Porque é que é tão difícil introduzir a IA nas empresas?
A culpa de parecer difícil introduzir a IA nas organizações e empresas é nossa. Nós (a indústria da IA) mitificamo-la.
A IA não é magia. O que é maioritariamente conhecido como IA hoje em dia é, na verdade, Machine Learning (Aprendizagem Automática). O Machine Learning é um paradigma computacional que permite “ensinar” algo a um computador com base em exemplos.
Não ensinamos a teoria ao computador, ensinamos-lhe exemplos práticos. E fazemo-lo durante o tempo suficiente até estarmos satisfeitos com o desempenho do computador sempre que surge um novo exemplo.
É só isto.
Então, por que razão é tão difícil? Porque os cientistas de dados, os engenheiros e os meios de comunicação social mitificam o tema. E como o conhecimento é poder, os especialistas protegem-no porque querem manter o seu poder. O Machine Learning é apenas mais uma disciplina da Ciência da Computação.
Traduzir um problema de negócio num problema de Machine Learning é apenas mais uma competência que os analistas de negócio precisam de desenvolver.
6 passos para introduzir a IA nas organizações
Na minha experiência, ajuda ter um processo que apoie esta jornada. Os passos seguintes são úteis para analisar os desafios de eficiência e identificar oportunidades. Isto não pretende ser uma receita para uma visão holística do futuro do seu negócio, mas sim uma lista não exaustiva de passos que provaram ser úteis no passado.
1. Identificar os desafios de negócio
Tal como em muitas outras situações, identificar as maiores oportunidades de melhoria é o primeiríssimo passo a dar para introduzir a IA em qualquer organização.
-
Quais são as áreas mais ineficientes da sua organização?
-
Como poderia servir melhor os seus clientes?
-
Como pode poupar dinheiro?
2. Idear soluções possíveis
Depois de identificar os desafios e as oportunidades, é altura de fazer um brainstorming de possíveis soluções e abordagens.
Na indústria transformadora, um desafio típico é analisar quanta energia é gasta durante o processo. Afinal de contas, a energia é frequentemente um dos custos mais elevados na produção.
-
Consigo poupar energia com melhores dados? E se pudesse tomar melhores decisões de poupança de energia?
Se fosse resolver o problema, o que faria, quanto esforço seria necessário e quanto dinheiro custaria?
Se nos focarmos noutras áreas, as perguntas mudam em conformidade. Nos seguros, por exemplo, as perguntas típicas são:
-
Quanto me custa avaliar um sinistro? Como posso tornar este processo mais eficiente?
3. Definir prioridades
A partir do segundo passo, vão surgir muitas ideias sobre como aumentar a eficiência, poupar dinheiro e introduzir novas fontes de receita. Portanto, o terceiro passo consiste em priorizar cada um desses casos.
Um bom exercício é utilizar uma matriz de impacto vs. esforço.
Os chamados low hanging fruits (frutos mais acessíveis) são aqueles que têm um impacto elevado com um esforço reduzido. É por aí que deve começar.
4. Prova de Conceito (PoC)
Nesta fase, escolhe um desses frutos mais acessíveis e implementa uma Prova de Conceito. O objetivo é provar que o problema pode ser resolvido da forma como foi concebido. Assim, é possível fazer uma estimativa melhor e mais precisa do esforço necessário em caso de envolvimento num caso deste género.
5. Produto Mínimo Viável (Entrada em produção)
Uma vez validada a prova de conceito, a ideia passa por avançar para a produção com a solução. Uma solução baseada em dados tem várias fases de implementação:
-
Recolha e integração de dados
-
Desenho de um Data Lake (ou de um Data Warehouse)
-
Desenvolvimento de modelos preditivos e de Machine Learning para trazer valor acrescentado
-
Entrega de insights sob a forma de visualizações, alarmes, recomendações ou integração com os sistemas de TI e processos de negócio atuais
6. Melhorar. Melhorar. Melhorar.
A entrada em produção não é o fim do seu trabalho. É apenas o início. Só vai compreender os benefícios da nova solução quando esta estiver nas mãos dos seus utilizadores.
Depois disso, um processo de melhoria contínua é fundamental. Certifique-se de que reserva orçamento para isto, pois é tão importante quanto a fase conceptual e a fase de projeto.
