A implementação de projetos de inteligência artificial (IA) está apenas começando a acontecer. Diante do cenário de inovação, é natural a existência de dúvidas sobre procedimentos entre especialistas interessados em entender as oportunidades que serão geradas pela inovação.
O grande potencial de crescimento da tecnologia cognitiva foi identificado por uma pesquisa realizada pelo Gartner, instituto de pesquisas do mercado de TI. Segundo o levantamento recente, 46% das grandes empresas inclui a IA como parte dos planos de projetos futuros.
Apenas 4% dos executivos que comandam áreas tecnológicas, já implementaram a inteligência artificial recentemente. Em entrevista para o site cio.com, o executivo Whit Andrews, vice-presidente de pesquisa e analista distinto do Gartner, reconhece que há grande potencial de crescimento do percentual, com líderes de TI começando a pilotar programas de AI.
Como tecnologia emergente, é natural que gestores das áreas TI ou de inovação, desenvolvedores e consultores independentes tenham dúvidas sobre como começar a desenvolver os seus projetos. Diante do cenário de dificuldades previsíveis sobre como começar, os analistas do Gartner identificaram quatro recomendações para esse cenário:
1. Comece com pequenos ganhos
“Não caia na armadilha de buscar resultados difíceis, como ganhos financeiros diretos com projetos de AI”, alerta Andrews. “Em geral, é melhor iniciar projetos de AI com um escopo pequeno e buscar resultados suaves, como melhorias de processos, satisfação do cliente ou benchmarking financeiro.”
Projetos de AI, na melhor das hipóteses, produzirão lições que irão ajudar com experiências, pilotos e implementações subsequentes e maiores. Em algumas organizações (ou até na maioria delas), o objetivo financeiro será um requisito para iniciar o projeto. “Nessa situação, defina algo possível”, disse Andrews.
2. Concentre-se em aumentar as pessoas, não substituí-las
Os grandes avanços tecnológicos são frequentemente associados com a redução de pessoal. Embora a redução dos custos do trabalho seja atraente para as empresas, é provável que crie resistência daqueles cujos empregos parecem estar em risco.
“Os benefícios mais transformacionais da AI no curto prazo resultarão da sua utilização para permitir que funcionários busquem atividades de maior valor”, acrescentou Andrews. O Gartner prevê que, até 2020, 20% das organizações dedicarão os trabalhadores ao monitoramento e à orientação das redes neurais.
3. Planeje a transferência de conhecimento
A maioria das organizações não está bem preparada para implementar AI. Isso porque, elas não possuem habilidades internas em ciência de dados e planejam confiar plenamente em provedores externos para preencher a lacuna. Cinquenta e três por cento das organizações classificaram suas capacidades de explorar dados como “limitadas” – o nível mais baixo.
O Gartner prevê que, até 2022, 85% dos projetos de AI fornecerão resultados errados devido à polarização de dados, algoritmos ou equipes responsáveis por gerenciá-los. “Os dados são o combustível para a AI. Então, organizações precisam se preparar agora para armazenar e administrar quantidades ainda maiores de dados”, alertou Jim Hare, vice-presidente de pesquisa da Gartner.
Segundo ele, basear-se principalmente em fornecedores externos para essas habilidades não é uma solução ideal no longo prazo. “Portanto, assegure-se de que os primeiros projetos de AI ajudem a transferir o conhecimento de especialistas externos para seus funcionários e a construir capacidades internas antes de avançar para o projeto de grande escala.”
4. Escolha soluções de AI transparentes
Projetos de AI geralmente envolvem software ou sistemas de provedores de serviços externos. É importante que algumas informações sobre como as decisões são alcançadas estão integradas em qualquer contrato de serviço. “Um sistema de AI que produz a resposta certa não é a única preocupação”, apontou Andrews. “Os executivos precisam entender por que é efetivo oferecer uma visão de seu raciocínio quando não é.”
Embora nem sempre seja possível explicar todos os detalhes de um modelo analítico avançado, como uma rede neural profunda, é importante, pelo menos, oferecer algum tipo de visualização das escolhas potenciais. Na verdade, em situações nas quais decisões estão sujeitas a regulação e auditoria, pode ser um requisito legal fornecer esse tipo de transparência.