Diretores da IBM e da Gap falam sobre as dificuldades na implementação efetiva de projetos de Data Science e comentam sobre possíveis soluções.
O portal de negócios VentureBeat promoveu o evento Transform 2019, no mês passado, na cidade de São Francisco. Um dos painéis reuniu Deborah Leff, CTO de Data Science e Inteligência Artificial da IBM, e Chris Chapo, SVP de dados e análises da Gap, para falar sobre a dificuldade na implementação efetiva de projetos de Inteligência Artificial (IA).
Segundo os executivos, a vantagem inerente que grandes empresas costumavam ter frente às pequenas não existe mais. O advento de IA mudou o paradigma e, agora, as empresas rápidas superam as empresas lentas, independentemente do tamanho. Assim, pequenas empresas, desprovidas de nomes famosos, passaram a roubar participação de mercado das gigantes.
No entanto, se existe um entendimento universal de que a IA fornece empiricamente vantagem competitiva, por que apenas 13% dos projetos de Data Science realmente chegam à produção?
Chris Chapo afirmou: “Uma das principais [razões] é que, às vezes, as pessoas pensam ‘tudo o que eu preciso fazer é arremessar dinheiro no problema ou colocar uma tecnologia’ e o sucesso aparece do outro lado. Isso simplesmente não acontece”. O especialista complementou: “E isso não acontece porque não temos o apoio certo da liderança para garantir que criemos as condições para o sucesso”.
Outra questão chave é a disponibilidade de dados, figura central em projetos de Data Science. Eles possibilitam análises e expandem capacidades, mas a maioria das organizações é altamente isolada em silos, com proprietários de dados que simplesmente não colaboram e líderes que não facilitam a comunicação.
Deborah Leff disse: “Eu tive cientistas de dados olhando na minha cara e dizendo que o projeto poderia ser feito, mas não podíamos ter acesso aos dados. Eu digo: sua gerência permite que isso continue?”.
Chris Chapo e Deborah Leff.
Outro problema com dados é que eles usualmente estão disponíveis em formatos diferentes, são estruturados ou não, podem ser mantidos em locais diferentes, têm diferentes requisitos de segurança e privacidade. Isso traz lentidão para os projetos logo no início, porque os dados precisam ser coletados e limpos.
Mais uma questão, intimamente ligada ao isolamento em silos, é a falta de colaboração. Cientistas de dados existem desde os anos 1950 – e eram indivíduos sentados em um porão, trabalhando atrás de um terminal. Porém, Data Science se tornou um esporte coletivo. A importância desse trabalho está sendo incorporada à toda estrutura da empresa. Logo, é essencial que cada pessoa da equipe seja capaz de colaborar com todas as outras: engenheiros de dados, administradores de dados, pessoas que entendem de Data Science ou analytics, especialistas em BI, desenvolvedores e engenharia.
Qual é a solução?
Deborah Leff comentou: “Hoje, uma das maiores oportunidades para todos nós é descobrirmos como educar os líderes de negócios em toda a organização. Antes, um líder não precisava necessariamente saber o que o cientista de dados fazia. Agora, o cientista de dados entrou na linha de frente. É realmente importante que os líderes de negócios entendam esses conceitos”. Ela ainda acrescenta:
A Inteligência Artificial não vai substituir os gerentes, mas os gerentes que usam Inteligência Artificial vão substituir aqueles que não usam.
Os líderes de negócios estão começando a querer entender como funciona Machine Learning, o que IA realmente significa para eles e como aproveitá-la com êxito. “Esses serão os líderes mais procurados”, completou a especialista da IBM.
Outra chave essencial para o sucesso, disse Chris Chapo, é manter a simplicidade – como diz o chavão em inglês, keep it simple.
Ele afirma que o imaginário popular sobre a complexidade de um projeto de IA pode atrapalhar. “A realidade é: comece simples. Assim, você pode provar seu caminho até a complexidade. A partir daí, nós começamos a mostrar não só valor mais rapidamente, como também ajudamos as empresas que não são versadas em dados a se sentirem confortáveis com isso”, explicou o executivo da Gap.
Não é necessariamente sobre a sofisticação do modelo, mas sobre criar uma experiência melhor para os clientes. As empresas não competem mais com o concorrente mais próximo. Elas competem contra a melhor experiência que outra empresa forneceu, mesmo que seja em um setor totalmente diferente. Por exemplo, se é possível acessar um serviço de caronas (como Uber ou Lyft), por meio de aplicativo, em apenas alguns instantes, o mesmo nível de experiência passa a ser desejado em uma ligação para o banco, no registro de uma reivindicação de seguro ou em um pedido online.
Há três maneiras de começar e evitar tornar-se um dos 87%, segundo Chapo: 1) Escolha um projeto pequeno para começar. Não tente ferver o oceano, mas escolha um ponto a ser resolvido, no qual você possa mostrar um progresso demonstrável. 2) Assegure-se de que você tem a equipe certa, entre diversas funções, para resolver esse ponto. 3) Utilize desenvolvedores terceirizados (third party) que possam acelerar o início da sua jornada.
