Home  >  Inovação

Inteligência artificial: o que você precisa para ter um projeto de sucesso

8 dicas para transformar os projetos de AI em valor comercial, contados por aqueles que já obtêm benefícios reais com o uso da tecnologia

Maria Korolov | CIO EUA

11/11/2018 às 10h01

Foto: Shutterstock

O uso da inteligência artificial (AI, na sigla em inglês) é capaz de gerar valor para os negócios. No entanto, poucos executivos sabem como usar bem AI e explorar todo o potencial da tecnologia para materializar todos os benefícios que ela promete.

A boa notícia, de acordo com uma pesquisa recente da Deloitte, é que 82% dos early adopters de AI ​​estão obtendo resultados financeiros positivos de seu investimento em tecnologias cognitivas, com um ROI médio de 17%.

Qual a maior diferença entre um projeto de AI bem-sucedido e outro não? Geralmente o bem-sucedido é dirigido por uma necessidade de negócio, diz Nitin Mittal, diretor de análise da Deloitte Consulting.

Organizações interessadas em tirar o máximo proveito de AI, ​​prestem atenção: "Concentre-se em aplicações onde a AI pode ajudar tornar as coisas mais rápidas e melhore. Concentre-se nos objetivos de negócios que precisam ser alcançados, prove o valor e amplie. É aí que vemos muito sucesso", Diz Mittal.

Aqui estão oito dicas para transformar os projetos de inteligência artificial em valor comercial, contados por aqueles que já obtêm benefícios reais com o uso da tecnologia.

1. Concentre-se em problemas concretos
Na General Electric, o valor comercial está no centro de todo projeto de AI, diz Colin Parris, vice-presidente de pesquisa de software da empresa. "Começamos com um monte de MVPs", disse ele. "A solução pode realmente prever algo? E se podemos fazer o que precisamos? É mais barato, mais rápido, ou pode gerar mais receita? Então, como podemos escalá-lo, como podemos implantá-lo para obter valor para o negócio?"

Esse acompanhamento é fundamental, diz o executivo.

Por exemplo, se o sistema de AI estiver produzindo previsões sobre equipamentos que precisam de manutenção, essas previsões precisam ser integradas ao fluxo de trabalho. Isso pode significar enviar o engenheiro de campo certo para fazer a manutenção correta no momento certo.

Pode também exigir uma integração ao sistema de inventário. Ou uma integração com o maquinário atual.

"Se a minha Ai me dá a capacidade de realmente entender quando preciso aumentar a temperatura ou a pressão, tenho que integrar os sistemas de controle", completou.

2. Conheça os limites da inteligência artificial

Quando os seres humanos tentam fazer previsões, às vezes são vítimas de uma armadilha psicológica conhecida como efeito Dunning-Kruger. É quando uma pessoa não está ciente de quão pouco sabe sobre um assunto e erroneamente se considera um especialista. Os resultados podem ser tragicômicos.

Os sistemas de IA podem cair na mesma armadilha. Por exemplo, uma AI treinada em um determinado conjunto de dados e solicitada a fazer previsões baseadas em um conjunto de dados totalmente diferente pode dar uma resposta completamente errada - mas pode parecer convincente para um usuário que aprendeu a confiar nas previsões da AI.

A realidade é que pode ser preciso um Cientista de Dados especialista para entender quando um modelo de análise é adequado para um determinado conjunto de dados.

"Tenho que entender as suposições construídas em torno dos dados", diz Parris, da GE. "Como enfatizo o modelo? Talvez precise gerar outros tipos de dados, ou simular os dados, para saber se é proveitoso. Depois, preciso verificar os dados enquanto eles estão em execução para garantir que essas suposições sejam válidas. São tarefas que fazemos como um especialista em AI após anos de treinamento. "

Novos funcionários, ou cientistas que não sejam de dados, podem não ter esse treinamento, deixando uma organização suscetível a conclusões enganosas.

Para resolver esse problema, a General Electric começou a trabalhar no que chama de "AI humilde", um sistema de inteligência artificial que sabe a quais situações seus algoritmos são adequados - e permite que seus modelos de Machine Learning só sejam usados nessas situações.

