Preparar e implementar projetos de Inteligência Artificial (IA) pode ser uma jornada de vários anos. De acordo com os números mais recentes, apenas 28% das empresas relatam passar do estágio de planejamento para a implementação da tecnologia no primeiro ano. Isso se deve a vários fatores, incluindo a maturidade da solução, o nível de complexidade envolvido, como os requisitos de integração, a experiência empresarial e a capacitação de talentos.
Para obter retorno rápido e promover novos investimentos em projetos de transformação e inovação digital, existem cinco práticas que os CIOs podem utilizar para acelerar as suas implementações de IA:
Uma das primeiras decisões a tomar é construir ou comprar sistemas de inteligência artificial. Apesar de ouvirmos muito sobre diferentes plataformas e infraestruturas para criar sua própria inteligência artificial, as melhores opções costumam ser os fornecedores especializados. Essas empresas oferecem serviços de IA baseados em nuvem que podem ser rapidamente treinados e implantados. De qualquer forma, a decisão de construir ou contratar um serviço deve ser feita sobre a compreensão da necessidade da IA para a sua organização como fator central a longo prazo.
Por exemplo, embora todas as empresas de serviços financeiros devam se preocupar com a iminente divisão digital entre “ter” e “não ter” um sistema de IA, nem todas as companhias precisam construir seus próprios algoritmos. Na verdade, negócios menores podem se concentrar efetivamente nos benefícios e nos resultados a partir da incorporação de tecnologias de terceiros em seus principais fluxos de trabalho.
É de conhecimento comum que o sucesso é fruto de 10% de inspiração e 90% de transpiração. Quando se trata de inteligência artificial, uma implementação bem-sucedida é geralmente composta por 10% de IA e 90% de dados. Quaisquer conjuntos de dados usados para treinar algoritmos de IA/ML (machine learning) para auxiliar na tomada de decisão precisam ser o mais amplo e limpo possível.
Em termos simples, isso significa que 10.000 linhas de dados com 1.000 atributos por linha são muito mais úteis para um algoritmo ML do que 1.000 linhas de dados com 100 atributos por linha. De acordo com Marc Stein, CEO da Underwrite.AI, o tipo e a quantidade de dados precisam ser correspondentes ao tipo de algoritmo. O deep learning, por exemplo, requer um grande número de registros para ser eficaz, enquanto algoritmos com base em estatísticas lidam melhor com conjuntos de dados menores.
Se você estiver usando a IA para modelar a tomada de decisão humana, obtenha o máximo de dados possível, garanta que cada campo de dados tenha um valor e garanta a qualidade e a consistência dessas informações. Isso pode consumir muito tempo, especialmente se for obtido a partir de várias fontes distintas, mas, se for feito minuciosamente no início, pode evitar um retrabalho dispendioso.
Uma das partes mais difíceis dos projetos de IA é o gerenciamento de mudanças e o treinamento necessários para permitir que os analistas de negócios interpretem melhor os dados e incorporem o novo processo em seu fluxo de trabalho.
Apesar de algumas formas de inteligência artificial serem capazes de tomar decisões automatizadas, como, por exemplo, uma decisão entre “Sim” ou “Não” sobre um novo empréstimo com base no histórico de crédito do cliente, é frequente os algoritmos de ML fornecerem respostas mais sutis. Nesses casos, a decisão final deve ser tomada em conjunto com processos humanos. Como exemplo, a “pontuação” da IA pode ser uma nota de “A” a “D” e “F”. “A” e “F” podem ser as decisões claras entre “Sim” ou “Não” totalmente automatizadas, mas as notas “B” a “D” podem ainda precisar de uma avaliação humana.
Assim como você gasta tempo treinando analistas para usar um novo modelo financeiro e a melhor forma de interpretar resultados, o mesmo vale para os resultados baseados em inteligência artificial.
Os analistas de negócios podem precisar passar várias semanas apenas observando os resultados que retornam dos algoritmos de ML, para que tenham uma linha de base sobre como interpretar as informações.
Para Stein, é fundamental entender que a IA não é mágica, mas sim um processo para identificar padrões que permitem previsões mais precisas.
Como toda implementação de inteligência artificial é única, é importante entrar em todos os projetos com uma mentalidade de “testar e hipotetizar”, em vez de entendê-los como bem-sucedidos ou fracassados. Fazendo hipóteses em cada etapa e levando os aprendizados de cada uma delas para a próxima iteração, você pode refinar rapidamente a implantação da inteligência artificial até que ela possa fornecer resultados significativos.
Apesar da abordagem de teste e hipótese aumentar o tempo de realização do projeto, o lado positivo é que a empresa aprimora continuamente a solução.
Ao iniciar testes, provas de conceitos ou MVPs, tenha em mente que a visão para o futuro da sua organização em relação à inteligência artificial é, provavelmente, uma fusão de vários tipos de automação. Geralmente, é caso de se reinventar processos a partir do zero e depois aplicar a melhor ferramenta para o trabalho a cada nova etapa.
Outro fator importante é a transferência entre humano-máquina ou máquina-máquina que ocorre entre cada ferramenta. Ao otimizar esses hiatos e torná-los rápidos e confiáveis, você pode aprimorar ainda mais seus futuros processos.
Para acelerar a implantação de sistemas de IA, é fundamental fazer as escolhas certas: criar versus comprar, investir na qualidade dos dados, gastar tempo suficiente no gerenciamento de mudanças, adotar uma abordagem de “hipótese e teste” e combinar múltiplas técnicas de automação.
Se o seu projeto de IA estiver demorando, seja paciente e continue. Você também pode aproveitar algumas das recomendações para ajudar na aceleração. Mas lembre, assim como a transformação digital, a corrida pela IA não termina.
Fonte: CIO EUA
.png)
