Nem sempre projetos de IA atingem os melhores resultados. Elencamos alguns fatores que podem ajudar a explicar esse fenômeno.
Segundo a Gartner, 85% dos projetos de Inteligência Artificial falharão e apresentarão resultados não esperados, ainda em 2022. A previsão foi feita em 2008. Além disso, atualmente, 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. Mas por que tecnologias deste tipo falham tanto nessas empresas?
Pensando em responder esta pergunta, vamos analisar o cenário da IA atualmente, elencando os motivos destas falhas e o que especialistas apontam como solução para que as empresas possam reverter este quadro e enfim fazer uso da Inteligência Artificial de forma realmente assertiva.
O que consideramos falhas em projetos de IA?
Primeiramente, é preciso entender do que se tratam as falhas em Inteligência Artificial que ocorrem hoje em dia. Afinal, apenas o fato de um modelo de IA desempenhar uma função específica com níveis de eficácia esperados não é mais o único requisito para que suas aplicações sejam consideradas bem-sucedidas. Em outras palavras, não é porque funciona tecnicamente que tem impacto.
Isso porque, além de um bom funcionamento, sistemas de IA também devem ser capazes de fornecer ganhos significativos no mundo real, seja na forma de economia de tempo ou na receita obtida.
Vejamos um exemplo: é possível contar com um sistema de estacionamento inteligente que pode prever a disponibilidade de vagas com 99,7% de precisão. Mas, se sua adoção no mundo real não levar a ganhos tangíveis, ou seja, não fizer muita diferença em ampliar a ocupação, ele não pode ser considerado um sistema bem-sucedido. É possível, também, que os operadores de estacionamento não consigam usar a interface do software de maneira otimizada, ou que clientes e motoristas acabem não se adaptando ao novo sistema. São muitas variáveis, por vezes simples, por vezes complexas, que determinam ou não se uma IA falhou ou teve sucesso.
Por conta de tudo isso, apenas uma parte dos projetos criados a partir de Inteligência Artificial acabam sendo, de fato, bem-sucedidos. E a estimativa de que cerca de 90% deles não entregam valor real começa a fazer muito mais sentido.
E por que a maioria dos projetos de Inteligência Artificial falham?
No geral, a falta de resultados não diz respeito ao aspecto tecnológico, mas sim humano desses sistemas. Isso porque quem determina o sucesso ou o fracasso de projetos de Inteligência Artificial são os usuários, as pessoas que fazem uso dessas tecnologias. Se não fizer sentido para elas, não têm utilidade para a empresa. Logo, por mais bem pensado que tenha sido, o projeto falha.
Um exemplo bem conhecido de falha de projeto de IA é a parceria da IBM com o MD Anderson Cancer Center da Universidade do Texas. A ideia era desenvolver o IBM Watson for Oncology, a fim de melhorar o tratamento do câncer. Contudo, Watson frequentemente dava conselhos incorretos sobre o tratamento oncológico, como administrar medicamentos anticoagulantes a um paciente com sangramento grave, por exemplo. Ao todo, o custo do projeto foi de US$ 62 milhões para o MD Anderson, e a empresa não conseguiu nenhum tipo de avanço com a parceria. Nesse caso, as falhas técnicas mesmo foram o principal problema.
Mas, por que várias dessas iniciativas falham? Quais são os fatores que impactam nesse resultado? Basicamente, existem diferentes motivos para que a maioria das iniciativas de IA falhem. Desde falta de envolvimento da equipe, até problemas no treinamento dos usuários. A seguir, vejamos um pouco mais sobre as principais causas de falha em iniciativas de Inteligência Artificial.
Falta de adesão da liderança
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. É por meio da vontade deles que essas iniciativas surgem. Com isso, um dos erros mais comuns das empresas é a falta de adesão desses líderes empresariais.
Problemas no treinamento do usuário
Na maioria dos casos, aplicativos baseados em IA não possuem processos totalmente automatizados. Na verdade, eles apenas automatizam as tarefas mais intensivas em análise, contudo, operadores humanos ainda são necessários, seja para alavancar ou aumentar os recursos de processamento de dados da IA. O problema é que nem sempre os treinamentos são feitos da melhor forma possível. Mesmo as melhores ferramentas de Inteligência Artificial são inúteis se quem faz uso delas não receber o melhor treinamento para navegar nos painéis ou entender os dados coletados. Assim, quando os usuários não são treinados o suficiente para navegar e usar interfaces tecnológicas, os aplicativos acabam não entregando os resultados esperados.
Medo da obsolescência humana
O medo de que muitos trabalhadores percam espaço para tecnologias de IA ainda é algo real. O problema é que essa percepção muitas vezes se manifesta como uma relutância em adotar novas tecnologias, e até mesmo a falta de entusiasmo por parte da equipe, mesmo durante os treinamentos. Tudo isso pode acabar prejudicando os resultados das iniciativas de Inteligência Artificial.
