Estratégia orientada a Dados e em IA

Promovendo a cultura e a mentalidade orientadas por dados em torno da ciência de dados e da IA

Nos últimos dois anos, tenho compartilhado artigos sobre Inteligência Artificial (IA) com foco em negócios, a partir de leitura, estudo e curadoria – buscando o melhor para agregar valor aos leitores. Nesse sentido considero este artigo extremamente relevante aos líderes e gestores que estão buscando literacia e melhor entendimento em como usar melhor os dados disponíveis em suas organizações para permanecerem competitivos e inovadores.

Pensar estrategicamente é bastante simples, basta olhar para o futuro do negócio em questão (visão) e escolher o caminho a ser percorrido para chegar lá (estratégia), partindo das capacidades existentes, identificar as capacidades necessárias e preencher a lacuna existente.

O mesmo ocorre quando se pensa sobre uma estratégia de dados, é preciso primeiramente identificar o que se pretende com os dados e depois traçar uma estratégia, com objetivos e metas bastante claros do que fazer com eles. Porém, o que geralmente existe nas organizações, é uma lacuna entre os dados coletados e o entendimento deles.

A figura que segue, mostra uma linha grossa exemplificando os dados coletados, uma linha fina exemplificando o entendimento dos dados pelos gestores, e por fim uma linha tracejada que exemplifica um possível novo entendimento sobre os dados a partir de uma perspicácia de dados. Tal perspicácia pode ser conseguida com recursos tecnológicos inteligência artificial, aprendizado de máquina, aprendizado profundo e outras abordagens.

Fonte: AI Ladder – Acelerate your Journey to AI, by Rob Thomas & Paul Zikopoulos, 2020

Nesse sentido, alguns fatores devem ser considerados:

  • Entender “por que os dados são críticos” e, mais importante, “que os dados certos são críticos, e não todos os dados”;
  • Do ponto de vista da ciência de dados e da IA, as estratégias de “defesa de dados” e “ofensiva de dados” devem equilibram o pêndulo que impulsiona o sucesso, portanto, uma fusão dessas duas estratégias é fundamental.

Alinhamento da força de trabalho-cultura na ciência de dados:

Embora a estratégia orientada por dados seja extremamente crítica para gerar valor e impacto nos negócios, é igualmente importante haver uma cultura e uma mentalidade apropriada para tal.

Conforme a referência do Gartner de Workforce-Culture Alignment a cultura data-driven é um fator multiplicador de conhecimento, mentalidade e comportamento; e isso reflete para atuar em ciência de dados, como segue:

  • Conhecimento em ciência de dados = os funcionários entendem alguns dos atributos culturais que a liderança sênior pensa e age para que suas empresas sejam bem-sucedidas
  • Mentalidade em ciência de dados = os funcionários acreditam que os atributos culturais tornarão suas empresas mais bem-sucedidas e contribuem pessoalmente para isso e estão comprometidos em defender algumas dessas ações estabelecidas
  • Comportamento na ciência de dados = os funcionários inculcam os atributos culturais na maneira como realizam seu trabalho e dependem disso para navegar por situações desafiadoras

Data Science é um esporte de equipe e depende significativamente dessa intervenção de “Workforce-Culture Alignment in Data Science” para se destacar e acelerar a jornada em Dados e IA.

Equilíbrio entre Estratégias de Ofensiva de Dados e Defesa de Dados:

A “ofensiva de dados” normalmente se concentra em aumentar a receita, melhorar a lucratividade, aumentar a experiência do cliente, aumentar a satisfação do cliente etc.

Ao mesmo tempo, a “defesa de dados” geralmente se concentra na redução de riscos, redução do custo total de propriedade, redução dos custos de manutenção, resolução de problemas de dados internamente dentro da organização e padronização, tornando os dados compatíveis com a regulamentação etc.

