Superando obstáculos no design de projetos de IA de ponta a ponta

De acordo com um estudo recente da 451 Research, parte da S&P Global Market Intelligence, “mais de 90% das organizações que adotaram a IA começaram a desenvolver seu primeiro projeto de IA nos últimos cinco anos”. Embora nascentes, as soluções habilitadas para IA estão em ascensão ao nosso redor. No entanto, muitas dessas iniciativas ainda não estão atendendo às expectativas — se chegarem à implantação.

Para ter sucesso, os líderes devem selecionar e gerenciar projetos de IA com uma estratégia ponderada, orientada por expectativas claras, alinhamento aos objetivos de negócios e iteração. Vejamos os obstáculos comuns que as organizações enfrentam ao projetar projetos de IA de ponta a ponta bem-sucedidos e como superá-los.

Gerenciando expectativas para soluções habilitadas para IA

Muitos dos projetos de IA que falham hoje são uma reminiscência dos projetos de software empresarial nos anos XNUMX, onde os projetos de desenvolvimento estavam saindo dos trilhos enquanto as equipes tinham grandes esperanças de que novas tecnologias resolveriam seus problemas. Tanto naquela época quanto agora, uma grande armadilha é ter expectativas infladas sobre o que sua solução pode realmente resolver.

É perigoso supor que, ao coletar dados suficientes, tudo de repente ficará transparente; que você pode prever o comportamento do cliente ou fazer recomendações perfeitas para antecipar suas necessidades. Infelizmente, o mundo é muito menos previsível do que as pessoas querem que seja. Embora surjam padrões úteis, nem todos os eventos são causais ou mesmo correlacionados – muitas coisas acontecem que apenas geram ruído.

Ao mesmo tempo, muitas organizações veem seus pares implementando soluções de IA e sentem a pressão para acompanhar. Investir em IA apenas para “acompanhar os Joneses” pode sair pela culatra se você não entender o que está impulsionando o sucesso de seus colegas e se isso funcionará ou não para sua própria organização. Muitas vezes, as empresas com uma vantagem em seus projetos de IA têm estratégias de dados e processos de negócios que permitem coletar e aproveitar os tipos certos de dados para IA.

Em última análise, o gerenciamento de expectativas para projetos de IA começa com a capacidade de articular quais de seus problemas podem realmente ser resolvidos com IA.

Escolhendo os tipos certos de projetos de IA para seus problemas

Sua estratégia de IA está alinhada com seus objetivos de negócios? A seleção de projetos é provavelmente o maior desafio que as organizações enfrentam com suas iniciativas de IA. É importante realmente entender a pergunta que você está tentando responder, como (e se) responder a essa pergunta fornecerá melhores resultados de negócios e se os recursos que você possui podem ou não responder com sucesso e eficiência.

Digamos que você queira usar um modelo preditivo para determinar quando e que tipo de desconto oferecer a um cliente. Traga a equipe de ciência de dados! Mas isso é realmente muito desafiador para abordar como um problema de modelo preditivo. Em primeiro lugar, é difícil saber se o seu cliente compraria ou não o produto sem o desconto. E reunir os dados necessários com rigor estatístico suficiente para produzir um modelo útil provavelmente envolveria alguns processos que parecem pouco naturais para os negócios – como randomizar quais clientes recebem descontos ou quais representantes de vendas podem dar descontos. Isso adiciona muita complexidade à situação.

Uma maneira melhor de abordar esse problema com IA pode ser explorar modelos de simulação do comportamento do cliente que você espera em diferentes regimes de desconto. Em vez de torturar o sistema para chegar a uma previsão precisa, a simulação e o planejamento de cenários podem ajudar as pessoas a descobrir quais variáveis ​​são sensíveis umas às outras ao tomar decisões de negócios. Pergunte a si mesmo: qual resposta do cliente precisaríamos para que esse desconto fizesse sentido? Esse tipo de exercício para explorar resultados potenciais é muito mais eficaz e certamente muito mais fácil do que construir um experimento complexo de ciência de dados.

Preparando suas equipes para o sucesso

Entender para que seus dados foram coletados e selecionados, como foram usados ​​no passado e como serão usados ​​no futuro é fundamental para realizar qualquer tipo de atividade de IA nos dados. É importante treinar um modelo com dados completos e que representem o que está disponível no mundo real no momento em que você está fazendo a intervenção. Por exemplo, se você tiver vários estágios em seu pipeline de negócios e quiser prever a probabilidade de fechamento de um negócio durante o estágio cinco, não será possível executar o modelo em negócios nos estágios três ou quatro e esperar resultados úteis.

Os cientistas de dados geralmente têm uma lacuna na compreensão das nuances do que os dados representam e como são gerados. Quais processos humanos e tecnológicos desempenham um papel na criação dos dados e o que exatamente os dados significam no contexto do seu negócio? É aqui que os analistas e usuários de negócios que estão próximos dos dados – e dos problemas que você está tentando resolver com eles – são incrivelmente valiosos. Nós gostamos de pense na IA como um esporte de equipe porque o sucesso requer contexto de negócios, além de uma linha de base de dados e alfabetização de modelos.

Finalmente, há aspectos centrados no ser humano do sucesso do projeto que as organizações podem ignorar se estiverem muito focadas nos dados ou na tecnologia. Muitas vezes, a IA pode fazer uma previsão, mas cabe a alguém decidir como transformar isso em uma ação recomendada. A sugestão é útil para fornecer uma ação clara e que as pessoas estarão dispostas a seguir? Você está criando um ambiente onde essas sugestões serão recebidas de forma eficaz?

Prever algo só às vezes é útil. Você está disposto a ajustar preços, volumes de produtos ou pessoal, ou até mesmo mudar sua linha de produtos? Que nível de gerenciamento de mudanças é necessário para que as pessoas adotem a nova solução e evoluam seus comportamentos e processos estabelecidos? A confiança vem de um padrão de comportamento consistente e da vontade de continuar a educar o negócio; se você vai impactar radicalmente a forma como as pessoas fazem seu trabalho, elas precisam estar de acordo com isso.

Começando pequeno e iterando

Vamos encerrar algumas orientações com base no que vimos enquanto trabalhamos com os clientes.

Muitas vezes, o melhor primeiro projeto de IA é aquele que será mais fácil de operacionalizar e entrar em produção com o gerenciamento de mudanças menos complexo. Tente construir algo que agregue valor o mais rápido possível, mesmo que seja uma melhoria incremental muito pequena. E mantenha seus clientes, usuários de negócios e partes interessadas o mais próximo possível do processo de desenvolvimento. Procure criar um ambiente de bom feedback - tanto no sentido de coletar mais dados para melhorar o modelo de forma iterativa quanto na contribuição das partes interessadas para melhorar o projeto e seus resultados.

Com a IA, sempre haverá casos extremos em que a solução falha. Mas é melhor encontrar soluções que funcionem para a maioria de seus clientes ou funcionários, em vez de desenvolver uma prova de conceito realmente chamativa que funcione apenas para alguns casos de uso sob medida. No final das contas, a IA deve reduzir o atrito e tornar mais fácil para as pessoas fazerem seus trabalhos e tomarem decisões informadas.

Para saber mais sobre a análise de IA do Tableau, visite tableau.com/ai.