Entre em contato

Líderes de pensamento

Indo além do hype: operacionalizando IA e ML para resultados de negócios

mm

Publicado

 on

Por: Krishnan Venkata, diretor de clientes da empresa de análise digital Análise LatentView.

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

Dez anos depois, para muitas empresas, a promessa da IA ​​acabou sendo apenas isso – uma promessa e nada mais. Embora muitas dessas organizações tenham tomado medidas para acelerar seus esforços de transformação digital, algumas armadilhas comuns muitas vezes deixam o sonho de IA/ML irrealizado.

Quais foram alguns dos maiores fatores que impedem o potencial transformador de IA e ML?

  • Falta de organização: O primeiro passo para uma estratégia de IA bem-sucedida é coletar dados. Mas igualmente importante é planejar a organização desses dados; as empresas que acumulam um tesouro de dados sem nenhum plano de como organizá-los, analisá-los e colocá-los para funcionar ficam com um recurso não refinado e praticamente inutilizável. Qual é o valor em descobrir petróleo se você não tem como retirá-lo do solo ou refiná-lo para uso?
  • Adoção parcial: Embora as transformações digitais prometam economia de custos a longo prazo, o preço inicial para adotar uma nova tecnologia pode ser alto. Esse choque de etiqueta leva algumas empresas a adotar uma abordagem fragmentada para integrar ferramentas de IA, sem considerar como essa solução única se encaixará em um roteiro maior.
  • Processos/disciplina ausentes: As soluções de IA e ML serão naturalmente defendidas e introduzidas por líderes específicos dentro da empresa, mas seu sucesso depende da adesão institucional de cima para baixo. Os adotantes iniciais precisam preparar o caminho para uma adoção mais ampla, incutindo 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 automatização de rotinas por meio de IA e ML. De acordo com Insights de negócios da Fortune, o mercado global de inteligência artificial deve atingir US$ 267 bilhões até 2027, representando um crescimento quase dez vezes maior do valor de US$ 27 bilhões em 2019. Uma mudança de longo prazo para o trabalho remoto provocada pela pandemia de COVID-19 levou as empresas a adotar novas soluções; Twilio's Relatório de engajamento digital COVID-19 descobriu que 97% dos executivos disseram que a pandemia acelerou seus esforços de transformação digital.

Então, o que será necessário para superar o hype de IA e ML e realmente operacionalizar essas ferramentas? 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 infalível para uma nova e brilhante palavra da moda, 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 em uma empresa. Essas ferramentas aplicam os princípios do gerenciamento Ágil para IA, aprendizado de máquina e gerenciamento de dados, respectivamente, simplificando drasticamente o conhecimento e o esforço necessários para obter valor de novas soluções. Para empresas que estão dando os primeiros passos em IA/ML e que procuram se atualizar, essas estratégias são essenciais.

2. Código Baixo/Sem Código

Os modelos de ML mais complexos e diferenciados sempre exigirão desenvolvedores e cientistas de dados dedicados para garantir seu sucesso. No entanto, os desafios enfrentados por muitas empresas não são tão complicados e podem ser resolvidos com soluções de IA mais simples e de tamanho único. As plataformas de baixo código e sem código diminuem a barreira de entrada para funcionários com pouca ou nenhuma experiência em desenvolvimento de software. As ferramentas sem código permitem que qualquer funcionário crie soluções como mecanismos de recomendação por meio de plataformas intuitivas de arrastar e soltar, enquanto as plataformas com pouco código podem executar tarefas complexas com apenas algumas linhas de código.

3. AutoAI e AutoML

 Se a inteligência artificial e o aprendizado de máquina automatizam os processos de negócios, por que eles próprios precisariam ser automatizados? Um aspecto crucial do sucesso de IA e 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 melhores resultados. O AutoAI e o AutoML executam esse processo de refinamento sem exigir nenhuma entrada humana, criando um ciclo virtuoso sem fim. Os humanos podem verificar o desempenho do modelo para evitar vieses e confirmar se 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 desbravam novos caminhos com o processamento de linguagem natural, o campo da IA/ML está a atingir um ponto de viragem que verá uma explosão de novos casos de utilização. As empresas devem estar preparadas para reagir a estas tecnologias emergentes; aqueles que não têm a casa em ordem agora serão deixados para trás pelos concorrentes que a têm.