Por que você deve pensar na IA como um esporte de equipe

O que significa pensar na IA como um esporte de equipe? Estamos vendo os projetos de IA passarem do hype para o impacto, em grande parte porque as funções certas estão se envolvendo para fornecer o contexto de negócios que estava faltando anteriormente. A experiência do domínio é fundamental; as máquinas não têm a profundidade de contexto que as pessoas têm, e as pessoas precisam conhecer os negócios e os dados bem o suficiente para entender quais ações devem ser tomadas com base em quaisquer insights ou recomendações que surjam.

Quando se trata de dimensionar a IA, muitos líderes acham que têm um problema de pessoas – especificamente, cientistas de dados insuficientes. Mas nem todo problema de negócios é um problema de ciência de dados. Ou, pelo menos, nem todos os desafios de negócios devem ser lançados à sua equipe de ciência de dados. Com a abordagem certa, você pode colher os benefícios da IA ​​sem os desafios que acompanham os ciclos tradicionais de ciência de dados.

Para implantar e dimensionar soluções de IA, os líderes precisam mudar a mentalidade da organização para pensar na IA como um esporte de equipe. Alguns projetos de IA precisam de um conjunto diferente de pessoas, ferramentas e expectativas para obter resultados bem-sucedidos. Saber reconhecer essas oportunidades ajudará você a abordar projetos de IA mais bem-sucedidos e aprofundar seu banco de usuários de IA, adicionando velocidade e poder à tomada de decisões em toda a força de trabalho. Vamos explorar por que e como.

As organizações estão democratizando a análise avançada com IA

Usar a IA para resolver problemas de negócios tem sido amplamente da competência dos cientistas de dados. Muitas vezes, as equipes de ciência de dados são reservadas para as maiores oportunidades e desafios mais complexos de uma organização. Muitas organizações foram bem-sucedidas na aplicação da ciência de dados a casos de uso específicos, como detecção de fraudes, personalização e muito mais, onde profundo conhecimento técnico e modelos bem ajustados geram resultados extremamente bem-sucedidos.

No entanto, dimensionar soluções de IA por meio de sua equipe de ciência de dados é um desafio para as organizações por vários motivos. Atrair e reter talentos é muito caro e pode ser difícil em um mercado competitivo. Os projetos tradicionais de ciência de dados geralmente podem levar muito tempo para serem desenvolvidos e implantados antes que a empresa veja valor. E mesmo as equipes de ciência de dados mais experientes e robustas podem falhar se não tiverem os dados ou o contexto necessários para entender as nuances do problema que precisam resolver.

Gartner® 2021 O estado da ciência de dados e aprendizado de máquina (DSML) afirma que “a demanda do cliente está mudando, com públicos menos técnicos querendo aplicar o DSML com mais facilidade, especialistas que precisam melhorar a produtividade e empresas que exigem menos tempo para valorizar seus investimentos¹.” Embora possa haver muitos problemas de negócios que podem se beneficiar da velocidade ou da profundidade da análise que a IA pode fornecer, uma abordagem tradicional de ciência de dados nem sempre é o melhor plano de ataque para ver valor rapidamente. De fato, o mesmo relatório do Gartner prevê que “até 2025, a escassez de cientistas de dados não impedirá mais a adoção de ciência de dados e aprendizado de máquina nas organizações”.

A experiência no domínio é fundamental para dimensionar a IA em toda a empresa

A IA já está ajudando a trazer recursos avançados de análise para usuários que não têm experiência em ciência de dados. As máquinas podem selecionar os melhores modelos e algoritmos de previsão, e os modelos subjacentes podem ser expostos, oferecendo a capacidade de ajustá-los e garantir que tudo corresponda ao que o usuário está procurando.

Esses recursos oferecem aos analistas e especialistas qualificados em domínio de negócios a capacidade de projetar e alavancar seus próprios aplicativos de IA. Estando mais próximos dos dados, esses usuários têm uma vantagem sobre muitos de seus colegas cientistas de dados. Colocar esse poder nas mãos daqueles com experiência no domínio pode ajudar a evitar os longos tempos de desenvolvimento, cargas de recursos e custos ocultos associados aos ciclos tradicionais de ciência de dados. Além disso, as pessoas com experiência no domínio devem decidir se uma previsão ou sugestão de IA é útil ou não.

Com processos de construção de modelos mais interativos, de revisão e reimplantação, as pessoas com contexto de negócios podem obter valor da IA ​​mais rapidamente, até mesmo implantando novos modelos para milhares de usuários em dias ou semanas, em vez de semanas a meses. Isso é especialmente poderoso para as equipes cujos desafios exclusivos podem não ser uma alta prioridade para as equipes de ciência de dados, mas podem se beneficiar da velocidade e da profundidade da análise de IA.

No entanto, é importante observar que, embora essas soluções possam ajudar a resolver a lacuna de habilidades entre analistas e cientistas de dados, não substituem o último. Os cientistas de dados continuam sendo um parceiro crítico dos especialistas em negócios para validar os dados usados ​​em soluções habilitadas para IA. Além dessa colaboração, as habilidades de educação e dados serão essenciais para usar esses tipos de ferramentas com sucesso em escala.

A alfabetização de dados capacita mais pessoas a alavancar a IA

Sua estratégia de dados fundamental desempenha um papel importante na configuração de sua organização para o sucesso com IA, mas levar soluções de IA para mais pessoas em toda a empresa exigirá uma base de alfabetização de dados. Compreender quais dados são apropriados para aplicar a um problema de negócios, bem como interpretar os dados e os resultados de uma recomendação de IA, ajudará as pessoas a confiar e adotar a IA com sucesso como parte de sua tomada de decisão. Uma linguagem compartilhada de dados dentro da organização também abre mais portas para uma colaboração bem-sucedida com especialistas.

A última pesquisa global da McKinsey sobre IA revelou que em 34% das organizações de alto desempenho “um centro de treinamento dedicado desenvolve as habilidades de IA do pessoal não técnico por meio do aprendizado prático”, em comparação com apenas 14% de todos os outros pesquisados. Além disso, em 39% das organizações de alto desempenho “há canais designados de comunicação e pontos de contato entre os usuários de IA e a equipe de ciência de dados da organização”, em comparação com apenas 20% das outras.

Os líderes podem adotar uma variedade de abordagens para desenvolver a alfabetização de dados, desde educação e treinamento, programas de orientação, concursos de dados para construção de comunidades e muito mais. Pense em normalizar o acesso e o compartilhamento de dados, bem como em como você celebra e promove sucessos, aprendizados e tomada de decisões com dados.

“A alfabetização de dados e a educação sobre visualização e ciência de dados precisam ser mais prevalentes e ensinadas mais cedo”, disse Vidya Setlur, chefe da Tableau Research. “Existe uma espécie de responsabilidade social e organizacional que vem com a dependência do uso de dados. As pessoas devem estar melhor equipadas para entender, interpretar e aproveitar ao máximo os dados, porque a IA só ficará mais sofisticada e devemos estar alguns passos à frente do jogo.”

Continuar a construir a cultura de dados da sua organização cria oportunidades poderosas para nutrir habilidades e promover novas soluções em toda a empresa. Muitas organizações já aumentaram seus investimentos em dados e análises nos últimos anos, à medida que a transformação digital se acelerou. Não é um alcance pensar em dados como um esporte de equipe – e agora temos os meios para estender essa mentalidade à IA.