O CIO (Chief Information Officer) e CDO (Chief Data Officer) geralmente têm tarefas em torno de estratégias de defesa de dados, enquanto CAO (Chief Analytics Officer) terá o foco em estratégias de ofensiva de dados. Idealmente, o CEO (Chief Executive Officer) é neutro para ambos.

Para uma paixão e cultura orientadas por dados dentro da organização, é muito importante formar uma estratégia híbrida que englobe ambos e forme uma amálgama dos dois. Poucos temas de caso de uso de nível muito alto são capturados na representação diagramática abaixo como um ponto de vista. Isso não é exaustivo e não é preciso para as coordenadas da perspectiva de importância relativa, mas visa fornecer uma direção ao nosso processo de pensamento.

A cultura e a estratégia orientadas por dados percorrem aa seguintes etapas de ações:

  1. Definir metas, objetivos – É necessário definir metas/objetivos orientados por dados a partir da estratégia geral definida pela alta liderança para alinhamento da organização. É uma boa prática ter uma ideia clara se são de curto, médio ou longo prazo para que as ações sigam de acordo.
  2. Identificação de dados adequada – A identificação de dados apropriados/corretos é a chave para o sucesso. Isso reduz o custo ao longo da linha se soubermos que não precisamos de todos os dados ou de mais dados, mas de dados muito “específicos” para a análise e processo de geração de insights. Além disso, ferramentas e técnicas “certas” serão necessárias. Isso ajuda a construir um design robusto, com arquitetura com foco em escalabilidade e facilidade de manutenção.
  3. Percorrer os KPIs de negócios – A determinação de KPIs de negócios (indicadores-chave de desempenho) para critérios de sucesso deve ser realizada em um estágio inicial. Pode ser por setor, por várias funções como Vendas, RH, Marketing, Sucesso do Cliente, Gestão/Liderança etc. Isso ajuda no estreitamento dos objetivos para melhor cumprimento das metas.
  4. Entender a maturidade do Analytics – A avaliação da maturidade do Analytics deve ser realizada antes de iniciar uma jornada ou qualquer iniciativa de transformação. Isso ajuda a avaliar o nível de maturidade atual (AS-IS) e fornece uma imagem clara sobre o que focar no futuro. O ciclo de vida de ponta a ponta, Data Science CRISP-DM, ajuda a focar onde a energia precisa ser gasta – se em análise de dados, visualização de dados, integração de dados “certos” em um só lugar para melhor análise, engenharia de recursos, seleção de recursos, modelo desenvolvimento, avaliação de modelo, implantação de modelo, gerenciamento e monitoramento de modelo, gerenciamento de versão e gerenciamento de dados e desvios de modelo etc.
  5. Formular Estratégia promovendo inovação – Formular a estratégia promovendo a inovação ajuda. Novos métodos para lidar com dados, curadoria de dados, obter insights de dados ajudam muito e para isso uma estratégia deve ser definida para a realização de valor. Se as empresas puderem trabalhar para obter valor tangível dos dados, isso seria um grande passo. Algumas das perguntas que vêm à mente no processo estão nas seguintes áreas, por exemplo: encontrar novos fluxos de receita, melhorar e otimizar os modelos de negócios existentes, criar eficiências internas e monitorar os mesmos para melhor controle, manter a conformidade regulatória, aumentar a taxa de alfabetização de dados, criar novos produtos e insights, estratégia para “X Analytics” (Customer Analytics, Marketing Analytics , Operation Analytics, CRM Analytics, Retail Analytics, Healthcare Analytics etc.), estratégia para AI com Cloud, AI com Blockchain, AI com IoT, AI com AR/VR etc.
  6. Contratar o Talento “certo” – Contrate especialistas de dados certos com “talentos” apropriados na equipe para executar todas as etapas das operações de maneira bem-sucedida.
  7. Definir as funções e a recompensa aos talentos – Definir funções como administradores de dados e proprietários de dados é extremamente importante e crítico. Com base nesse e em outros papéis adequados, a matriz de atribuições de responsabilidade (RACI) pode ser formulada. Isso ajuda na Governança de Dados. Recompense talentos/equipes pelo uso diligente de dados, traga a cadeia de valor de motivação de dados dentro da organização.
  8. Analisar dados e medir a realização de valor – Use ferramentas e técnicas apropriadas para analisar dados. Explore dados para entender melhor os padrões, correlações e insights significativos. Uma vez que entendemos e preparamos melhor os dados, torna-se cada vez mais simples descobrir valor e obter insights tangíveis a partir deles.
  9. Treinar sua equipe/funcionários/talentos – Treine sua equipe aproveitando os métodos certos, modelos e soluções certos. Abordagem de design thinking, compreensão de modelos apropriados para casos de uso específicos, arquitetura para formular diferentes modelos e soluções podem ser treinadas. Upskilling, cross-skilling e requalificação são aspectos importantes, mas devem ser executados com cuidado com base na necessidade, resultado, uso, interesse etc.
  10. Permitir adoção contínua – A adoção de cima para baixo deve fluir perfeitamente. O provisionamento de acesso correto aos dados corretos para as pessoas corretas deve estar alinhado para realizar essa atividade. Tornar a prova de conceitos simples e robusta ajuda, em vez de pensar muito sofisticado, complexo desde o início. Todo o propósito é de adotar uma cultura onde estes ganhos rápidos fornecem motivação para a construção de uma base sólida e, em seguida, gerar impulso.
  11. Gerar dados para negócios – Defina como os dados são coletados, quais são as fontes de dados de entrada, qual equipe está envolvida na coleta de dados e assim por diante. Se a pesquisa for conduzida para gerar conjuntos de dados, isso deve ser planejado de forma eficaz.
  12. Impacto e valor de rendimento – Analise o resultado de negócios e a realização de valor e meça-o para métricas de sucesso. Documente as lições aprendidas e continue melhorando os processos sobre onde melhorar, em que estágio etc.