"Se eu estiver fora do intervalo, não uso esse modelo", diz Parris. "A AI sabe o que não sabe."

O "AI humilde" está sendo testada agora, diz ele. "Com as máquinas multimilionárias, você não quer fazer nada que prejudique a vida ou o desempenho. Há situações nas quais é preciso voltar para as rotinas regulares."

3. Ouça as partes interessadas - e os clientes

Para algumas empresas, garantir que os sistemas de AI produzam resultados úteis requer alguma ajuda externa.

"Idealmente, você inicia um projeto com uma reunião onde todos os principais interessados ​​passam a tarde examinando os detalhes e documentando os requisitos de consulta", diz Jim Metcalf, cientista chefe de dados do Projeto Nevada Saudável.

Por exemplo, a equipe do Healthy Nevada estava trabalhando em um protocolo para lidar com pacientes cardíacos. Isso exigia coletar informações sobre medicamentos que os pacientes recebiam quando eram liberados do hospital. Mas alguns medicamentos, como as estatinas, são prescritos quando o paciente é internado pela primeira vez e continuam quando o paciente sai. O sistema assumiu que esses medicamentos eram aqueles que os pacientes já estavam tomando, e não novos medicamentos relacionados aos seus ataques cardíacos, um problema que só foi descoberto quando a contagem de medicação acabou sendo menor do que a esperada.

"A equipe poderia ter trabalhado muito mais cedo se tivéssemos discussões mais detalhadas com todas as partes interessadas desde o início", diz Metcalf. "Nossa equipe de Ciência de Dados aprendeu a não assumir nada. Analisamos cuidadosamente, discutimos e documentamos os requisitos de consulta muito antes de alguém colocar os dedos em um teclado."

Para o provedor de plataforma de gerenciamento de gastos corporativos Coupa, uma dica do cliente apontou o caminho para uma nova maneira de detectar fraudes.

"Em nossa indústria, a abordagem tem sido considerar o uso de fraudes em silos", diz Donna Wilczek, vice-presidente de estratégia e inovação de produtos da empresa. "Por exemplo, há muitos aplicativos que analisam fraudes de relatórios de despesas, que analisam fraudes na compra."

Mas acontece que uma empregada trapaceando em uma área provavelmente está fazendo o mesmo em outras áreas também, diz ela. Foram necessárias conversas com especialistas em compras e auditores financeiros para descobrir que o segredo da detecção de fraudes é olhar para as pessoas que estão no centro da fraude.

"É aí que a AI tem uma aplicação muito bonita e pragmática", diz ela. "Isso é demais para um auditor humano, muitos dados para um humano identificar os padrões."

A inteligência artificial também pode acelerar o processo de detecção de fraudes, permitindo que as empresas contraem fraudes antes que os pagamentos sejam feitos. "Normalmente, os clientes não podem fazê-lo no curso dos gastos, porque isso iria atrasar muito o negócio", diz ela.

O Coupa agora coleta exemplos de comportamento fraudulento que as empresas relatam e, em seguida, adiciona esses exemplos da vida real ao sistema de AI.

4.Domine a área de conhecimento onde a AI será aplicada

Mais e mais empresas estão começando a perceber que AI, por si só, não é uma bala de prata.

"Muitas vezes, as empresas penam: tenho esse monte de dados, esse enorme data lake, basta conectar sua AI e me dizer algo interessante", diz JJ Lopez Murphy, analista de tecnologia de Big Data da Globant. "Sim, a IA ajudará você a descobrir padrões ocultos, mas não lhe dará uma resposta se você não tiver as perguntas apropriadas. Isso simplesmente não acontecerá."

Confiar apenas em cientistas de dados e especialistas em AI para extrair insights de dados é um grande erro, diz Halim Abbas, chefe de AI em Cognoa, que está aplicando Inteligência Artificial no campo de diagnósticos comportamentais, ajudando a identificar crianças com autismo e outros problemas de saúde comportamental.

