Porque você deve pensar na IA como um esporte coletivo

Nota do editor: este artigo foi publicado originalmente na Forbes

O que significa pensar na IA como um esporte coletivo? Temos visto projetos de IA passarem do entusiasmo inicial para o impacto. Isso se dá, em grande parte, porque as pessoas nas funções certas estão se envolvendo para fornecer o contexto de negócios que faltava. O envolvimento dos especialistas no setor é essencial, pois as máquinas não possuem o mesmo nível de contexto que as pessoas. É preciso conhecer bem o negócio e os dados para entender quais ações devem ser tomadas com base nas informações ou recomendações recebidas. 

Quando se trata de escalonar a IA, muitos líderes pensam que é uma questão de pessoal; especificamente, acham que precisam ter mais cientistas de dados. Mas nem todo problema de negócios é um problema de ciência de dados. Ou, pelo menos, nem todo desafio comercial deve ser jogado para a sua equipe de ciência de dados. Com a abordagem correta, você pode aproveitar os benefícios da IA sem as dificuldades dos ciclos tradicionais da ciência de dados.

Para implantar e escalonar soluções de IA, os líderes precisam mudar a mentalidade da organização para pensar na IA como um esporte coletivo. Alguns projetos de IA precisam de um conjunto diferente de pessoas, ferramentas e expectativas quanto ao que seriam resultados de sucesso. Sabendo como reconhecer essas oportunidades, você poderá obter mais sucesso com seus projetos de IA e aprofundar seu quadro de usuários de IA, adicionando velocidade e poder à tomada de decisões para toda a força de trabalho. Vamos ver como e porquê.

As organizações estão democratizando as análises avançadas com IA

O uso de IA para resolver problemas comerciais tem sido, em grande parte, da competência dos cientistas de dados. As equipes de ciência de dados costumam ser reservadas para as maiores oportunidades e desafios mais complexos da organização. Muitas organizações obtiveram sucesso ao aplicar a ciência de dados a casos de uso específicos, como detecção de fraudes, personalização e vários outros, nos quais profundos conhecimentos técnicos e modelos bem refinados geram resultados altamente bem-sucedidos.

No entanto, usar sua equipe de ciência de dados para escalonar soluções de IA pode ser impraticável por vários motivos. Atrair e reter talentos custa muito caro e pode ser difícil em um mercado competitivo. Projetos tradicionais de ciência de dados podem levar muito tempo para serem desenvolvidos e implantados até que a empresa veja algum valor. E até mesmo as equipes de dados mais sólidas e experientes podem falhar se não tiverem os dados ou o contexto necessários para compreender as nuances do problema que deveriam solucionar. 

O relatório de 2021 The State of Data Science and Machine Learning (DSML), da Gartner®, sobre o estado da ciência de dados e do aprendizado de máquina, declara que “a demanda dos clientes está mudando, pois grupos menos técnicos querem utilizar DSML com mais facilidade, especialistas precisam melhorar a produtividade e empresas exigem um tempo mais curto para extrair valor de seus investimentos.” Ainda que muitos problemas comerciais possam se beneficiar da velocidade ou da análise minuciosa que a IA pode oferecer, uma abordagem tradicional de ciência de dados pode nem sempre ser o melhor plano de ataque para gerar valor rapidamente. De fato, o mesmo relatório da Gartner prevê que “até 2025, a escassez de cientistas de dados não será mais empecilho para a adoção da ciência de dados e do aprendizado de máquina nas organizações”.

Especialistas no setor são essenciais para escalonar a IA para toda a empresa

A IA já está ajudando a levar recursos de análise avançada para usuários que não tem formação em ciência de dados. As máquinas podem selecionar os melhores modelos e algoritmos de previsão, e modelos subjacentes podem ser expostos, com a possibilidade de ajustá-los e garantir que tudo está de acordo com o que o usuário procura. 

Esses recursos capacitam os analistas e especialistas no setor a projetar e tirar proveito de seus próprios aplicativos de IA. A proximidade com os dados confere a esses usuários uma vantagem sobre muitos de seus colegas cientistas de dados. Colocar esse poder nas mãos dos especialistas no setor pode evitar os longos prazos de desenvolvimento, a sobrecarga de recursos e os custos ocultos associados aos ciclos tradicionais da ciência dos dados. Além disso, os especialistas no setor deveriam ser aqueles que decidem se a previsão ou sugestão feita pela IA é útil ou não. 

