Entre em contato

Líderes de pensamento

Planejamento, PoC e produção de uma solução corporativa bem-sucedida orientada por IA

mm

Publicado

 on

As empresas estão acelerando suas iniciativas de inteligência artificial (IA) em um ritmo acelerado. Um estudo de Algoritmo mostraram que 76% dos CIOs estão priorizando e aumentando seus orçamentos de TI para ter maior foco em soluções de IA e aprendizado de máquina (ML). As organizações também estão a reconhecer a importância dos dados e a maioria está a aceitar o facto de que 80% dos dados empresariais são de natureza não estruturada.

Dados não estruturados estão sendo produzidos e crescendo em um ritmo alarmante na pilha empresarial. 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 a uma demanda crescente por dados utilizáveis ​​e insights acionáveis. Apesar do enorme potencial da IA ​​para transformar qualquer indústria, apenas 15% das soluções de IA implantadas até o final de 2022 serão bem-sucedidas, e menos deles gerarão um ROI positivo.

O maior problema é que a maioria das soluções corporativas de IA não vê a luz do dia devido ao desalinhamento das expectativas. Continua a haver equívocos sobre as possibilidades da IA ​​e os projetos continuam a ser concebidos em modelos impulsionados pelo hype. A maioria dos produtos ou modelos está longe da realidade real das operações corporativas do dia-a-dia. Outros fatores determinantes de taxas de sucesso mais baixas incluem: excesso de custos, falta de Centros de Excelência (CoE) de IA, talento inexperiente, indisponibilidade de dados e políticas desatualizadas, para citar alguns.

O planejamento abre caminho para o sucesso da IA ​​empresarial

Dados não estruturados são dados que carecem de um modelo de dados predefinido e incluem tudo, desde documentos e sites com muito texto até imagens, arquivos de vídeo, chatbots, fluxos de áudio e postagens em mídias sociais. Com a crescente quantidade de dados não estruturados na arquitetura corporativa, é fundamental ter um plano eficiente e incremental que se alinhe com os objetivos de todas as partes interessadas corporativas. Os objetivos típicos em nível organizacional podem incluir: automação de processos, detecção de fraudes, 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 um desafio.

Normalmente, o planejamento começa com a identificação de áreas de oportunidade dentro de uma organização. Embora possa haver uma grande visão de IA no nível de gerenciamento executivo, é fundamental identificar uma área que tenha alto impacto, baixo risco e crescimento contínuo de dados. Um bom exemplo desse caso de uso seria a função de processamento de empréstimos no setor bancário e financeiro. A origem do empréstimo para o serviço está repleta de processos manuais em que as informações são inseridas manualmente nos sistemas de maneira repetitiva. A devida diligência de pedidos de empréstimo envolve uma quantidade significativa de envio de documentos, o que apresenta vários riscos. No entanto, a IA pode ser aplicada em diversas áreas do fluxo de trabalho, incluindo processamento de documentos e detecção de fraudes. Essa também é uma área em que há um crescimento contínuo de dados ano a ano.

Outras etapas críticas a serem consideradas durante esta fase de planejamento incluem a definição de critérios de sucesso mensuráveis, a 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 carroça antes do cavalo!)

O sucesso inicial do Google é frequentemente atribuído à empresa que instituiu Objective Key Results (OKRs). Embora essa abordagem seja algo que possa ser aplicado a qualquer aspecto de negócios ou objetivos pessoais, adotar essa abordagem comprovada em relação à sua estratégia de IA pode gerar alguns resultados promissores. No entanto, quando se trata de dados não estruturados, é um problema em evolução que o setor em geral está tentando resolver. Diante dos desafios, os líderes empresariais devem fazer várias perguntas para determinar o 'o quê' e o 'por quê'. Por exemplo, se aumentar a produtividade é o objetivo principal, duas perguntas que podem ser respondidas são:

  • Devo planejar melhorar o rendimento por meio da automação? ou
  • Devo planejar resolver 80% do problema para 100% de todos os casos enviados?

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

Com dados não estruturados, outra área de medição ambígua é precisão. No exemplo do processamento de empréstimos, há tanta variabilidade nos documentos enviados pelos clientes que é fundamental que os líderes de negócios e tecnologia cheguem a um consenso sobre como a precisão da solução de IA é medida. Se a produtividade é um dos objetivos de instituir uma solução de IA, seria necessário identificar outras áreas que impactam a produtividade. Isso pode ser alcançado observando de perto o processo atual e reimaginando o processo com automação de IA. Freqüentemente, uma nova automação leva a novas etapas no processo, como gerenciamento manual de exceções, anotação, treinamento etc. Com essas etapas implementadas, seria mais fácil determinar como medir a precisão.

Os dados são a força vital de todas as empresas

Os dados não estruturados têm um alto grau de variabilidade em como as informações são estruturadas e apresentadas. As empresas estão repletas de informações apresentadas em documentos, que por natureza possuem estruturas complexas que consistem em parágrafos, sentenças e, mais importante, estruturas de tabelas multidimensionais. Além de documentos, as organizações estão investindo cada vez mais em bots de bate-papo, 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 tão simples quanto superar as restrições de conformidade e compartilhar dados dentro da organização. No entanto, ter uma variabilidade limpa e alta de dados permite uma melhor avaliação de um problema e o desenho 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 reais, de treinamento e de teste. Voltando ao exemplo do processamento do empréstimo, se o resultado dessa solução de IA for determinar os saldos médios diários dos solicitantes, a verdade básica e os dados de treinamento podem ser hiperconcentrados nos extratos bancários. No entanto, se o foco for determinar candidatos fraudulentos por meio de extratos bancários enviados, será necessário acessar uma gama mais ampla de documentos para obter as informações básicas e de treinamento necessárias.

