Adoção Bem-Sucedida de IA Requer 3 Componentes — A Maioria das Empresas Possui Apenas 2

Neste ponto, a IA não é mais uma tecnologia nova. Sua eficácia comprovada na análise de dados, reconhecimento de padrões e síntese de conhecimento pode tornar as equipes mais eficientes. No entanto, apesar do valor inegável da IA, novas pesquisas indicam que apenas 13% das empresas adotaram-na de forma extensiva. A maioria das empresas está jogando seguro, usando a IA apenas para tarefas de baixo risco. O que impede as marcas de se envolverem e colherem os benefícios? A lacuna entre as aspirações e o alcance da IA se resume a uma deficiência estrutural.

O elo perdido.

A adoção bem-sucedida e generalizada de IA requer três componentes: infraestrutura, aplicação e dados. A camada de infraestrutura compreende o modelo de IA, cujo quadro molda diretamente o uso e os resultados potenciais.

A camada de aplicação é onde as soluções de software residem. É aqui que a maior parte do valor da IA é gerada; é onde os usuários interagem (talvez indiretamente) com a IA e revisam seus resultados; é o núcleo da tomada de decisões informadas pela IA.

Entre essas camadas está a camada de dados, e é este componente que a maioria das empresas tem dificuldade – seja consciente ou não. Esta camada, é claro, contém todos os dados; dados que se encaixam nos modelos de IA subjacentes e orientam as aplicações que estão sendo construídas. A qualidade da camada de dados informa diretamente a saída na camada de aplicação. Dados de alta qualidade e abundantes podem suportar casos de uso robustos, enquanto dados questionáveis ou inadequados não podem.

Até que as organizações possam construir – ou se associar a empresas que construam – as três camadas da adoção de IA, elas não obterão o valor máximo.

As implicações do desequilíbrio.

A saída da IA sempre será predeterminada pelos dados que recebe. Se uma organização deseja que sua IA possa prever estruturas moleculares sintéticas, ela precisará alimentá-la com muitos dados de física. Se um varejista deseja usar a IA para prever o comportamento dos usuários e melhorar as experiências digitais, precisará alimentá-la com dados comportamentais.

Se as empresas (ou seus parceiros) não puderem apoiar adequadamente suas ferramentas de IA com dados suficientes, as implicações serão de longo alcance. Primeiramente, há a solução de IA em si. No melhor dos casos, ela estará tecnicamente operacional, embora não no grau desejado. As saídas podem ser fracas, sem brilho ou carentes de insights por completo. Além desse resultado “melhor caso” jaz um resultado mais provável: alucinações da IA, saídas errôneas e ROI negativo. Não apenas o investimento terá sido desperdiçado, mas as organizações podem ter que gastar mais para controlar os danos.

Ao ampliar a visão para além das consequências imediatas, podemos ver as implicações mais amplas de uma solução de IA carente de dados. Em geral, as empresas adotam a IA para que possam fazer mais: obter mais insights, atender mais clientes, operar com mais eficiência. Se as organizações investem tempo e recursos em uma ferramenta de IA que não funciona, elas efetivamente impediram seu próprio crescimento, limitando sua capacidade de se adaptar ao mercado e superar a concorrência. Isso as coloca em desvantagem e as deixará lutando para recuperar o tempo, os recursos e – potencialmente – os clientes perdidos.

Mas a esperança não está perdida; há muito que as organizações podem fazer para se posicionar bem, corrigir (ou prevenir) um desequilíbrio de IA e seguir em frente.

Preenchendo a lacuna com os dados certos.

Correndo o risco de simplificar demais, a melhor coisa que os líderes podem fazer para evitar um desequilíbrio de IA é realizar sua devida diligência antes de avançar com qualquer solução impulsionada por IA. Antes de implantar uma nova ferramenta, reserve tempo para aprender sobre a origem dos dados e como eles são gerados.

Se o seu provedor de soluções ou engenheiro líder não puder fornecer uma resposta direta sobre a origem, qualidade ou quantidade dos dados subjacentes, isso deve acender alarmes. Obtenha uma segunda ou terceira opinião de parceiros de canal e integradores. Coletar informações por meio de redes de discussão de usuários como Reddit e Discord; veja onde outros adotantes encontraram obstáculos ou bloqueios. Saber quais sinais de alerta procurar antes de tomar qualquer decisão pode ajudar os líderes a evitar um mundo de dores de cabeça e expectativas não atendidas.

É claro que essa previsão nem sempre é possível e não ajudará as organizações no meio de uma deficiência de dados de IA. Se descartar a solução existente não for uma opção, a próxima melhor coisa é encontrar uma maneira de injetar mais dados para que a ferramenta tenha mais contexto, padrões e insights para extrair.

Dados sintéticos são uma opção aqui, mas não são uma cura para todos os males. Pode ser difícil identificar a origem exata dos dados sintéticos, então eles podem não ser sempre o caminho mais adequado. Dito isso, há um tempo e um lugar para dados sintéticos. Por exemplo, eles são excelentes no treinamento de modelos de segurança de IA, especialmente de forma adversária. Como sempre, realizar pesquisas preliminares antes de se envolver completamente ajudará os líderes a tomar as melhores decisões para seus negócios.

Para setores como varejo ou restaurantes de serviço rápido (QSR), dados humanos são preferíveis. As empresas nesses setores provavelmente estão usando a IA para ajudar a otimizar a experiência do cliente, então suas ferramentas devem ser treinadas em dados comportamentais humanos. Por exemplo, se você deseja prever quão longe os usuários rolarão uma página, você gostaria que a IA baseasse sua previsão no comportamento humano real em condições semelhantes.

Em alguns casos, obter uma influxo de dados humanos não é tanto sobre obter novos dados, mas sim ativando dados existentes. Os visitantes do site e do aplicativo já estão lá – é apenas uma questão de capturar, estruturar e analisar seus dados comportamentais para que as ferramentas de IA possam usá-los.

No final do dia, ter dados insuficientes é melhor do que ter dados ruins; qualquer coisa que as organizações possam fazer para limpar suas soluções ajudará a impulsionar melhores resultados.

Onde começar.

Estar com falta de dados de IA pode representar um desafio considerável para organizações de qualquer tamanho, e pode ser assustador apenas pensar sobre quais passos seguintes podem ser. Mas reconhecer o problema é um feito em si. A partir daí, é sobre encontrar os passos gerenciáveis e incrementais que você pode abordar um a um.

A IA holds tremendous promise – mas apenas para aqueles dispostos a investir em cada um de seus componentes principais: infraestrutura, aplicação e dados. Sem essas camadas, mesmo a solução de IA mais elegante fracassará. As organizações que fecham a lacuna de dados agora não apenas evitarão ficar para trás; elas estarão definindo o ritmo.