7 passos para obter um ROI real com IA na prática

Paulo de Godoy, country manager da Pure Storage no Brasil

O que significa IA “na prática”

 

  É uma abordagem calculada para implementar a IA em uma empresa, e se tornou prioridade para muitos CIOs ao longo dos próximos meses. Mas para transformar essa ideia em real capacidade de execução, é necessário a base correta e muita disciplina.

Os passos abaixo ajudam a dar os primeiros passos com a IA na prática, mas também são para ajudar a garantir o ROI.

 

1 – Identificar o problema ou a ineficiência que precisa de solução

 

  Este primeiro passo é talvez o mais importante. Embora existam milhares de exemplos de IA na prática, nem todos os casos são impactantes em termos de ROI. Isso porque às vezes um projeto requer um conjunto de dados que é tão pesado e complexo que a IA se torna impraticável como solução.

  Todo projeto de IA deve ter um propósito claro ou um “porquê”. É fundamental ser capaz de delinear esse propósito, seja para criar eficiência racionalizando fluxos de trabalho, acelerar os processos e reduzir o tempo de lançamento no mercado, capacidades de escalas ou projetos, eliminar certas tarefas, reduzir os riscos ou melhorar a precisão.

  Um dos “porquês” mais comuns para a automação é remover tarefas de baixo valor para que as equipes possam se concentrar em um trabalho mais estratégico. No gerenciamento de dados, por exemplo, os analistas de bancos de dados podem se livrar de tarefas repetitivas e de ferramentas de AI para investir suas habilidades num retorno mais valioso.

  Outro exemplo é lidar com a complexidade dos dados não estruturados, como o processamento de imagens e vídeo. Antes da IA, o processamento e análise de dados de imagens e vídeos era um processo manual e demorado. Com redes neurais avançadas, a análise de dados não- estruturados se torna muito mais prática e relevante para a IA.

 

2 – Determinar o que automatizar e como a IA pode ser aplicada

 

  A forma como a empresa encara o problema pode torná-lo um ótimo ou péssimo ajuste para a IA. Quando a IA estourou em popularidade, as empresas estavam mais propensas a realizar dezenas de provas de conceito ver qual funcionava. Hoje em dia, todos estão mais cientes de suas oportunidades práticas.

  Ao transformar o “por que” em “o que”, é importante entender também onde a IA se sobressai. Para fazer isso, é preciso quebrar processos, fluxos de trabalho, ou tarefas em pequenos componentes, e então atribuir as tarefas que se encaixam na aplicação de IA e reestruturar as restantes em fluxos de trabalho manuais e simplificados.

  Os cientistas de dados que criam ou implementam os modelos podem determinar como a IA e o machine learning são aplicados da melhor forma a cada problema. Eles também determinarão como os dados são processados, manipulados, extraídos, filtrados para depois aplicar serviços de terceiros e estruturas de deep learning para melhorar as aplicações. Embora isso seja algo simples, é fundamental ter certeza de que eles possuem a infraestrutura que precisam para suportar qualquer ferramenta escolhida.

 

3 – Colocar a infraestrutura de dados em ordem

 

  Neste ponto, que já conta com a equipe especializada, ideia estruturada e orçamento, é a hora de pensar na base para fazer tudo isso acontecer.

  Para que a infraestrutura consiga pegar grandes ideias de IA e colocá-las em produção, ela precisa lidar com grandes quantidades de informações. Sem ela, as equipes podem não ser capazes de infundir a quantidade ou a qualidade dos dados necessários para criar o ROI.

  Especificamente, o armazenamento precisa ser capaz de apoiar a simplificação e a consolidação de dados não-estruturados. Eles são um efeito colateral direto das interações digitais com clientes, funcionários e fornecedores.

  As empresas podem obter armazenamento e calcular em um sistema, projetado especificamente para projetos de IA. A solução certa para AI precisa oferecer soluções de alto desempenho e arquitetonicamente otimizadas que possam funcionar harmoniosamente dentro dos data centers existentes, como um tijolo universal para a construção de um data center de IA que gerencia qualquer carga de trabalho em qualquer cenário, a qualquer momento.

