Como superar obstáculos em projetos completos de IA

Nota do editor: este artigo foi publicado originalmente na Forbes

De acordo com um estudo recente conduzido pela 451 Research, parte da S&P Global Market Intelligence, “mais de 90% das organizações que adotaram a AI começaram a desenvolver seu primeiro projeto de AI nos últimos cinco anos”. Embora incipientes, as soluções de IA estão em ascensão por toda parte. No entanto, muitas dessas iniciativas ainda não atendem às expectativas, mesmo quando chegam a ser implantadas.

Para ter sucesso, os líderes devem selecionar e gerenciar projetos de IA com uma estratégia bem pensada, impulsionada por expectativas claras, alinhada aos objetivos da empresa e com capacidade de iteração. Vamos ver quais são os obstáculos que as organizações costumam enfrentar no desenvolvimento de projetos completos de IA e como superá-los.

Como gerenciar as expectativas em relação a IA

Muitos dos projetos de IA que falham hoje em dia lembram os projetos de software empresarial dos anos 90, nos quais o desenvolvimento saía dos trilhos porque as equipes colocavam fé que as novas tecnologias solucionariam seus problemas. Tanto naquela época como agora, uma das maiores armadilhas é ter expectativas infladas sobre o que a solução pode efetivamente solucionar.

É perigoso presumir que, se você coletar dados suficientes, tudo se esclarecerá de uma hora para outra; que você poderá prever o comportamento do cliente ou fazer recomendações perfeitas para antecipar as necessidades dele. Infelizmente, o mundo é muito menos previsível do que as pessoas gostariam. Embora surjam alguns padrões úteis, nem todos os eventos são causais ou até mesmo correlacionados; grande parte desses eventos apenas geram ruído.

Ao mesmo tempo, muitas organizações veem a concorrência implementar soluções de IA e se sentem pressionadas a seguir pelo mesmo caminho. Investir em IA apenas para se equiparar aos outros pode sair pela culatra se você não entende o que motiva o sucesso alheio ou se isso vai funcionar na sua organização. As empresas que estão na dianteira com seus projetos de IA costumam ter estratégias de dados e processos de negócio estabelecidos que permitem coletar e tirar proveito dos tipos certos de dados para IA.

Em última análise, para gerenciar as expectativas em relação aos projetos de AI, antes de mais nada, é preciso definir quais dos seus problemas podem realmente ser resolvidos com a IA.

Como escolher o tipo certo de projeto de IA para os seus problemas

A sua estratégia de IA está alinhada com seus objetivos comerciais? A seleção do projeto é, provavelmente, o maior desafio que as organizações enfrentam nas suas iniciativas de IA. É importante entender claramente a pergunta que você quer responder, como (e se) a resposta a essa pergunta vai melhorar seus resultados, e se você tem ou não os recursos para responder à pergunta com eficiência.

Digamos que você queira usar um modelo preditivo para determinar quando e que tipo de desconto oferecer a um cliente. Chame os cientistas de dados! Mas é muito difícil abordar essa questão com um modelo preditivo. Em primeiro lugar, é difícil saber se o seu cliente compraria o produto sem o desconto. E a coleta dos dados necessários com rigor estatístico suficiente para produzir um modelo útil envolveria alguns processos que não são naturais na empresa, como randomizar quais clientes obtêm descontos ou quais representantes de venda oferecem descontos. Isso aumenta muito a complexidade da situação.

Uma abordagem melhor para esse problema usando a IA seria explorar modelos de simulação do comportamento esperado do cliente frente a diferentes esquemas de desconto. Em vez de torturar o sistema para chegar a uma previsão exata, com simulações e planejamento de cenários é possível descobrir quais variáveis são sensíveis umas às outras na tomada de decisões comerciais. Pergunte a si mesmo qual deveria ser reação do cliente para que esse desconto fizesse sentido. Esse tipo de exercício para explorar possíveis resultados é muito mais eficaz e certamente muito mais fácil do que desenhar um experimento complexo de ciência de dados. 

Estimule o sucesso entre as suas equipes

Entender como os seus dados são coletados e selecionados, como foram usados no passado e como serão usados no futuro é essencial para qualquer atividade de IA com os dados. É importante treinar um modelo com dados completos e que representem o que estará disponível no mundo real na época em que você realizar a intervenção. Por exemplo, se você tem vários estágios no seu pipeline e quer prever a probabilidade de fechamento do negócio no estágio cinco, não pode executar o modelo nos estágios três e quatro e esperar resultados úteis.

Os cientistas de dados costumam ter uma lacuna no entendimento do que os dados representam e como são gerados. Quais processos humanos e tecnológicos estão envolvidos na criação dos dados, e o que exatamente os dados significam no contexto do seu negócio? É nesse ponto que os analistas e usuários corporativos são incrivelmente valiosos pois eles têm uma relação próxima com os dados e também com os problemas que você está tentando solucionar. Gostamos de pensar na IA como um esporte coletivo porque para alcançar o sucesso é preciso ter um contexto de negócios, e não só uma base de referência de dados e alfabetização em modelos.

Por fim, existem aspectos humanos no sucesso do projeto que as organizações podem subestimar se concentrarem todo o foco em dados e tecnologia. Muitas vezes, a IA pode fazer uma previsão, mas compete a alguém decidir como transformá-la em uma ação recomendada. A sugestão é útil para fornecer uma direção clara que as pessoas estarão dispostas a seguir? Você está criando um ambiente onde essas sugestões serão bem recebidas?

Nem todas as previsões são aproveitáveis. Você está disposto a ajustar seus preços, volumes de produção ou alocação de pessoal ou, até mesmo, alterar a linha de produtos? Qual nível de gestão de mudanças é necessário para que as pessoas adotem a nova solução e evoluam seus comportamentos e processos estabelecidos? A confiança deriva de um padrão de comportamento consistente e disposição para continuar a educar a empresa; se você vai afetar radicalmente a forma como as pessoas trabalham, elas precisam estar de acordo.

Comece pequeno e continue a iterar

Vamos encerrar com algumas orientações baseadas no que vimos durante o trabalho com os clientes.

Muitas vezes, o melhor candidato a primeiro projeto de IA é aquele que será mais fácil de operacionalizar e colocar em produção com menos complexidade na gestão de mudanças. Procure criar algo que gere valor o mais rápido possível, mesmo que seja uma melhoria incremental muito pequena. E mantenha seus clientes, usuários corporativos e partes interessadas o mais próximos possível do processo de desenvolvimento. Crie um bom ambiente de feedback, tanto no sentido de coletar mais dados para melhorar o modelo com as iterações como para que as partes interessadas contribuam para melhorar o projeto e seus resultados.

Com a IA, sempre haverá casos limite que não se encaixam na solução. Mas é melhor encontrar soluções que funcionem para a maioria dos clientes ou funcionários do que desenvolver uma prova de conceito vistosa que só funciona para alguns casos de uso muito específicos. No fim das contas, a IA deve reduzir o atrito e facilitar o trabalho para que as pessoas possam tomar decisões embasadas.

Quer saber mais? Confira a nossa conversa sobre projetos de IA no LinkedIn ou saiba mais sobre Análise com IA no Tableau