Concluindo

Em resumo, a tomada de decisão baseada em dados depende de várias dimensões e as empresas devem seguir uma abordagem estruturada para enfrentar os desafios que enfrentam. A gestão de valor de Data Science segue alguns dos pontos críticos mencionados. É importante definir a estratégia com inovação em todas as etapas e executá-la com esforços e ações em torno dela.

Para os interessados em Data-Driven Marketing, recomendo o capítulo 4 do livro “Trends MKT na Era Digital: O futuro do Marketing”, de Martha Gabriel, Rafael Kiso e outros autores colaboradores.

Para pequenas e médias empresas iniciando no tema, recomendo o artigo “PMEs deveriam pensar mais sobre DADOS

Se gostou, por favor, compartilhe.

Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.

Um abraço, @neigrando

Referências

  • Este texto partiu do conteúdo traduzido e adaptado com base no post original em inglês “Data-driven Strategy in Data and AI”, de Kamal Mishra (2021)
  • AI Ladder – Acelerate your Journey to AI, by Rob Thomas & Paul Zikopoulos, 2020

Artigos relacionados

A Transmídia e o Metaverso

Transmídia, do inglês transmedia, significa conteúdo que se sobressai a uma mídia única. Na prática, significa que as diferentes mídias transmitirão variados conteúdos para o público de forma que os meios se complementem, pois se o público utilizar apenas um canal terá apenas a mensagem parcial do assunto em questão, já que a transmídia induz ao ato de contar histórias através de várias mídias, com um conteúdo específico para cada uma.” – Wikipedia

Introdução

De sã consciência resolvi escrever esse artigo de modo diferente. Comecei a rascunhá-lo em minha mente enquanto caminhava ouvindo uma trilha musical do Surpertramp e outra de Pink Flloyd. Ao mesmo tempo fui refletindo e preparando palavras que pudessem descrever não só o que eu pensava, mas também meus sentimentos e emoções entrelaçados. Enfim, escrevi com o coração.

