Tornar a Inteligência Artificial uma realidade

Por Phil Le-Brun, Estratega empresarial da Amazon Web Services

Qualquer empresa tem noção que precisa de estar capacitada para qualquer tecnologia e a Inteligência Artificial (IA) não é exceção. Como estratega corporativo, já debati inúmeras vezes que “a tecnologia é a solução, mas qual é o problema?”. A realidade é que, muitas das vezes, só quando mudamos a forma como operamos e nos organizamos é que muitas novas tecnologias passam a surtir o efeito desejado.

Mas o que acontece quando realmente conjugamos a mudança organizacional e a tecnologia em prol da IA? Embora as empresas estejam apenas a começar a perceber o potencial desta tecnologia, neste momento estão já a conseguir ter insights anteriormente inatingíveis sobre os seus clientes, funcionários, finanças ou novos produtos. A acessibilidade da tecnologia baseada na cloud e a relação da engenharia, matemática e mudança organizacional prometem soluções ou melhorias para os nossos problemas mais complexos, que vão desde a mudança climática e pobreza até à criminalidade e saúde. Muitas das utilizações atuais parecem banais em comparação com o que o futuro reserva, mas as novas tecnologias têm aumentado o valor dos negócios na ordem dos triliões de dólares. Quer se trate do setor de restauração, retalho, financeiro ou da saúde, as potencialidades de utilizar uma tecnologia sofisticada aos dados tem o poder de surpreender a todos.

Portanto, se adotarmos uma abordagem racional e passo a passo da IA, por onde devemos começar para que possamos capitalizar ao máximo o seu potencial? Como nos posicionamos para identificar e dimensionar oportunidades, ao mesmo tempo que evitamos chegar a um impasse? Aproveito para partilhar algumas etapas básicas que qualquer empresa pode adotar, de forma a que a IA possa impulsionar os negócios, capitalizando da melhor forma os dados que já possuem.

Educar

A história está repleta de exemplos de novas tecnologias que foram consideradas como tabu e desmistificar a IA ​​e os componentes básicos é essencial para ajudar a entender o que é necessário para aplicar a IA a um problema ou oportunidade de negócio. Para ser mais claro, a IA abrange o uso de sistemas para realizar tarefas que geralmente requerem inteligência humana. Isto é definido de uma forma muito limitada, ao contrário do que é referido como “inteligência artificial geral”, que visa replicar o comportamento humano, mas que consiste num conceito ainda distante. A maior parte da IA ​​é baseada em machine learning para criar um modelo que representa o processo de decisão exigido frequentemente pela definição de padrões nos dados.

Ajudar as partes interessadas a entender conceitos como automação de processos robóticos (RPA), limpeza de dados, big data, model training ou ética de machine learning ajuda a desvendar e clarificar estes princípios. Isso vai ajudar as partes interessadas a manter conversas relevantes e fundamentadas sobre IA e a concentrarem-se no problema, em vez de avançar diretamente para uma solução de tecnologia.

Upskill

Além da consciencialização e da educação, as organizações precisam de várias capacidades exigidas pela IA para serem eficazes. Embora seja tentador contratar analistas de dados e esperar que isso resulte, isso não é uma solução eficiente. As capacidades necessárias vão além da tecnologia e incluem um profundo conhecimento do domínio de negócios, competências de modelagem e a capacidade de criar, executar e medir experiências.

Parceiros e contratações externas podem ajudar a impulsionar esta aprendizagem. No entanto, fazer um esforço dedicado para melhorar as competências de toda a organização, em vez de tornar o conhecimento exclusivo de uma nova equipa, vai irradiar o medo da nova tecnologia e difundir a capacidade de cada funcionário de identificar oportunidades de aplicar a IA. As mesmas técnicas que defendemos para aperfeiçoar as capacidades dos funcionários na cloud aplicam-se à IA. Muitas organizações já têm funcionários altamente qualificados que só precisam de um pouco de prática para ter sucesso com a IA. Exercitar a força de trabalho existente tem um efeito duplo, tanto pela criação de talentos internos que entendem o negócio de forma mais económica, como a perceção positiva de funcionários que podem recear perder os seus empregos neste novo mundo tecnológico. Sou um defensor da liderança pelo exemplo, de forma a que se consiga conquistar mais pessoas. No meu caso, ganhei a certificação AWS Machine Learning e regressei à escola para entender a ciência de dados.