No mundo real, pode haver interdependências nos dados, ou alguns dados podem não ser relevantes, e é necessário um especialista no assunto para saber a diferença. Por exemplo, se um conjunto de pacientes diagnosticados em uma sala com paredes azuis e outro em uma sala com paredes brancas produzisse resultados diferentes, um modelo analítico procurando padrões poderia deduzir que a pintura na parede tem significado clínico.

"À medida que o tamanho do conjunto de dados aumenta, você obviamente evita essas conclusões bobas", diz ele. "Mas ainda pode haver algumas sutis."

Estas são questões que um especialista em AI sem conhecimento da área não estaria ciente, diz ele. Isso é especialmente crítico quando os conjuntos de dados são pequenos, como com condições raras ou pequenos dados demográficos.

Claro, especialistas da área onde a AI está sendo aplicada podem ter seus próprios preconceitos, diz Abbas. "Eles podem estar se apegando a crenças errôneas sobre conexões entre certas variáveis ​​e certas condições. Uma boa maneira de estar duplamente certo é receber a contribuição dos especialistas e fazer o mesmo no lado da AI, e só trabalhar com o que é duplamente validado, em ambos os lados da equação. "

O conhecimento clínico interno também ajuda a Cognoa a determinar se os modelos estão funcionando ou não, e ajuda a melhorá-los.

"Toda vez que você valida um algoritmo de AI em um teste bem construído no mundo real, você descobre que a realidade não combina com as simulações", diz ele. "Dessa análise, surgem insights para otimizar e refinar ainda mais o seu produto."

A combinação de conhecimento da área com a AI também pode ser essencial na curadoria de dados, como descobriu a CAS, uma empresa de 111 anos que coleta e publica dados de pesquisas químicas.

"Coisas como espaços, subscrições, traços ou uma mudança de uma única letra em uma estrutura química podem fazer a diferença entre uma reação segura e outra explosiva", diz o diretor de tecnologia Venki Rao. "Temos mais de 350 doutores em nossas instalações, curando dados."

Recentemente, a empresa começou a usar AI para ajudar a categorizar e organizar os dados, liberando alguns desses PhDs para trabalhos mais complexos. Mas é necessário conhecimento da área até mesmo para criar um sistema simples de reconhecimento óptico de caracteres. Por exemplo, "nm" é a abreviação de nanomolar e "mm" é milimolar - uma diferença de seis ordens de grandeza. Se o sistema confundir os dois, isso pode significar a diferença entre uma reação química segura e uma perigosa.

Isso torna o recrutamento mais desafiador, diz Rao, e à vezes torna a terceirização impossível. "Mas o investimento foi mostrado para fornecer retorno na qualidade da solução."

5. Perceba o valor dos testes do mundo real

Nenhum plano de batalha sobrevive ao contato com o inimigo - e nenhum sistema de inteligência artificial sobrevive ao contato com o mundo real. Se sua empresa não está preparada para esse fato, seu projeto de AI está condenado antes mesmo de começar. É preciso estar pronto para fazer adaptações durante o processo.

Jennifer Hewit, chefe de serviços cognitivos e digitais do Credit Suisse Group AG, enfrentou esse desafio de frente.

Quando a empresa decidiu lançar seu novo chatbot de suporte ao cliente, batizado de Amelia, Hewit sabia que ele deixaria de responder à maioria das questões e enviaria os clientes para agentes humanos.

"Tomei a decisão de estrear o chatbot muito cedo", diz ela, observando que a capacidade do chatbot de entender a intenção era de apenas 23% dos casos quando foi lançada.

Mas estando em cenários do mundo real, o chatbot foi capaz de observar conversas multi-culturais, multi-lingual e multi-geração - e aprender com eles.

"Em pouco tempo, aumentamos a capacidade de interação do chatbot de 23% para 86% em cinco meses".

6. Cuidado com o 'problema da caixa preta'

A confiança é outro problema que a AI enfrenta quando atinge o mundo real, já que os sistemas de AI fornecem pouca visibilidade sobre como eles obtêm seus insights, situação conhecida como o “problema da caixa preta”.