Estou vivendo um estágio de vida interessante e minha caminhada me fez lembrar momentos incríveis e algumas decisões importantes que me levaram a atravessar portais para universos paralelos, ou melhor, viver transições significativas em minha vida pessoal, carreira acadêmica e profissional. Momentos estes em que munido de coragem, desejo e vontade decidi mudar radicalmente meu ambiente e conforto, e partir para algo novo e desafiador, transcendendo a mim mesmo.

Para não perder a objetividade deste post, contarei sobre a travessia destes portais e os universos paralelos que vivi em outro post.

Cheguei neste fim de semana do Gramado Summit 2022, onde encontrei e abracei amigos da Tecredi que eu só conhecia virtualmente e que me encantaram com a receptividade e consideração. Foi então que eu encontrei o quadro, cuja arte acompanha este artigo e o conteúdo que segue.

O quadro (arte) foi um presente que recebi pelas mãos do amigo Rodrigo, em maio de 2012, logo após a Convenção EraTransmidia em Paraty. No encontro, além de proferir uma palestra, fui convidado a trabalhar em conjunto com um grande grupo o modelo de negócios EraTrasmídia, que acabou se transformando em dois modelos separados, porém complementares, pois um proporcionaria valor ao outro.

Assim, mais importante que o quadro que ganhei e que de certa forma representava os dois elementos unidos e complementares, foram as palavras de agradecimento do meu amigo em nome do EraTransmídia.

Hoje, 10 anos depois, quem está agradecendo ao Rodrigo e ao grupo EraTransmídia sou eu, com este artigo dedicado a eles.

A Transmídia

No meu modo de entender, a Transmídia é algo que transcende a mídia tradicional de marketing de conteúdo, ela vai além do uso particular de cada mídia, além da multimídia e do crossmídia, pois o storytelling do conteúdo contado se adequa a cada uma das mídias utilizadas que referenciam as outras contribuindo com o todo da mensagem. Além disso, com a mídia social a transmídia tornou possível a interação com o público, gerando ainda mais valor para aquele que anuncia a mensagem, ou conta a história.

O Metaverso

“Metaverso é um ambiente digital persistente e imersivo de redes independentes, mas interconectadas, que usarão protocolos ainda a serem determinados para comunicações.” – Gartner

Ele permite conteúdo digital persistente, descentralizado, colaborativo e interoperável que se cruza com o conteúdo em tempo real, espacialmente orientado e indexado do mundo físico.”

Com criatividade as marcas podem testar seus produtos em formato digital no tal “metaverso”, inclusive fazendo vendas neste mundo virtual e se o produto fizer o devido sucesso, lançá-lo no mundo físico e fornecer desconto para quem o comprou virtualmente, por exemplo.

Indo além, pode-se contar com os novos recursos de realidade virtual e realidade aumentada, e mundos virtuais em 3D em um contexto metaverso – sendo este último um tema em destaque (hype) no momento – provocando possibilidades às marcas estarem presentes junto a seus clientes e prospects não só no mundo físico, mas também no mundo virtual.

As possibilidades do uso de transmídia com “metaverso” são tantas que vão além da minha imaginação e com certeza vale a pena às marcas começarem a conhecer melhor esses temas, essas novas mídias e as novas possibilidades de trabalhar seus conteúdos, produtos e serviços.

Falarei mais sobre Metaverso em um dos próximos artigos.

Se gostou, por favor, compartilhe! Um abraço, @neigrando

Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.

Maturidade em IA, parte 2: Indicadores

Este artigo trata da continuidade do artigo anterior sobre “Modelo de Maturidade de Inteligência Artificial“, assim sugere-se a leitura do mesmo antes deste.