Defender uma mudança cultural

A adoção bem-sucedida de IA depende da capacidade de uma organização ser ágil e eficiente. Ou seja, as organizações devem estar dispostas a experimentar e aprender rapidamente recorrendo a equipas multifuncionais. Quando falamos sobre os fatores de sucesso em organizações ágeis e resilientes, cerca de 70% da informação relaciona-se com elementos culturais fundamentais. Como qualquer tecnologia ou iniciativa eficaz, o poder da IA ​​advém da sua aplicação a problemas do mundo real e da transformação de perceções em ações. Numa última análise, isso requer mudanças nos processos de negócios, normas operacionais e até mesmo nas funções que os funcionários desempenham.

Com a IA, é necessário aceitar e defender a experimentação. Longe vão os dias, se é que alguma vez existiram, do líder omnipotente com todas as respostas. Em vez disso, equipas ágeis e autónomas criam uma cultura de aprendizagem, realizam pequenas experiências com IA, medem os resultados e, em seguida, escalam rapidamente tentativas bem-sucedidas ou concluem de forma económica aquelas que não funcionaram.

Outra mudança crítica de cultura para muitas organizações tradicionais é configurar essas equipas como sendo verdadeiramente transversais. Um estudo recente em empresas que alcançam com sucesso iniciativas baseadas em IA mostrou que mais de 90% recorriam a equipas multidisciplinares. Embora isto não seja por si só uma grande revelação, é surpreendente como muitas empresas ainda têm dificuldade em compreender totalmente os elementos de trabalhar com sucesso, como a clareza de objetivos, percursos profissionais adequados e mecanismos de recompensa e mudanças no comportamento de liderança.

Entender a estratégia de dados

A base para modelos sofisticados de ML é a necessidade de recolher, clarificar e tornar acessíveis os dados subjacentes. A estatística tradicional apresentada nestes debates assenta no facto de mais de metade do tempo gasto “a fazer IA” ou mesmo apenas a obter valor a partir dos dados é usado em processos banais, como aquisição e debate de dados. A sistematização gradual deste processo, por exemplo, melhorar a qualidade dos dados na fonte ou nomear administradores de dados é útil, mas os elementos fundamentais são igualmente críticos. Ter um repositório de dados rentável e altamente redimensionável é um bom ponto de partida, assim como aumentar a literacia e acessibilidade de dados da organização. Garantir que se retira valor dos dados em cada etapa deste percurso ajuda a manter a confiança e o foco para uma empresa cada vez mais capacitada para dados. Também é fundamental manter a mente aberta em relação às estruturas organizacionais que apoiam o uso de dados. Os líderes devem tornar os dados disponíveis, de maneira a que funções e linhas de negócio individuais possam recolher valor dessa informação. Da mesma forma, alguns coordenadores optam por descentralizar atividades em organizações mais complexas, com o intuito de desacelerar a realização de valor dos dados.

Solucionar problemas 

Esta próxima etapa passa por escolher um ou mais problemas que sejam importantes para o negócio, capacitar as novas equipas multifuncionais para obter o resultado desejado, avaliar os resultados e resolver conforme apropriado. 

É conveniente escolher problemas onde os dados estão imediatamente disponíveis, as potenciais soluções são complexas o suficiente para garantir o uso de ML e onde os resultados finais podem ser alcançados numa unidade de negócios quando for encontrada uma solução. Algumas empresas iniciam este processo e descobrem problemas que nem sabiam que tinham através da utilização de dados, mas neste caso sugiro que se comece por problemas conhecidos, que não foram resolvidos de forma sustentável através de métodos tradicionais. Por exemplo, a previsão e o preço tendem a ser pontos críticos para restaurantes e empresas de retalho, mas podem ser aperfeiçoados com o Machine Learning.

Em cada iteração da experiência, é necessário que as equipas continuem a progredir em direção a um resultado mensurável e que possam demonstrá-lo através de dados.

Operacionalizar e dimensionar

A vantagem de trabalhar na cloud refere-se à facilidade de dimensionar grandes ideias, comparativamente com o que costumava acontecer. Contudo, isto levanta uma questão humana: como se altera processos, funções e até mesmo negócios com base no dimensionamento do Machine Learning? Independentemente do investimento, é fundamental que as pessoas mais capazes de implementar os resultados estejam intimamente envolvidas, para que os benefícios possam ser rapidamente calculados.

A IA abre inúmeras possibilidades que devem ser convenientemente fundamentadas e examinadas. A apresentação de resultados deve ser o mais transparente possível, de forma a incentivar e apoiar as equipas, para que experimentem e aprendam rapidamente. 




Deixe um comentário

O seu email não será publicado