa saber o que a IA realmente pode fornecer e como ela se integrará aos seus sistemas e processos de negócios existentes. Quais problemas da sua organização a Inteligência Artificial pode ajudar a resolver? Você não pode simplesmente adotar a IA porque leu que todas as outras empresas estão fazendo isso.

“Os executivos precisam considerar duas coisas antes de se voltar para a Inteligência Artificial”, disse Jacob Davis, diretor sênior de serviços de análise da Cheetah Digital. “Primeiro, o que estamos realmente tentando resolver? Como podemos resolver esse problema agora e com quais dados podemos contar? Se você não consegue inventar algo, mesmo que seja teórico, dentro do reino da possibilidade de seu estado atual, a IA não o ajudará. E segundo: Estou considerando a IA por causa de todo o hype? Você tem que realmente avaliar o seu desejo por esses tipos de soluções, porque, caso contrário, correrá o risco de investir muito dinheiro em algo que não agregará valor real ”.

7 – Começar sem as pessoas certas no lugar certo
Você precisará de conhecimento em Ciência de Dados e, se não tiver uma equipe de Ciência de Dados dedicada, essa experiência geralmente será incorporada à equipe de TI. É importante não mantê-la isolada em um único centro de excelência. Um estudo recente da Ovum sobre organizações com projetos de IA em produção, encomendada pelo fornecedor de software de dados Dataiku, mostra que para tornar os projetos bem-sucedidos, esses especialistas precisam estar envolvidos com a equipe de negócios cujo problema está tentando resolver, assim como o gerenciamento de projetos e a equipe de desenvolvimento.

“Vez após vez, vemos equipes em empresas em todo o mundo e setores que não conseguem realizar seus esforços de dados porque não têm meios para ter pessoas em diferentes regiões geográficas – muito menos tipos diferentes de pessoas com diferentes habilidades – trabalhando juntas ”, disse o CEO da Dataiku, Florian Douetteau. Se você não conseguir que os especialistas em Ciência de Dados permaneçam permanentemente nos principais locais, use ferramentas de colaboração e a transferência de conhecimento de especialistas centrais para desenvolver as habilidades locais em Ciência de Dados.

8 – Tentar construir sua própria capacidade de IA para tudo
Embora os problemas muito divulgados com o IBM Watson ressaltem que até mesmo os serviços pré-construídos de IA exigem tempo e experiência para integrar seus próprios sistemas e processos e precisam ser avaliados cuidadosamente, poucas empresas terão a experiência necessária para construir tudo do zero. As ferramentas de Inteligência Artificial estão cada vez mais integradas às ofertas de SaaS, como Salesforce, Dynamics e Adobe Marketing Cloud, embora possam ser complementos por sistemas de terceiros. Existem serviços de Machine Learning em nuvem do Azure, AWS e Google que oferecem “serviços cognitivos” específicos, como visão de máquina e reconhecimento de fala que você pode personalizar e incorporar em suas próprias ferramentas e serviços ou galerias de soluções comuns que você pode adaptar às suas próprias necessidades.

9 – Esperar que a IA reduza a quantidade de pessoas Como a automação, a IA proporcionará a mais melhorias de desempenho e produtividade quando os humanos e os sistemas trabalharem em colaboração. Estudo recente da Harvard Business Review mostrou melhorias de desempenho de quatro a sete vezes, à medida que as organizações adotaram mais e mais colaboração homem-máquina. Para obter essa colaboração, as equipes de negócios precisam estar envolvidas na avaliação do que os sistemas de IA realmente farão por elas. Ferramentas de IA que fornecem recomendações, múltiplas opções, suporte a decisões e transferência para especialistas em casos difíceis são mais úteis do que aquelas que fornecem respostas sim/não para tudo, sem o envolvimento de qualquer ser humano.

Fonte: https://cio.com.br / Mary Branscombe, CIO/EUA 19/12/2018 às 8h04

Voltar