Planejamento, PoC e Produção de uma Solução Empresarial de Sucesso Impulsionada por IA

As empresas estão acelerando suas iniciativas de inteligência artificial (IA) a um ritmo acelerado. Um estudo da Algorithmia mostrou que 76 por cento dos CIOs estão priorizando e aumentando seus orçamentos de TI para ter um foco maior em soluções de IA e aprendizado de máquina (ML). As organizações também estão reconhecendo a importância dos dados, e a maioria está aceitando o fato de que 80 por cento dos dados empresariais são não estruturados por natureza.

Os dados não estruturados estão sendo produzidos e crescem a um ritmo alarmante na pilha de empresas. A unidade de medida mudou de terabytes para petabytes. Como resultado, os profissionais de TI, CDOs e CIOs devem lidar com alguns novos desafios para atender à demanda crescente por dados utilizáveis e insights ações. Apesar do enorme potencial da IA para transformar qualquer indústria, apenas 15 por cento das soluções de IA implantadas até o final de 2022 serão bem-sucedidas, e menos delas gerarão um ROI positivo.

O maior problema é que a maioria das soluções de IA empresariais não vê a luz do dia devido à falta de alinhamento de expectativas. Continuam a existir concepções erradas sobre as possibilidades da IA e os projetos continuam a ser concebidos em modelos impulsionados por hype. A maioria dos produtos ou modelos está longe da realidade diária das operações empresariais. Outros fatores que impulsionam as menores taxas de sucesso incluem: excesso de custos, falta de Centros de Excelência de IA (CoE), talentos inexperientes, indisponibilidade de dados e políticas desatualizadas, para citar alguns.

Planejamento Abre o Caminho para o Sucesso da IA Empresarial

Os dados não estruturados são dados que carecem de um modelo de dados pré-definido e incluem tudo, desde documentos textuais e sites até imagens, arquivos de vídeo, chatbots, fluxos de áudio e posts de mídia social. Com a crescente quantidade de dados não estruturados na arquitetura de empresas, é fundamental ter um plano eficiente e incremental que esteja alinhado com os objetivos de todos os stakeholders corporativos. Os objetivos típicos em nível organizacional podem incluir: automação de processos, detecção de fraude, melhoria da experiência do cliente, melhoria da segurança, aumento das vendas, e assim por diante. Embora alguns desses objetivos possam ser alcançados de forma bastante eficaz, devido à natureza estruturada dos dados, o planejamento em torno de dados não estruturados pode ser desafiador.

Normalmente, o planejamento começa com a identificação de áreas de oportunidade dentro de uma organização. Embora possa haver uma visão grandiosa de IA no nível de gestão executiva, é fundamental identificar uma área que tenha alto impacto, baixo risco e crescimento contínuo de dados. Um bom exemplo de caso de uso seria a função de processamento de empréstimos no setor bancário e financeiro. A originação de empréstimos até o serviço está repleta de processos manuais onde as informações são inseridas manualmente nos sistemas de forma repetitiva. A due diligence das solicitações de empréstimos envolve uma quantidade significativa de envio de documentos, o que apresenta vários riscos. No entanto, a IA pode ser aplicada em várias áreas do fluxo de trabalho, incluindo processamento de documentos e detecção de fraude. Esta também é uma área onde há crescimento contínuo ano a ano de dados.

Outras etapas críticas a considerar durante esta fase de planejamento incluem a definição de critérios de sucesso mensuráveis, formulação de uma estratégia de dados coesa, treinamento e feedback contínuos e avaliação da experiência do usuário, escalabilidade e infraestrutura.

Definindo Critérios de Sucesso Mensuráveis (e Evitando o Momento da Carruagem antes do Cavalo!)

O sucesso inicial do Google é frequentemente atribuído à instituição de Objetivos-Chave de Resultados (OKRs). Embora essa abordagem possa ser aplicada a qualquer aspecto de negócios ou metas pessoais, adotar essa abordagem comprovada para sua estratégia de IA pode render alguns resultados promissores. No entanto, quando se trata de dados não estruturados, é um problema em evolução que a indústria como um todo está tentando resolver. Dadas as desafios, os líderes empresariais devem fazer várias perguntas para determinar o “o quê” e o “por quê”. Por exemplo, se aumentar a produtividade for o objetivo-chave, duas perguntas que poderiam ser respondidas são:

• Devo planejar melhorar a produtividade por meio da automação? ou
• Devo planejar resolver 80 por cento do problema para 100 por cento de todos os casos apresentados?