Existe muito hype e buzz relacionado a inteligência artificial e ao uso dela pelas organizações, além disso muito foco tem sido dado à tecnologia e algoritmos de aprendizagem de máquina, e ao sair fazendo para ver o que acontece. Mas sabe-se por resultados de pesquisas apresentadas no artigo anterior que a maioria dos projetos ainda falham consideravelmente, desperdiçando tempo, esforços e investimentos. E tais falhas acontecem principalmente pela falta de visão e conhecimento do que realmente a IA pode fazer pelo negócio e pela falta de planejamento que alinhe a IA às estratégias de negócio e execução dos projetos.

Aqui será abordado o uso de indicadores, em cada nível de maturidade de IA da organização (Planejamento, Experimentação, Estabilização, Expansão e Transformação), que devem ser considerados na: Visão e Estratégica da IA; Uso da IA; Tecnologias empregadas; Organização e Governança, assim como em Orçamento e Medições.

Indicadores do modelo de maturidade de IA propostos por Gartner

As organizações precisam estabelecer uma visão para a IA se quiserem obter valor com sua implementação. Elas também exigem administradores da visão que iniciarão ativamente projetos para transforma-la em realidade.

Tabela 1 – Para visão e estratégia

PlanejamentoPlaneja-se os interesses iniciais da IA. A IA aparece nas agendas de inovação. A inspiração vem de aplicativos de IA fora da organização. A visão de IA da organização está surgindo da participação em conferências, participação em blogs, conversas públicas, envolvimento com usuários internos e fornecedores externos e captura de uma variedade de exemplos. A equipe de gerenciamento está intrigada com exemplos funcionais ou da indústria e atingiu o nível de exploração “sob pressão”. A equipe de gerenciamento está sentindo esperança, medo ou um senso de urgência em relação à IA.
ExperimentaçãoO valor potencial de AI é reconhecido. A experimentação e a inovação impulsionada pela IA são ativamente promovidas e facilitadas. A organização tem projetos-piloto de IA para aprender sobre tecnologia, habilidades e impacto nos negócios, mas ainda é muito cedo para incluí-los nas estratégias.
EstabilizaçãoA Estabilização da IA não é mais uma promessa, mas está entregando valor de negócios real em algumas partes da organização ou portfólio de produtos / serviços. A IA é explicitamente abordada nas estratégias de certas áreas de negócios e tecnologia. À medida que as organizações amadurecem no uso de técnicas de IA, é mais provável que mudem seu foco de corte de custos para projetos orientados para o crescimento.
ExpansãoA Expansão da IA é difundida e um capacitador-chave de modelos de negócios novos ou aprimorados. A estratégia de IA dedicada e o roteiro adaptável da organização estão totalmente alinhados com seu negócio digital, transformação digital, inovação, experiência do cliente, P&D, RH e outras estratégias. A organização cria estratégias para melhorar, aumentar ou automatizar a tomada de decisão humana usando IA. Pode adquirir o talento necessário. Desde as decisões do conselho até cada interação com o cliente, a IA é um elemento crucial em cada momento e evento de negócios, permitindo que a organização opere de maneira altamente responsiva e adaptativa.
TransformaçãoA Transformação da IA faz parte do DNA dos negócios. Estratégia e operações são continuamente orquestradas e adaptadas em um complexo ecossistema de negócios de agentes interdependentes. A organização é considerada e gerenciada como um sistema de sistemas dinâmicos e baseados em contexto com atores humanos e artificiais. A organização equilibra uma combinação de contratação interna e externa. A IA está presente em todas as estratégias de negócios e inovações tecnológicas.

Itens de ação:

  • A organização deve alinhar a IA com sua missão.
  • Desenvolva um meio de entender como a aceleração ou automação de tarefas perigosas, sujas, chatas ou caras podem se combinar com novas conquistas que antes eram impossíveis devido à falta de recursos humanos e técnicos para realizá-las.
  • Desenvolva uma visão para o uso de IA para atender às preocupações existentes e construa uma abordagem para sua expansão para mudar a forma como a organização busca seus objetivos.

