BRANDED CONTENT
APRESENTADO POR 7D Analytics
A Inteligência Artificial é, com certeza, a tecnologia disruptiva que mais entusiasma e preocupa. Dados, como os do estudo da PwC, que estima que a IA pode aumentar em 14% o PIB global até 2030, injetando US$ 15,7 trilhões na economia, sinalizam um mar de oportunidades. Desde que a adoção por parte das empresas seja feita da forma apropriada.
Achar que a mera adoção da tecnologia fará a mágica do aumento de produtividade e de receita é um risco enorme. E um dos motivos de 60% a 80% dos projetos de IA corporativa terem falhado em 2022, de acordo com pesquisas de diferentes consultorias.
De acordo com o Gartner, cerca de 70% das empresas relatam impacto mínimo ou nenhum impacto em relação ao uso de IA, e 87% dos projetos de ciência de dados nunca chegam à produção. Por quê?
Por que o fato de um modelo de IA desempenhar uma função específica, com níveis de eficácia esperados, não é requisito sine qua non para ser bem-sucedido?
Eduardo Abudd, Matheus Ferreira e Ricardo Taborda, especialistas em ciência de dados e machine learning, e fundadores da 7D Analytics, conversaram com a The Shift em um podcast dedicado à Inteligência Artificial e aos fatores que contribuem para o fracasso e o sucesso das iniciativas envolvendo a tecnologia.
Da conversa toda, um destaque importante é o “fator usuário”. Se a aplicação de IA não fizer sentido para o usuário final, não terá utilidade para a empresa.
A íntegra do podcast você ouve por aqui.
Abaixo você confere os trechos mais relevantes, dos pontos que podem levar ao fracasso de um projeto
Implementar soluções de IA sem antes entender como elas irão contribuir para os propósitos da empresa é o caminho para o insucesso. É preciso olhar primeiro para os desafios de negócio, entender qual é a visão da empresa e pensar como as soluções de IA ajudarão a entregar a estratégia corporativa, melhorando processos e indicadores.
Ricardo Taborda: “O maior erro que uma empresa pode cometer em um projeto de IA é começar a pensar primeiro na tecnologia e, só depois, no problema de negócio. É como comprar o remédio sem saber a doença’.
Matheus Ferreira: “Clientes já nos procuraram porque a meta deles no ano era implementar um projeto de Machine Learning. Tipo, ‘minha meta é tomar um paracetamol’, sem sequer estar doentes.”.
Eduardo Abbud: “A gente percebe muito o hype. A moda é falar em ChatGPT. A moda é falar de análise preditiva. A moda é falar de Analytics. E as pessoas esquecem os problemas reais.”
Outro ponto importantíssimo para o sucesso de iniciativa de IA é uma boa governança de dados. Muitas empresas abraçam a IA sem terem uma estrutura mínima de dados e suas informações minimamente organizadas.
Eduardo Abbud: “Qualquer projeto de Analytics passa por questões como depuração e classificação dos dados. Não se deve trabalhar com os dados só pelos dados em si, mas transformar os dados em informações úteis para os modelos.”
Matheus Ferreira: “Um ponto super importante é mapear quais são as hipóteses relevantes e traduzir essas hipóteses para dados. Isso se faz na fase de mapeamento. Essa fase do mapeamento e tratamento dos dados é 70%, 80% do tempo de desenvolvimento de um projeto de IA. Muitas vezes, os clientes não têm todos os dados necessários, nem levantaram todas as hipóteses para consideração.”
Conclusão: É preciso criar uma estratégia de governança de dados para garantir a disponibilidade, qualidade, quantidade, integridade e segurança dos dados utilizados no projeto. Trabalhar com dados desatualizados, insuficientes ou tendenciosos pode fazer com que seu projeto não atinja os objetivos iniciais.
Acreditar que a IA irá resolver todo e qualquer tipo de problema pode gerar muita frustração. Assim como qualquer tecnologia, ela tem aplicações onde está mais desenvolvida e outras ainda em evolução e é importante definir as expectativas corretamente ao iniciar um projeto desse tipo
Matheus Ferreira: “Sabe o Hype Cicle do Gartner? A IA está entrando no vale da desilusão, ou seja, agora as pessoas estão começando a conhecer um pouco melhor o que a tecnologia pode entregar, onde ela pode ajudar, e quais são as limitações.”
Eduardo Abbud: “É muito comum, após iniciar os projetos, as pessoas começarem a enxergar o negócio e a tecnologia de uma maneira um pouco diferente. Elas passam a usar as informações e a interpretar melhor e fazer análises mais complexas baseadas nos dados que começaram a reconhecer. Os modelos passam a ser incorporados para a tomada de decisão da empresa.”
Ricardo Taborda: “Uma coisa fundamental é as pessoas acreditarem no modelo. E para acreditar, as pessoas precisam entender. Então a gente trabalha muito em abrir a caixa preta. Fazemos treinamentos para explicar o que acontece quando a pessoa ‘aperta o play’ e sai a previsão de vendas. As pessoas que vão utilizar o número no seu dia a dia precisam confiar nele. Saber como o modelo chegou àquele resultado.”
Matheus Ferreira: “Vencer essa barreira inicial é bastante importante. Depois que o cliente utilizou a tecnologia e ela passa a fazer parte do processo, ele começa a ver que consegue ganhar velocidade.”
Ricardo Taborda: “A pessoa mais importante em todo o processo é o usuário final. A pessoa que vai receber o output do modelo. O sucesso acontece à medida que o consumidor do resultado fica feliz com o uso do modelo que foi construído. Muitas vezes é o consumidor final, outras vezes direta ou indiretamente é o CEO; mas podem ser também analistas ou gerentes.”
É importante ressaltar que quando falamos em projetos de IA, líderes de negócios – como proprietários, diretores e executivos C-level – geralmente acabam sendo apenas usuários secundários. Contudo, eles estão entre os maiores beneficiários dos sistemas, bem como os maiores facilitadores de tais iniciativas.
* Conteúdo produzido em parceria com a 7D Analytics, pelo programa de Marketing Services da The Shift. A 7D Analytics é uma consultoria especializada em advanced analytics, otimização matemática, e elaboração de modelos preditivos e prescritivos para fenômenos naturais, sociais e econômicos, otimização aplicada aos negócios, supply chain management e soluções personalizadas de Data Science.
LLMs ainda são ruins em raciocínio multi-hop. Precisamos de melhores mecanismos de recuperação e capacidades de raciocínio. E o novo benchmark FRAMES pode nos ajudar a avançar
Combinados, Machine Learning e GenAI podem revelar insights ocultos sobre o que realmente gera satisfação e produtividade.
Pesquisadores chineses conseguiram abordar a previsão quantitativa de mudanças de regime para vários tipos de dinâmica em redes usando Machine Learning.
Aproveite nossas promoções de renovação
Clique aquiPara continuar navegando como visitante, vá por aqui.
Cadastre-se grátis, leia até 5 conteúdos por mês,
e receba nossa newsletter diária.
Já recebe a newsletter? Ative seu acesso