As empresas estão gastando muito dinheiro em tecnologia de IA sem alcançar resultados concretos. Somente quando avançarem para o status de produção com IA é que haverá ROI e produtividade.
Não é raro ouvir sobre como empresas e startups estão experimentando Inteligência Artificial, fazendo testes, criando protótipos. Mas é menos comum saber como elas mantêm seus sistemas de IA em funcionamento e quais os resultados desses projetos.
Um sistema de IA não utilizado de forma correta não gera valor. Um protótipo que não é validado vira uma eterna promessa. Por dificuldade em transformar em resultado essas iniciativas, poucas coisas são reveladas sobre como fazer a transição do desenvolvimento para produção e de como gerenciar estes sistemas no dia-a-dia da empresa.
Em artigo publicado no Neo Feed, Cezar Taurion, mentor no i²a², Instituto de Inteligência Artificial Aplicada, e autor de diversos livros sobre o assunto faz uma análise interessante sobre o assunto:
“Em uma conversa com a diretoria de uma empresa para o qual fui convidado a integrar seu Conselho de Inovação, ouvi uma reclamação. Eles me disseram: ‘investimos em IA. Montamos uma equipe e criamos um lab de IA. Fizemos algumas PoCs (proof of concept), mas não vimos ainda nenhum resultado concreto. Parece que apenas damos entrevistas à mídia sobre IA, mas ela não apareceu ainda nos nossos resultados’. É uma preocupação comum. IA parece estar em todos os lugares, menos nos resultados dos negócios.
Em grande parte das empresas que dizem investir em Inteligência Artificial são utilizados sistemas baseados em Machine Learning que já estavam operando há anos. Os bancos mais tradicionais, por exemplo, há tempos usam scores para avaliar os riscos dos clientes em busca de crédito e evitar possíveis fraudes. Na verdade, são implementações de automação de processo robótico (RPA), mas sem uso de IA, apenas automação dos processos existentes. As melhorias nos processos são feitas manualmente e depois inseridas nos seus softwares de RPA.
Porém, são coisas distintas. Machine Learning utiliza algoritmos e métodos estatísticos para identificar padrões nos dados e pode detectar correlações e padrões semelhantes. IA busca interpretar esses dados em um determinado contexto e agir em cima deles.
A ilustração ajuda a entender a relação entra Machine Learning e Inteligência Artificial
Os porquês
Há boas razões pelas quais as implementações de produção dos projetos de IA são relativamente escassas. Uma é a pouca maturidade da tecnologia. Chatbots, por exemplo, estão melhorando a cada dia, mas muitas empresas ainda hesitam em colocá-los na linha de frente com seus clientes.
Outro desafio é que um algoritmo de IA, para trazer resultados ao negócio, precisa estar embutido dentro de uma aplicação. E esta aplicação precisa estar integrada com os demais sistemas da organização. Seu desempenho deve afetar sistemas, processos e atividades dentro da empresa. Um algoritmo isolado não tem muito a oferecer.
Se a iniciativa de IA realmente alterar alguns processos de negócios relevantes, isso cria uma outra barreira à sua implementação, que é a natural aversão às mudanças. A maioria dos sistemas de IA ainda envolve interação com as pessoas e educar os funcionários em novas tarefas e novas habilidades pode ser demorado e custoso. Mudar o comportamento das pessoas devido à interação com algoritmos de IA não é fácil.
As alternativas
Mas o que pode e deve ser feito? Palestrante do Predictive Analytics World for Industry 4.0 em maio de 2020, Ronny Fehling destaca que:
“Muitas vezes ouço dos clientes que eles acham que precisam primeiro organizar seus dados antes de fazer o projeto de IA. E sim, sem um bom acesso a dados, a IA não pode realmente funcionar. De fato, a maior parte do tempo gasto em IA é gasto no processamento, limpeza, compreensão e contextualização dos dados. No entanto, você não pode realmente saber para que dados serão necessários, de que forma, sem saber para que deseja usá-los. É por isso que as estratégias que lidam com dados e IA separadamente falham e geram custos enormes”.
A questão aqui é incluir a Inteligência Artificial como estratégia empresarial como um todo e não apenas restrita ao setor de inovação ou em um projeto específico. Empresas que vêm obtendo sucesso estão incorporando isso no DNA da empresa, pensando a partir da IA e não apenas vendo o que IA traz de bom.
Uma referência em mentalidade de IA
Um case de sucesso nesta integração é a Amazon, de Jeff Bezos. Até por volta de 2014 a empresa era considerada fechada em sua tecnologia, com dificuldades de atrair grandes talentos da área por sua fama de “engessada”, ficando atrás de Google, Facebook, Apple e Microsoft no quesito inovação. Porém, após uma provocação de Bezos ao vice-presidente de IA Srikanth Thirumalai, as coisas mudaram e hoje a Amazon está na vanguarda do assunto e os produtos Alexa e Echo são alguns frutos dessa mudança de mentalidade interna. Segundo ele:
“Conversávamos, conversávamos, mas não compartilhamos muitos artefatos porque as lições não eram fáceis ou diretamente transferíveis. Eles eram ilhas da IA em um vasto oceano de engenharia. O esforço para revisar a empresa com o aprendizado de máquina mudou isso”.
Os cientistas internos enfrentaram problemas difíceis e compartilharam suas soluções com outros grupos. Em toda a empresa, as ilhas da IA ficaram conectadas. À medida que a ambição da Amazon por seus projetos de IA cresceu, a complexidade de seus desafios tornou-se um ímã para os principais talentos, especialmente aqueles que queriam ver o impacto imediato de seu trabalho.
Agora, as inovações de aprendizado de máquina em uma parte da empresa alimentam os esforços de outras equipes, que por sua vez podem criar produtos ou oferecer serviços que afetam outros grupos ou mesmo a empresa em geral.
As empresas estão gastando muito dinheiro em tecnologia de IA, e ela não deve ser vista exclusivamente como um experimento. Somente quando as empresas avançam para o status de produção com IA é que ele fornecerá ROI e produtividade para suas organizações. Ficar em labs e PoCs não gera resultados tangíveis, além de exposição na mídia.