"Estive em experiências onde nunca conseguimos superar isso", diz Christina Mainelli, vice-presidente executiva e chefe de crescimento da Beacon Health Options, com sede em Boston, que oferece tratamento de saúde comportamental para mais de 40 milhões de pessoas em todo os Estados Unidos.

A empresa decidiu construir um sistema com tecnologia de inteligência artificial para localizar os pacientes precocemente, antes que as condições aumentassem até o ponto em que precisassem de hospitalização. Para garantir que o sistema fosse realmente usado, a Beacon Health reuniu aqueles que usariam o sistema e os treinou não apenas nos fluxos de trabalho, mas também em como o algoritmo funciona.

Portanto, antes mesmo de o sistema ser lançado, havia uma corrida a seco, com dados mais antigos de pacientes existentes.

"Aqueles indivíduos que esperavam estar em alto risco, eram na verdade de alto risco - porque eles foram internados no hospital", diz ela. "Nossos médicos puderam ver como estava funcionando e isso nos ajudou a reduzir o problema da caixa preta".

Então, quando o sistema de IA foi usado em pacientes atuais, durante as primeiras doze semanas do programa, ele foi capaz de identificar cerca de 300 pessoas em risco, 57% das quais não diagnosticadas pela abordagem tradicional anterior.

"Isso é muito atraente. Não sabíamos que eles eram de alto risco antes disso", diz Mainelli. "E agora a equipe está trabalhando para impactá-los."

Isso inclui falar com eles ao telefone, colocá-los em contato com um provedor, certificando-se de que estejam recebendo os medicamentos de que precisam.

Em um ou dois meses, a Beacon Health verá os resultados dessas intervenções, uma vez que há um período de defasagem antes que as reivindicações passem, o que será outro grande teste do mundo real.

"Precisamos ver os dados dos resultados para realmente saber", diz ela.

7. Estabeleça métricas claras

Ter métricas de negócios claras para medir os resultados de um projeto de AI é importante para provar que está funcionando e deve receber suporte contínuo.

Muitas empresas não prestam atenção suficiente a esse aspecto de seus projetos de AI. De acordo com a Deloitte, menos de 50% das empresas pesquisadas medem os principais indicadores de desempenho necessários para aferir com precisão os retornos financeiros, indicadores como economia de custos, receitas e retenção de clientes.

Esse é um problema com tecnologias emergentes como a AI, diz o autor do relatório Jeff Loucks, diretor executivo do Centro de Tecnologia, Mídia e Telecomunicações da Deloitte.

"Eles geralmente não são gerenciados com o mesmo rigor que as empresas usam com tecnologias mais maduras", escreve ele.

O resultado são projetos de AI que são "pontes para lugar nenhum", diz ele - pilotos que não dimensionam ou projetam sem nenhum benefício comercial.

8. Invista na capacitação interna

Onde você encontra as pessoas que podem entender a tecnologia da AI ​​e os requisitos da empresa? Não é uma tarefa fácil. Existe uma escassez global de talento em AI  e, reduzindo ainda mais a necessidade de conhecimento de um assunto, o conjunto de potenciais candidatos é ainda menor.

De acordo com a pesquisa de adoção de AI da Deloitte, 69% das empresas afirmam que estão enfrentando lacunas de habilidades moderadas, importantes ou extremas em sua força de trabalho.

Encontrar pessoas com uma combinação de conhecimento de domínio e habilidades em AI é apenas o começo da jornada, diz Parris. A GE precisa de pessoas que possam levar esse conhecimento e transformá-lo em aplicações práticas, diz ele. "Como eu vejo um problema de negócios e o disseco em um problema de dados?"

Para chegar lá, a GE oferece treinamento interfuncional, uma combinação de inteligência artificial e Engenharia. Até agora, entre 10 e 15 cientistas e engenheiros passaram por isso - cerca de um terço de todos os cientistas e engenheiros da empresa.

2019 tendências

E é apenas o começo do processo de mudança da cultura corporativa, do sistema organizacional, das métricas e até dos incentivos. "Para uma empresa como a GE, essa é uma tarefa gigantesca e agora estamos no começo", diz ele. "Mas se acertarmos isso - o futuro muda para todos nós."