Inteligência aacrtificial: prova de conceitos em escala com sucesso
Da IA PoC à preparação para a produção
De acordo com a Gartner, 80% dos projectos de IA falham após a prova de conceito. Descobre como podes evitar a armadilha da PoC e escalar com sucesso.
Os avanços tecnológicos levaram as empresas a um ponto em que os processos digitais já não são apenas uma opção, mas uma necessidade. A utilização da inteligência artificial, em particular, desempenha um papel fundamental para as empresas, uma vez que apoia significativamente a flexibilidade e a eficiência na expansão dos processos.
Um estudo recentemente publicado sobre o sentimento atual das empresas relativamente ao tema da computação em nuvem sublinha mais uma vez claramente a forma como os representantes das empresas avaliam as tecnologias e em que áreas pretendem investir mais nos próximos anos. Não é de surpreender que o número de inquiridos que vêem a IA como um investimento chave e um tópico de transformação tenha aumentado novamente em 2024.
De acordo com o estudo, realizado pela empresa de análise techConsult, 56% afirmaram que a IA é de elevada relevância estratégica para a sua empresa, seguida de perto pela computação em nuvem, com 47%. Os dois temas estão, portanto, intimamente ligados.
A IA está a abrir caminho a um desenvolvimento e entrega mais rápidos de produtos digitais e a uma experiência do cliente sem falhas, e esta perceção chegou agora à sala de reuniões.
Esta mudança é imperativa, uma vez que os clientes esperam experiências digitais cada vez melhores e a crescente escassez de mão de obra qualificada está a obrigar cada vez mais empresas a repensar. As estruturas de custos internos têm de ser optimizadas de forma eficiente, ao mesmo tempo que aumentam o nível de serviço aos clientes. A IA pode ajudar-te neste aspeto.
Por conseguinte, cada vez mais empresas estão a avançar para a transferência de processos e aplicações individuais para uma prova de conceito (PoC), particularmente no domínio da inteligência artificial, a fim de validar a sua viabilidade e ganhos de eficiência.
Embora a utilização da inteligência artificial tenha um enorme potencial, a grande maioria dos PoCs falham após a sua implementação e não chegam a entrar em produção.
Index
7 razões pelas quais as provas de conceito de IA falham
Mas qual é a razão para este facto e como pode ser alterado? Essencialmente, podem ser identificados sete aspectos principais que levam ao fracasso de uma prova de conceito de IA:
1. Expectativas irrealistas
Esperam-se resultados mensuráveis e utilizáveis imediatamente, sem ter em conta que a recolha e o processamento de dados de alta qualidade levam tempo.
Por isso, é aconselhável identificar os potenciais casos de negócio desde o início e distinguir cuidadosamente os PoC promissores daqueles que apenas se destacam no “laboratório de inovação”. Perguntas como: “Quanto tempo quero dedicar a este projeto? Qual é o orçamento previsto? Tenho os recursos técnicos e as competências necessárias internamente? Preciso de aconselhamento externo?”, etc., devem ser esclarecidas antecipadamente para evitar surpresas desagradáveis no final.
2. Base de dados insuficiente
Uma das razões mais comuns para o fracasso logo no início é a falta de dados de qualidade suficientemente elevada, segmentados e rotulados para treinar o modelo de IA. Os tesouros de dados permanecem em silos departamentais e nunca se materializam.
Embora uma PoC normalmente apenas necessite de um subconjunto de dados para validar a sua viabilidade e possa já funcionar num único notebook phyton, a sua expansão requer frequentemente grandes quantidades de dados, limpos e fiáveis, de forma estruturada. Se estes dados não estiverem disponíveis, também se pode recorrer a dados gerados sinteticamente, dependendo do caso. No entanto, a questão dos dados deve ser sempre colocada com antecedência.
3. O modelo errado
Os modelos de IA têm surgido como cogumelos, e não apenas desde o entusiasmo em torno da IA generativa. Os modelos, o seu desempenho e as áreas de aplicação diferem consideravelmente uns dos outros. Se não conheceres a terminologia básica e as diferenças entre os modelos, é fácil escolher a solução errada.
Por isso, é aconselhável que te familiarizes com os modelos existentes antes de os utilizares. Uma compreensão básica dos modelos também facilita as decisões de “fazer ou comprar”, porque nem todas as soluções padrão se adaptam a todos os casos e, inversamente, não há necessidade de reinventar a roda se algo já disponível no mercado tiver dado provas.
4. Equipas isoladas
A IA não é uma tecnologia separada do resto das TI e deve ser vista como a única salvadora. Uma equipa isolada do resto da organização não dispõe das informações necessárias para implementar com êxito os projectos e dimensionar a PoC. Por conseguinte, é necessário verificar antecipadamente se as PdC podem ser integradas na infraestrutura de TI existente e quais as equipas que devem trabalhar em conjunto para o conseguir.
5. A IA não é considerada uma prioridade máxima
A falta de compreensão da IA e a falta de integração na estratégia global da empresa são uma garantia de fracasso. Se não fizeres da inteligência artificial uma prioridade máxima e não envolveres toda a empresa no processo de mudança associado, nem sequer deves começar. A IA é uma das tecnologias mais transformadoras do nosso século, trazendo consigo mudanças no processo diário de tomada de decisões. Estas mudanças devem ser apoiadas tanto pela direção como por cada um dos colaboradores. Para que isto seja bem sucedido, a gestão deve não só ser um modelo a seguir, mas também orientar, acompanhar e apoiar toda a sua equipa através destes processos com sensibilidade e compreensão. A comunicação contínua, a transparência, os programas de formação e a capacitação são factores-chave para a aceitação da IA na empresa.
6. Implementar PoCs sem departamentos especializados
“Os departamentos especializados não estão familiarizados com a tecnologia e nem sequer estão envolvidos na criação dos PoCs.” Quem pensa desta forma está a esquecer-se de algo importante: os departamentos especializados são os guardiões de informações valiosas sobre o seu domínio. Têm anos de conhecimentos especializados acumulados que devem ser incorporados na conceção das PoCs. Caso contrário, na pior das hipóteses, a otimização não será bem sucedida. A frustração é inevitável. Por isso, aplica-se o seguinte: fala com os departamentos especializados relevantes desde o início e envolve-os no planeamento e na concetualização, de modo a obter um resultado bom e utilizável.
7. “Podemos fazê-lo sozinhos”
Para além de bons dados e modelos de IA, as soluções de IA prontas para a produção também requerem uma sólida integração empresarial e preparação para a governação. É aqui que entra em jogo a engenharia de software clássica, incluindo tópicos associados como a arquitetura empresarial, EAM, processos de desenvolvimento consolidados, proteção e segurança de dados e, acima de tudo, uma sólida garantia de qualidade contínua e automatizada. Estes aspectos não são o foco e a área de especialização do PoC de IA e dos seus gestores.
Aqueles que têm em conta estes aspectos fundamentais quando desenvolvem PoCs aumentam significativamente as suas hipóteses de escalar e transferir para a produção e estão um passo mais perto do seu objetivo – a utilização bem sucedida da inteligência artificial.
Comentários estão fechados.