Movendo-se Além do Hype: Operationalizando AI e ML para Resultados de Negócios

Por: Krishnan Venkata, Diretor de Clientes da empresa de análise digital LatentView Analytics.

Por mais de uma década, empresas que variam de pequenas startups a grandes corporações têm falado sobre a promessa da inteligência artificial (AI) e do aprendizado de máquina (ML). De acordo com essas profecias, AI e ML transformariam o trabalho moderno, automatizando processos diários e permitindo que os funcionários humanos se concentrassem em tarefas de nível superior.

Dez anos depois, para muitas empresas, a promessa da AI se tornou apenas uma promessa, e nada mais. Embora muitas dessas organizações tenham tomado medidas para acelerar seus esforços de transformação digital, alguns obstáculos comuns frequentemente deixam o sonho da AI/ML irrealizado.

Quais foram alguns dos principais fatores que impediram o potencial transformador da AI e do ML?

• Falta de organização: O primeiro passo para uma estratégia de AI bem-sucedida é coletar dados. No entanto, é igualmente importante planejar a organização desses dados; as empresas que acumulam um tesouro de dados sem um plano para como organizá-los, analisá-los e colocá-los em funcionamento são deixadas com um recurso não refinado e praticamente inutilizável. Qual é o valor em descobrir petróleo se você não tem como extraí-lo do solo ou refiná-lo para uso?
• Adoção piecemeal: Enquanto as transformações digitais prometem economias de custo a longo prazo, o preço inicial para adotar nova tecnologia pode ser alto. Esse choque de preços leva algumas empresas a adotar uma abordagem piecemeal para integrar ferramentas de AI, sem considerar como essa solução única se encaixará em um plano mais amplo.
• Processos/disciplina ausentes: As soluções de AI e ML serão naturalmente defendidas e introduzidas por líderes específicos dentro da empresa, mas seu sucesso depende do compromisso institucional de cima para baixo. Os primeiros adotantes precisam preparar a pista para uma adoção mais ampla, instilando a disciplina e as rotinas necessárias para tornar a integração de novas ferramentas o mais suave possível.

O ano passado demonstrou que não há tempo a perder em termos de transformação digital e automação de rotinas por meio da AI e do ML. De acordo com Fortune Business Insights, o mercado global de inteligência artificial deve atingir $ 267 bilhões até 2027, representando um crescimento de quase dez vezes em relação a um valor de $ 27 bilhões em 2019. Uma mudança a longo prazo para o trabalho remoto causada pela pandemia de COVID-19 impulsionou as empresas a adotar novas soluções; o Relatório de Engajamento Digital COVID-19 da Twilio encontrou que 97% dos executivos disseram que a pandemia acelerou seus esforços de transformação digital.

Então, o que será necessário para superar o hype da AI e do ML e realmente operacionalizá-los? Algumas tecnologias e estratégias podem fazer a diferença entre um triunfo ou um fracasso:

1. AIOps, MLOps, DataOps

Anexar -Ops a uma tecnologia ou aplicativo é uma receita certa para um novo buzzword, mas nem todas essas soluções emergentes são vaporware. Na verdade, estratégias como AIOps, MLOps e DataOps podem oferecer a solução para o desafio de organizar todos os dados coletados dentro de uma empresa. Essas ferramentas aplicam os princípios de gestão Ágil à AI, aprendizado de máquina e gerenciamento de dados, respectivamente, simplificando dramaticamente o conhecimento e o esforço necessário para derivar valor de novas soluções. Para as empresas que estão dando seus primeiros passos na AI/ML e procuram se atualizar, essas estratégias são uma necessidade.

2. Low Code/No Code

Os modelos de ML mais complexos e nuances sempre exigirão desenvolvedores e cientistas de dados dedicados para garantir seu sucesso. No entanto, os desafios que enfrentam muitas empresas não são quase tão complicados e podem ser resolvidos com soluções de AI mais simples e genéricas. As plataformas de low-code e no-code reduzem a barreira de entrada para os funcionários com pouco ou nenhum conhecimento em desenvolvimento de software. As ferramentas no-code permitem que qualquer funcionário construa soluções, como motores de recomendação, por meio de plataformas intuitivas e de arrastar-e-soltar, enquanto as plataformas de low-code podem realizar tarefas complexas com apenas algumas linhas de código.

3. AutoAI e AutoML

Se a inteligência artificial e o aprendizado de máquina automatizam processos de negócios, por que eles mesmos precisariam ser automatizados? Um aspecto crucial do sucesso da AI e do ML é a ideia de refinamento: à medida que essas ferramentas aprendem no trabalho e integram mais dados, elas podem aprimorar constantemente seu desempenho e fornecer resultados melhorados. O AutoAI e o AutoML realizam esse processo de refinamento sem exigir entrada humana, criando um ciclo virtuoso interminável. Os humanos podem verificar o desempenho do modelo para prevenir vieses e confirmar que a ferramenta está atendendo às necessidades da empresa, mas o AutoML permite que os funcionários assumam outros desafios durante o dia a dia.

À medida que os fabricantes de chips e as empresas de software rompem novos limites com o processamento de linguagem natural, o campo da AI/ML está chegando a um ponto de inflexão que verá uma explosão de novos casos de uso. As empresas devem estar preparadas para reagir a essas tecnologias emergentes; aquelas que não têm sua casa em ordem agora serão deixadas para trás pelas concorrentes que o fazem.