fbpx

Foto: Shutterstock

Fonte: ComputerWorld

Um dos principais fatores que inibe a expansão do uso de IA nos negócios está relacionado à habilidade e maturidade em lidar com dados

Por Fabricio Lira

Já faz mais de 50 anos que o tema Inteligência Artificial, ou simplesmente IA, surgiu como campo de estudo. Com o avanço das pesquisas e aumento das capacidades computacionais, hoje em dia praticamente todas as empresas já têm ou possuem planos relacionados à IA em alguma escala, seja em suas ofertas de produtos e serviços ou em seus processos.

Uma pesquisa realizada pelo MIT em conjunto com o Boston Consulting Group envolvendo mais de 3 mil executivos, gestores e analistas mostra que 85% dos entrevistados acredita que IA irá gerar ou sustentar uma vantagem competitiva para suas empresas. A IDC estima que cerca de US$ 36,8 bilhões serão investidos em IA durante 2019, liderados pelos setores de varejo e bancos (aproximadamente US$ 11,5 bilhões). Entretanto, apesar da grande expectativa, a adoção de IA nas companhias está apenas começando. Há uma grande disparidade entre expectativa e ação.

O que impede as empresas de acelerarem forte na adoção e escalada do uso de IA em seus negócios? Não há uma resposta simples, porém, um dos principais fatores que inibe esta expansão está relacionado à habilidade e maturidade em lidar com dados. Não importa o quão sofisticado sejam os algoritmos, nenhum deles irá superar a falta de dados. Pesquisas apontam que cerca de 80% dos dados das empresas não são estruturados (documentos de texto, páginas de intranets, e outros formatos) e consequentemente não podem ser buscados. Fica a pergunta: como acessar e tirar valor das suas informações?

Não há inteligência artificial sem uma arquitetura de informação (AI) adequada, ou seja, não há IA sem AI. A maior parte do esforço em um projeto de IA reside na coleta/armazenamento de dados e em sua preparação. Cerca de 80% do tempo e esforço de um cientista de dados é gasto em coletar, filtrar e preparar os dados para análise uma vez que os conjuntos de dados possuem vários tamanhos e naturezas distintas e precisam ser preparados e redefinidos para conjuntos que façam sentido para a empresa.

Possuir um time de estrelas em ciência de dados, que irá desenvolver e implementar os algoritmos mais modernos e impactantes sem uma arquitetura de informação robusta e provada é como estar sentado no cockpit de um carro de Fórmula 1 sem saber para que direção se deve ir.

Uma forma simples de descrever essa arquitetura é usar a analogia de uma escada, onde cada degrau representa um estágio de maturidade na estratégia de adoção de IA. Rob Thomas, gerente-geral de dados e IA da IBM utiliza o termo “AI Ladder” para descrever esta jornada.

No primeiro degrau, devem ser tratados os aspectos ligados a coleta e armazenamento dos dados, identificando as fontes e amostras corretas, tornando-os simples e acessíveis.

Em seguida, no segundo, degrau entra a parte de organização e preparação onde os conjuntos de dados serão catalogados, passarão por uma seleção, filtros e ajustes para que possam ser utilizados na geração de insights. Vale destacar que muitas empresas, por vezes, alternam o primeiro e segundo degraus em função da realidade do negócio ou influência passada. Alguns profissionais acreditam que armazenar todas as informações em um repositório (datalake) antes de prepará-las para uso faz mais sentido, uma vez que o caso determina a preparação, enquanto outros preferem realizar a preparação antes, considerando quais dados um projeto deve ou poderia ter para criar seus modelos. Particularmente, acredito que manter um repositório consistente e “limpo” gera economias e ganhos de esforço e infraestrutura ao longo do processo, bem como uma fundação confiável e segura para expansão futura.

Na sequência, ou terceiro degrau, vem a parte de análise e exploração para geração de insights, conectando os dados ao propósito esperado, validando as informações geradas, calibrando modelos e ajustando os parâmetros. Essa etapa é de fundamental importância visto que valida os resultados esperados. Uma empresa de varejo nos EUA utilizou dados de compras realizadas na frente de caixa para tentar melhorar a composição de produtos nas lojas, entretanto o modelo só considerava os dados referentes a casos de sucesso, ou seja, casos em que os clientes finalizaram a compra, gerando uma tendência ou viés no modelo. Ao revisar os resultados, decidiram agregar também dados de falha, onde os consumidores desistiam da compra, tornando o modelo mais assertivo.

Finalmente, o quarto e quinto degraus estão ligados a ganhar confiança e transparência na utilização de AI para poder escalar, multiplicar e monitorar os modelos em diversos processos e/ou produtos e serviços. Considerando que o aprendizado dos modelos é contínuo e dados e pessoas possuem vieses, é fundamental monitorar e corrigir distorções que possam comprometer os resultados gerados.

As empresas podem estar em diversos estágios no contato com a tecnologia e testar projetos para entender o valor dos dados e da IA, mas sem dúvida uma jornada robusta requer um enorme esforço de colaboração, integração e governança, visto que os projetos de IA permeiam diversas camadas e divisões nas organizações. Em outras palavras, utilizando a escada para IA como referência, é necessária uma visão holística que permita integrar pessoas, processos e dados de forma estruturada a fim de gerar os benefícios e resultados esperados.

*Fabricio Lira é executivo de Data & AI da IBM Brasil

Categorias: Notícias

0 comentário

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *


O período de verificação do reCAPTCHA expirou. Por favor, recarregue a página.

ASR Consultoria
Privacy Overview

This website uses cookies so that we can provide you with the best user experience possible. Cookie information is stored in your browser and performs functions such as recognising you when you return to our website and helping our team to understand which sections of the website you find most interesting and useful.