Escalando de PoC para produção

Embarcar em uma Prova de Conceito (PoC) mensurável garante que todas as partes interessadas entendam os desafios, resultados e proposta de valor de uma solução de IA. No entanto, uma PoC não é o mesmo que uma solução pronta para produção. Uma PoC permite que uma organização identifique lacunas, estimula o pensamento de design para uma solução de produção e agiliza os objetivos e os principais resultados que devem ser alcançados. Para ir de PoC para 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 na forma e nos formatos. Igualmente importante é reimaginar o fluxo de trabalho, retreinar sua força de trabalho e determinar a infraestrutura, custos, desempenho, arquitetura de dados, segurança da informação e acordos de nível de serviço (SLAs) corretos.

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

Este cenário pressupõe que os líderes de negócios e técnicos concordaram com uma abordagem de MI ou aprendizado profundo com base no PoC. Algumas declarações de problemas podem ser determinísticas e uma abordagem estatística pode ser adotada para resolver o problema, enquanto outros desafios podem exigir uma combinação de MI e abordagens baseadas em redes neurais para alcançar os resultados desejados.

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

Seu PoC orientado por IA é apenas o começo de um longo processo, portanto, lembre-se do seguinte:

  • Não escolha um problema complexo para resolver na fase de PoC
  • Aplique o pensamento de design e revise seu processo de ponta a ponta; prever e gerenciar riscos antecipadamente
  • A precisão não é a única medida; projetar e planejar a construção de uma solução baseada em valor versus atingir 100% de precisão
  • Avalie sua abordagem de IA; não planeje modelos impulsionados pelo hype, em vez disso, escolha a abordagem ideal que seja de natureza modular
  • Gerencie as expectativas de todas as partes interessadas para garantir o resultado mais bem-sucedido
  • Projete sua solução e arquitetura para escalar com o crescimento de seus dados para obter o ROI mais ideal

Práticas recomendadas para soluções baseadas em IA

Hoje, a maioria das empresas está realizando um ou mais projetos de IA. Apesar das excelentes intenções e do trabalho árduo, muitos programas corporativos de IA ficam aquém das expectativas, não escalam e não geram o ROI desejado. Levará tempo para integrar a inteligência artificial como um componente central do negócio, no entanto, algumas das melhores práticas seguidas por organizações de sucesso incluem:

  • Comece com AI CoE: Muitas grandes corporações, mesmo as não tecnológicas, criaram Centros de Excelência em IA (AI CoE) para maximizar as chances de sucesso. Um AI CoE reúne os conhecimentos, recursos e pessoas necessários para permitir iniciativas de transformação baseadas em IA. Os principais benefícios incluem:
    • Consolidando aprendizado, recursos e talentos de IA em um único local
    • Desenvolvendo uma visão unificada de IA e uma estratégia de negócios
    • Padronização de abordagens, plataformas e processos de IA
    • Identificação de novas oportunidades de receita para IA e inovação
    • Dimensionar os esforços de ciência de dados, disponibilizando a IA para todas as funções de negócios
  • Compra Executiva: Uma estratégia de IA é mais bem-sucedida por meio de uma abordagem de cima para baixo. Escalar os pilotos em toda a organização com sucesso requer adesão da liderança, habilidades e dados necessários e estabelecer 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 vários motivos de conformidade. No entanto, os dados são a força vital de qualquer solução de IA e o provisionamento desses dados é fundamental. Juntamente com o provisionamento, a classificação e a limpeza dos dados são essenciais. Desenvolver informações precisas e dados de treinamento pode fazer ou quebrar uma solução de IA.
  • Arquitetura: Aproveitar a IA é uma mudança de paradigma para qualquer organização, que requer novas formas de pensar e planejar. Projetar uma arquitetura técnica e operacional otimizada aumenta suas chances de sucesso. Isso inclui ter novas funções como operações de ML, operações de dados, treinamento iterativo e anotações, entre outras.
  • Modularidade e Flexibilidade: As soluções baseadas em IA ainda estão em seus estágios iniciais, especialmente quando as organizações estão lidando com dados não estruturados pesados. É fundamental projetar e construir uma solução modular e flexível que possa ser dimensionada com os negócios e seus crescentes desafios.

Estabelecer e embarcar em uma estratégia de IA tem grande potencial para a maioria das organizações, e os casos de uso são infinitos. As soluções de machine e deep learning abrangem 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 só vez. As soluções baseadas em IA devem ser abordadas em etapas e construídas com base em vitórias menores ao longo do tempo.

Prabhod Sunkara é o cofundador e COO da nRoad, Inc.., uma plataforma de processamento de linguagem natural (NLP) criada especificamente para dados não estruturados no setor de serviços financeiros e a primeira empresa a declarar uma “guerra aos documentos”. Antes da nRoad, Prabhod ocupou vários cargos de liderança em desenvolvimento de produtos, operações e arquitetura de soluções. Sua paixão por criar e fornecer soluções de IA orientadas a resultados melhorou com sucesso os processos em grandes empresas financeiras globais, como Bank of America, Merrill Lynch, Morgan Stanley e UBS.