Responder a essas perguntas leva a duas jornadas de implementação diferentes e é importante decidir qual delas é a certa para sua empresa.

Com dados não estruturados, outra área de medição ambígua é a precisão. No exemplo do processamento de empréstimos, há tanta variabilidade nos documentos apresentados pelos clientes que é fundamental que os líderes empresariais e tecnológicos cheguem a um consenso sobre como a precisão da solução de IA é medida. Se a produtividade for um dos objetivos da instituição de uma solução de IA, então será necessário identificar outras áreas que impactam a produtividade. Isso pode ser alcançado examinando de perto o processo atual e reimaginando o processo com automação de IA. Muitas vezes, a nova automação leva a novas etapas no processo, como gerenciamento de exceções manuais, anotação, treinamento, etc. Com essas etapas em vigor, seria mais fácil determinar como medir a precisão.

Dados São a Linha de Vida de Todas as Empresas

Os dados não estruturados têm um alto grau de variabilidade na forma como as informações são estruturadas e apresentadas. As empresas estão repletas de informações apresentadas em documentos, que, por natureza, têm estruturas complexas que consistem em parágrafos, frases e, mais importante, estruturas de tabelas multidimensionais. Além dos documentos, as organizações estão investindo cada vez mais em chatbots, monitorando dados de mídia social e outras formas de dados não estruturados, como notícias, imagens e vídeos.

A maioria das organizações subestima a quantidade de dados disponíveis e acessíveis. Muitas vezes, o desafio é simplesmente superar as restrições de conformidade e compartilhar dados dentro da organização. No entanto, ter dados limpos e com alta variabilidade permite uma melhor avaliação de um problema e o design de uma solução ótima.

Outro fator importante a considerar é o resultado que você espera desses dados não estruturados. Isso garantirá uma quantidade precisa de dados de treinamento e teste. Voltando ao exemplo do processamento de empréstimos, se o resultado dessa solução de IA for determinar os saldos diários médios dos solicitantes, os dados de treinamento e teste podem ser hiperfocados em torno de extratos bancários. No entanto, se o foco for determinar os solicitantes fraudulentos por meio de extratos bancários apresentados, será necessário acessar uma gama mais ampla de documentos para obter os dados de treinamento e teste necessários.

Escala de PoC para Produção

Embarcar em um conceito comprovado mensurável assegura que todos os stakeholders entendam os desafios, resultados e valor da solução de IA. No entanto, um conceito comprovado não é o mesmo que uma solução pronta para produção. Um conceito comprovado permite que uma organização identifique lacunas, estimule o design de pensamento para uma solução de produção e simplifique os objetivos e resultados-chave que devem ser alcançados. Para ir do conceito comprovado a uma solução escalável, as organizações devem planejar cenários de dados complexos que incluem mudanças constantes de dados, indisponibilidade de dados rotulados e um alto grau de variação em forma e formatos. É igualmente importante reimaginar o fluxo de trabalho, retreinar a força de trabalho e determinar a infraestrutura certa, custos, desempenho, arquitetura de dados, segurança de informações e acordos de nível de serviço (SLAs).

É absolutamente imperativo avaliar todo o fluxo de trabalho e o processo de negócios para obter os melhores resultados de qualquer solução de IA. Tirando uma dica da economia comportamental, é fundamental comparar o resultado a um ponto de referência existente (também conhecido como “dependência de referência”), a partir do qual melhores eficiências podem ser antecipadas antes da produção por meio do design de pensamento e remapeamento de processos.

Esse cenário assume que tanto os líderes empresariais quanto os técnicos concordaram com uma abordagem de MI ou aprendizado profundo com base no conceito comprovado. Algumas declarações de problemas podem ser determinísticas e uma abordagem estatística pode ser tomada para resolver o problema, enquanto outros desafios podem exigir uma combinação de abordagens de MI e redes neurais para alcançar os resultados desejados.

