Os desafios de aplicar Inteligência Artificial

A crescente lacuna na adoção da Inteligência Artificial

O avanço implacável da inteligência artificial (IA) está criando uma lacuna cada vez maior entre as empresas que a adotaram e as que ainda estão começando. Também naquelas que começaram com uma prova de conceito que não teve o grande resultado imediato esperado, podem experimentar isso como uma pequena frustração e adotar uma estratégia de “esperar para ver”.

O conceito de J Curve do professor Erik Brynjolfsson (Stanford) define perfeitamente esta fase inicial:

“Esses investimentos e mudanças muitas vezes levam vários anos e, durante esse período, não produzem resultados tangíveis. Durante essa fase, as empresas estão criando “ativos intangíveis”. Por exemplo, podem estar treinando sua força de trabalho para empregar essas novas tecnologias. Podem estar redesenhando suas fábricas ou equipando-as com novas tecnologias de sensores para aproveitar os modelos de aprendizado de máquina. É possível que precisem renovar sua infraestrutura de dados e criar lagos de dados nos quais possam treinar e executar modelos de machine learning (ML). Esses esforços podem custar milhões de dólares (ou bilhões no caso de grandes corporações) e não gerar mudanças na produção da empresa a curto prazo.”

Tudo isso faz com que a lacuna seja cada vez maior entre os convencidos e os que esperam. Como indica uma pesquisa recente do McKinsey Global Institute, existe uma lacuna real e crescente entre os líderes e os retardatários na aplicação da IA tanto nos setores quanto dentro deles.

Falta de dados e pessoal especializado

Precisamente, entre os desafios mais comuns que as empresas encontram ao iniciar projetos de IA está a falta de dados ou a falta de pessoal especializado, e em alguns casos, ambas as coisas, exigindo grandes investimentos iniciais.

A maioria dos modelos de IA atuais são treinados através do "aprendizado supervisionado". Isso significa que os humanos devem rotular e categorizar os dados, o que pode ser uma tarefa considerável. As abordagens não supervisionadas reduzem a necessidade de grandes conjuntos de dados rotulados, mas a realidade é que em muitos casos de uso não podemos aplicá-los. O uso de modelos supervisionados ou não supervisionados está intrinsecamente ligado ao caso de uso (ver Machine learning explained para mais informações).

Além disso, as técnicas mais avançadas de aprendizado de máquina, como o aprendizado profundo (ou Deep Learning, em inglês), requerem conjuntos de dados de treinamento que não apenas estejam etiquetados, mas também sejam suficientemente grandes e completos. Os conjuntos de dados massivos podem ser difíceis de obter ou criar. Tanto a obtenção massiva de dados quanto sua preparação e etiquetagem podem representar um investimento significativo.

Sem esquecer o desafio do talento. Neste caso, podemos suprir as deficiências a curto prazo através da terceirização. Mas delegar externamente a totalidade da IA pode ser um erro colossal para as empresas.

Os líderes empresariais que esperam reduzir a lacuna devem ser capazes de abordar a IA de maneira informada. Ou seja, devem ser capazes de compreender por si mesmos onde a IA pode conduzir ao crescimento das receitas ou capturar eficiências. Também saber distinguir onde a IA não proporciona valor.

Além disso, já comentamos que eles (e não os perfis técnicos) são responsáveis por compreender e resolver o desafio da “última milha” de incorporar IA em produtos e processos.

São desafios que indicam um roadmap de vários anos para as empresas. Esse caminho dificilmente poderemos evitar. Mas podemos começar a utilizar e experimentar rapidamente com ferramentas de aprendizado de máquina, conjuntos de dados e modelos treinados para aplicações padrão, que estão amplamente disponíveis.

Trata-se da inteligência artificial pronta para uso ou AI off-the-shelf (“pronta para uso”), que inclui, por exemplo, modelos de detecção e criação de linguagem natural e de visão artificial. Às vezes vêm em código aberto e em outros casos através de interfaces de programação de aplicações (API) criadas por empresas pioneiras como OpenAI ou grandes fornecedores de cloud público como AWS, Microsoft ou Google.

Inteligência Artificial pronta para uso da AWS

A seguir, mostramos os principais casos de uso que a tecnologia AI off-the-shelf da AWS nos oferece.

Já existem empresas que estão implementando soluções de IA prontas para uso, seja utilizando modelos de linguagem natural, como os chatbots de atendimento a estudantes que desenvolvemos para a Generalitat da Catalunha chamado PauBot; ou soluções de visão artificial, como o sistema de validação de identidades para avaliações online que desenvolvemos para uma importante universidade online e que ajudou a reduzir a fraude em exames não presenciais.

Na prática, precisamos ser capazes de combinar ambas as abordagens e contar com as capacidades necessárias para projetar a solução ideal em cada caso. Para casos de uso padronizados, dispomos dos modelos de IA prontos para uso que podemos implementar com capacidades de arquitetura em nuvem e arquitetura de dados, trabalhando conjuntamente com os especialistas de domínio.

Para casos não padronizados, devemos também dispor de capacidades de data science que nos acompanhem na decisão e criação do modelo de inteligência artificial.

A promessa da IA é imensa e as tecnologias que devem torná-la realidade ainda estão em desenvolvimento.

Se você sabe que agora é o momento de pensar na sobrevivência do negócio a longo prazo e se posicionar na nova era das empresas data-driven, entre em contato conosco e tentaremos ajudá-lo. Sem esquecer os desafios da aplicação de inteligência artificial mais customizada e ambiciosa com data science, podemos nos basear na IA off-the-shelf para resolver diversos casos de uso de uma forma realmente rápida e eficaz.

Mais informações

Se você quiser ler os artigos anteriores desta série, lembre-se de que explicamos o desafio dos dados, enumeramos os 4 tipos de dados para aplicar IA e explicamos a importância dos 3 papéis de conhecimento entre os membros da equipe.