Objetivos de negócios pouco claros
Implementar tecnologias de IA sem um plano de negócios bem definido e objetivos claros é um ponto que pode levar ao fracasso nos projetos. Muitas vezes, em vez de partir da solução para um problema de negócios indefinido, o melhor é começar definindo quais são as metas que você pretende atingir, e aí sim decidir que técnicas e ferramentas de Inteligência Artificial utilizar para isso.
Falha ao experimentar
É importante lembrar que toda empresa falha. E isso é bom, porque a falha vai acontecer em algum momento. O que difere você de outras empresas é permitir-se aprender com os erros. Por isso a experimentação é tão importante, e muitas empresas não dão atenção a esse aspecto. A capacidade de criar e refinar seus processos, produtos, experiências de clientes e modelos de negócios está diretamente relacionada à sua capacidade de experimentar. Quanto mais você experimenta, mais chances de ter um projeto de IA bem-sucedido. E vice-versa.
Falta de bons talentos
A falta de bons profissionais é um problema em muitas áreas, e na Ciência de Dados não é diferente. Criar uma equipe talentosa nem sempre é fácil, e exige investimento de tempo e dinheiro por parte da empresa. Quando falamos em projetos de IA, um negócio sem uma equipe com treinamento adequado e experiência no domínio dos negócios pode não atingir os melhores resultados.
Qualidade e quantidade dos dados
Não adianta, os dados são o principal recurso de todos os projetos de IA. Por isso, 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. Em um sistema de recomendação, por exemplo, deve-se evitar a coleta de dados desnecessários, como foto do cliente, número de telefone e outros. Isso não ajudaria a resolver a dor e entender as preferências do cliente, e pode levar você a enfrentar um problema de overfitting.
Abordagem estratégica imprópria
Quando se trata de começar um projeto de Inteligência Artificial, um dos principais problemas é a descrença ou desinformação sobre o assunto. Ainda hoje, a maioria das pessoas acredita que a IA é aquela tecnologia avançada, quase mágica, e não uma ferramenta em um estágio ainda inicial. E também que oferece um oceano de possibilidades. Portanto, a adoção da IA deve ser um processo feito passo a passo, para que ele também faça sentido para as pessoas e para a empresa. Também é preciso entender que problema de negócios você está tentando resolver, e quais as métricas definem o sucesso ou fracasso desse objetivo.
Como a educação do usuário ajuda a evitar falhas
Agora que entendemos alguns fatores que interferem no sucesso de projetos de IA, devemos entender como a educação do usuário pode evitar que esses problemas aconteçam. E a resposta é, basicamente, criando e gerenciando expectativas, maximizando a adoção do usuário e habilitando o uso ideal de ferramentas de IA.
Primeiramente, vale dizer que não existe manual sobre o uso de ferramentas de IA. Cada empresa vive sua própria experiência. Contudo, as empresas, juntamente com os parceiros de implementação de IA, devem se unir para criar estratégias de educação do usuário específicas para todo o ciclo de vida das soluções de IA.
O primeiro passo é garantir que todos estejam de acordo e por dentro do projeto. Afinal, quando os líderes empresariais e os principais investidores estão cientes dos resultados esperados das iniciativas de IA propostas, eles ficam mais à vontade para investir seu tempo e seu dinheiro. Também é importante conscientizar os tomadores de decisão de alto nível a respeito dos desafios que podem ser enfrentados. Isso diminui as chances de eles retirarem o apoio quando os primeiros obstáculos surgirem.
Na sequência, é crucial garantir que os usuários primários não estejam apenas aceitando, mas entusiasmados com a adoção da IA. Como já falamos antes aqui, se o usuário não utilizar a tecnologia da maneira que ela deve ser utilizada, as expectativas serão frustradas. Portanto, parte das expectativas da liderança de nível superior deve convencer os gerentes e funcionários de nível inferior do valor das iniciativas de IA propostas, e envolver toda a equipe durante o projeto, em diferentes níveis de profundidade, é claro. É muito importante deixar claro que o uso de IA não substituirá a força de trabalho humana, mas sim deve melhorar o trabalho das equipes daqui para frente.
Ademais, é necessário oferecer o melhor treinamento sobre como usar a tecnologia. Isso constitui a etapa final da estratégia de educação do usuário. Uma vez que a liderança e os usuários finais estejam motivados o suficiente, eles também estarão mais receptivos às instruções de uso. Como resultado, contribuem melhor para as iniciativas de Inteligência Artificial, e a empresa tem mais chances de sucesso.
Por fim, é preciso dizer: projetos baseados em Inteligência Artificial nem sempre terão o resultado esperado. Contudo, alguns fatores podem dificultar e auxiliar nesta jornada. Tudo depende do envolvimento e colaboração de suas equipes e, principalmente, de uma visão clara e objetiva tanto das necessidades do usuário quanto dos objetivos da empresa. A Inteligência Artificial e a Ciência de Dados juntas podem levar seu negócio muito mais longe. É tudo uma questão de saber combinar dados com a experiência das pessoas.