Algumas soluções de IA exigem a incorporação de Processamento de Linguagem Natural (NLP). Embora os modelos de linguagem gerais sirvam como um passo fundamental, a maioria dos modelos não é projetada para atender às necessidades únicas de cada declaração de problema empresarial e exigiria ajustes finos. Ao mesmo tempo, a maioria dos executivos provavelmente se entusiasmará com modelos enormes como o GPT3, que exigem poder computacional significativo e podem ter uma influência direta no ROI de uma empresa. Esses modelos provavelmente não são adequados para a sua empresa.

Seu conceito comprovado de IA é apenas o começo de um longo processo, então mantenha em mente:

• Não escolha um problema complexo para resolver na fase do conceito comprovado
• Aplique design de pensamento e revise seu processo de ponta a ponta; preveja e gerencie riscos precocemente
• Precisão não é a única medição; desenhe e planeje uma solução orientada para valor versus alcançar 100 por cento de precisão
• Avalie sua abordagem de IA; não planeje em modelos impulsionados por hype, mas escolha a abordagem mais ótima que seja modular por natureza
• Gerencie expectativas em todos os stakeholders para garantir o resultado mais bem-sucedido
• Desenhe sua solução e arquitetura para escalar com o crescimento de seus dados para o ROI mais ótimo

Práticas Recomendadas para Soluções Impulsionadas por IA

Hoje, a maioria das empresas está realizando um ou mais projetos de IA. Apesar das excelentes intenções e do trabalho árduo, muitos programas de IA empresariais não atendem às expectativas, não escalonam e não geram o ROI desejado. Levará tempo para integrar a inteligência artificial como um componente de negócios fundamental, no entanto, algumas das práticas recomendadas seguidas por organizações bem-sucedidas incluem:

• Comece com o CoE de IA: Muitas grandes corporações, mesmo as não tecnológicas, criaram Centros de Excelência de IA (AI CoE) para maximizar as chances de sucesso. Um AI CoE reúne a expertise necessária, recursos e pessoas para permitir a transformação baseada em IA. Os principais benefícios incluem:
  • Consolidar o aprendizado de IA, recursos e talentos em um único local
  • Desenvolver uma visão unificada de IA e estratégia de negócios
  • Padronização de abordagens de IA, plataformas e processos
  • Identificar novas oportunidades de receita para IA e inovação
  • Escalonar esforços de ciência de dados, tornando a IA disponível para todas as funções de negócios
• Aprovação Executiva: Uma estratégia de IA é mais bem-sucedida por meio de uma abordagem de cima para baixo. Escalonar pilotos em toda a organização com sucesso exige aprovação da liderança, habilidades e dados necessários e estabelecimento de uma estrutura organizacional que garanta que os modelos permaneçam precisos ao longo do tempo.
• Disponibilidade de Dados: A maioria das organizações tem dados isolados por várias razões de conformidade. No entanto, os dados são a linha de vida de qualquer solução de IA e a provisão desses dados é fundamental. Além da provisão, a classificação e limpeza dos dados são essenciais. Desenvolver dados de treinamento e verdade fundamentais pode fazer ou quebrar uma solução de IA.
• Arquitetura: Aproveitar a IA é uma mudança de paradigma para qualquer organização, que exige novas formas de pensar e planejar. Projetar uma arquitetura técnica e operacional ótima aumenta suas chances de sucesso. Isso inclui ter novas funções como ML ops, data ops, treinamento iterativo e anotações, entre outros.
• Modularidade e Flexibilidade: As soluções impulsionadas por IA ainda estão em seus estágios iniciais, especialmente quando as organizações lidam com dados não estruturados pesados. É fundamental projetar e construir uma solução modular e flexível que possa escalar com os negócios e seus desafios crescentes.

Estabelecer e embarcar em uma estratégia de IA tem um grande potencial para a maioria das organizações, e os casos de uso são infinitos. As soluções de aprendizado de máquina e aprendizado profundo tocam todos os aspectos de uma organização, desde vendas e marketing até operações diárias. No entanto, como construir um foguete ou inventar um novo gadget, o sucesso não será alcançado de uma vez. As soluções impulsionadas por IA devem ser abordadas em etapas e construídas em pequenas vitórias ao longo do tempo.