 

4 – Acertar os papéis e as habilidades da equipe

 

  Pode parecer que contratar cientistas de dados seja o passo chave aqui, mas o talento para dirigir iniciativas de IA é apenas uma fração da equação para o sucesso. Determinadas funções são necessárias, mas também é fundamental a mistura certa dos papéis.

  As empresas com a maior eficácia em fazer da IA uma parte integrante da estratégia de negócios utilizam equipes mistas para todas as iniciativas voltadas para essa tecnologia. Estas empresas acreditam que o alinhamento da IA às iniciativas comerciais é uma forma de agregar valor. Tanto a diversidade da equipe quanto a forma como suas perspectivas e percepções são alavancadas para o projeto são fundamentais.

 

5 – Fuja da shadow IT desde o início

 

  A base certa para permitir o sucesso da IA em escala evita a shadow IT, que persegue as equipes empreendedoras que avançam com projetos. É compreensível, a TI nem sempre está no centro da ciência dos dados, e vice-versa. Eles nem sempre tiveram o computador GPU ou a infraestrutura que a IA precisa ou os fluxos de trabalho que os ajudam a ser realmente produtivos. Muitas vezes construíram o que precisavam ao longo do caminho, ao estilo “faça você mesmo”.

  Qual é o problema com isso, especialmente em termos de ROI do projeto AI? Não é uma base escalável. Os executivos que pretendem escalar a IA por meio de suas empresas não serão capazes de trabalhar com uma colcha de retalhos de “silos de inovação”. O sucesso deve ser fácil de compartilhar, replicar e repetir com tecnologias otimizadas e conectadas. Caso contrário, estes tipos de ineficiências podem roubar o ROI da IA.

 

6 – A importância do feedback

 

  A IA funciona melhor quando pode aprender de si mesma para melhorar, sem grandes consequências ou perda de receita. A identificação de oportunidades de melhoria não apenas protege o investimento, mas também multiplica o sucesso. Como quantificar o ROI? O “por quê” ditará o KPI aqui: É tempo economizado, são erros evitados ou receitas adicionais?

  O Gartner também observa outro benefício da medição em termos de identificação de oportunidades de crescimento e escala de IA. A adoção de métricas permite que as empresas mostrem como a IA pode ser usada em toda a empresa, destacando seus benefícios e riscos em certas áreas. Por exemplo, a capacidade de analisar vídeos ou imagens pode começar no âmbito da segurança, mas com alguma maturidade pode ser usada para analisar a presença da marca ou entender como os clientes reagem aos produtos.

 

7 – Seja paciente!

 

  Muitas empresas levam de 6 a 8 meses para passar do protótipo à produção, sem qualquer garantia de que chegarão ao final. Na verdade, menos da metade termina o processo. Estabelecer prazos realistas e seguir estes passos pode ajudar a garantir que está no caminho, mas tenha em mente que não há atalhos para o sucesso com a AI.

 

O elemento chave: Enfrentar a complexidade dos dados não estruturados

 

  Já sabemos que as soluções legadas de TI são muito frágeis para suportar muitas iniciativas de IA. Elas simplesmente não aguentam a velocidade e a escala necessárias. Mas isso não é tudo. Quantidades maciças de dados não-estruturados contribuirão para o sucesso de projetos de AI na prática, e as soluções de armazenamento precisarão ser mantidas.

  Este tipo de gerenciamento de dados é e continuará a ser uma luta para muitas empresas sem IA. Caso contrário, o processamento será manual e demorado, seja extraindo dados de faturas ou analisando imagens e vídeos. De fato, as soluções práticas de IA podem remediar esta necessidade, mas precisam ser sustentadas por um armazenamento de dados de alto desempenho que possa simplificar e consolidar estas informações.