Com processos de criação de modelos mais iterativos, com revisão e reimplantação, as pessoas com contexto de negócios podem extrair valor da IA mais rápido, e até mesmo implantar novos modelos para milhares de usuários em poucos dias ou semanas em vez de semanas ou meses. Isso vale especialmente para as equipes com problemas específicos que não são prioritários para as equipes de ciência de dados, mas que poderiam se beneficiar da velocidade e do rigor da análise de IA. 

No entanto, é importante observar que, embora essas soluções possam ajudar a resolver a lacuna de habilidades entre analistas e cientistas de dados, elas não substituem os cientistas. Os cientistas de dados continuam a ser parceiros fundamentais dos especialistas no negócio para validar os dados usados nas soluções de IA. E, além dessa colaboração, treinamento e habilidade em dados serão essenciais para usar essas ferramentas com sucesso em larga escala.

A alfabetização de dados capacita mais pessoas a utilizar a IA

A sua estratégia de dados fundamental é extremamente importante para garantir do sucesso da IA na sua organização, mas para levar soluções de IA a mais pessoas em toda a empresa é preciso começar com a alfabetização de dados. O entendimento de quais dados são apropriados para solucionar um problema de negócios e como interpretar os dados e resultados de uma recomendação de IA vai ajudar as pessoas a confiar na IA e adotá-la como parte do processo decisório. Uma linguagem de dados compartilhada dentro da organização também abre mais portas para uma boa colaboração com especialistas.

A mais recente pesquisa global sobre IA da McKinsey revelou que, em 34% das organizações com alto desempenho, “um centro de treinamento dedicado desenvolve habilidades em IA para funcionários não técnicos por meio de aprendizado prático” em comparação com apenas 14% de todas as outras organizações pesquisadas. Além disso, em 39% das organizações com alto desempenho, “existem canais de comunicação designados e pontos de contato entre usuários de IA e a equipe de ciência de dados da organização” em comparação com apenas 20% das outras.

Os líderes podem utilizar várias abordagens para desenvolver a alfabetização de dados, tais como capacitação e treinamento, programas de mentoria, competições de dados para formação de comunidades e muito mais. Pense em normalizar o acesso e o compartilhamento de dados e em como você celebra e promove os casos de sucesso, o aprendizado e as decisões tomadas com base nos dados. 

“A alfabetização de dados e a capacitação em visualização e ciência de dados precisam ser mais prevalentes e ensinadas mais cedo”, diz Vidya Setlur, diretora de pesquisa da Tableau. “Há uma certa responsabilidade social e corporativa que vem com a confiança no uso de dados. As pessoas precisam estar mais bem preparadas para compreender, interpretar e tirar o máximo proveito dos dados, pois a IA vai ficar cada vez mais sofisticada, e precisamos estar sempre alguns passos à frente.” 

O desenvolvimento da cultura de dados na sua organização cria oportunidades sólidas para cultivar habilidades e fomentar novas soluções em toda a empresa. Com a aceleração da transformação digital, muitas organizações já aumentaram seus investimentos em dados e análise nos últimos anos. Não é exagero pensar em dados como um esporte coletivo. E agora, temos os meios para estender essa mentalidade para a IA.

Quer saber mais?

• Explore as soluções de análise com IA do Tableau.
• Leia o nosso artigo relacionado: Alcance sucesso com a IA por meio de uma estratégia de dados que prioriza as pessoas.
• Conheça o nosso compromisso de capacitar 10 milhões de pessoas com habilidades em dados em cinco anos. 

______________________________________________________________________________________________
1 Gartner, The State of Data Science and Machine Learning. Pieter den Hamer, Carlie Idoine, Shubhangi Vashisth, Farhan Choudhary,Afraz Jaffri, Peter Krensky. 10 de dezembro de 2021 GARTNER é uma marca registrada e de serviço da Gartner, Inc. e/ou de suas afiliadas nos EUA e em todo o mundo e é usada aqui com permissão. Todos os direitos reservados.