Onde usar IA é mais uma questão de como definir prioridades do que encontrar oportunidades. A IA será um aspecto da maioria dos aplicativos, ou os aplicativos que unem humanos e sistemas, no tempo. Inicialmente, a oportunidade está em encontrar e buscar a melhor opção de negócios.

Uma prática recomendada é a abordagem 1-2-3 para processos, produtos, serviços ou modelos de negócios:

  1. use IA para melhorá-los, ou
  2. Otimizá-los / redesenhá-los,
  3. Criar novos.

Todas essas ações devem ser realizadas com constante experimentação de IA e inovação em paralelo. A estratégia de IA deve incluir abordagens de responsabilidade para propriedade intelectual, risco, reputação e ética – por exemplo, na seleção e priorização de casos de uso.

As áreas de uso ou aplicação da IA ​​podem ser categorizadas em: remodelar a competição, repensar a otimização, revelar percepções sem precedentes e reinventar produtos / serviços, conforme a Tabela 2.

Tabela 2: Para uso da IA

PlanejamentoA Organização de Planejamento busca os primeiros casos de uso em que a IA poderia ter um impacto significativo, mas viável – seja do ponto de vista de negócios, inovação de produto ou RH. Uma ou várias partes interessadas de negócios entusiasmadas comprometem recursos para implementar os casos de uso. Os casos de uso para implementação de IA geralmente incluem otimização de preços, recomendações, detecção de fraude e insights do cliente.
ExperimentaçãoProjetos POC são realizados, colhidos de experimentação nos primeiros laboratórios de IA. Protótipos de produtos e serviços selecionados são melhorados de forma mensurável com IA. Exemplos típicos neste nível incluem IA para suporte à decisão e análise preditiva, como otimização de preços, recomendações de produtos e detecção de fraude.
EstabilizaçãoAs soluções de Estabilização da IA são implantadas para casos de uso de POC nos quais eles mostraram seu valor. Exemplos típicos incluem chatbots para interação com o cliente, gerenciamento de portfólio do cliente, valor do tempo de vida do cliente ou ciência de dados com análises preditivas e prescritivas para melhorias de processos internos. As soluções também podem incluir a adição de recursos alimentados por IA a produtos e serviços existentes. Implementações em casos de uso e departamentos adjacentes são realizadas.
ExpansãoA Expansão da IA é sistematicamente aplicada em todo o espectro da empresa para otimizar processos reprojetados, introduzir práticas de negócios, produtos ou serviços inovadores ou interromper o status quo. Os casos de uso típicos incluem a experiência do cliente e a otimização da cadeia de suprimentos. A IA e os novos avanços da IA ​​são ativamente aproveitados em todos os projetos de TI e negócios aplicáveis. A IA tem um amplo escopo de aplicação, incluindo inteligência contínua, análise prescritiva, assistentes pessoais virtuais, tomada de decisão aumentada e automatizada, automação inteligente ou operações autônomas em muitas áreas de negócios. A governança da IA ​​é estabelecida.
TransformaçãoA transformação da IA não é mais considerada uma categoria de tecnologia separada – faz parte da estrutura da organização, profunda e perfeitamente integrada em cada processo, produto e serviço. A organização atingiu um equilíbrio entre a automação de processos e o aumento da força de trabalho, conectando harmoniosamente os sistemas naturais e artificiais, tanto no nível de hardware / físico quanto de software / mental. Processos de negócios autônomos e sistemas autônomos são abundantes, adaptando-se e otimizando continuamente, e orquestrados por um sistema nervoso central de inteligência contínua.As técnicas de IA não são usadas apenas para resolver problemas conhecidos; eles também exibem capacidades criativas na geração de novas soluções, alternativas potenciais e fazer recomendações.

Itens de ação:

  • Trabalhadores e executivos devem desenvolver uma heurística de priorização que permita que projetos táticos e estratégicos surjam de esforços compartilhados e compreensão das capacidades de IA.
  • No entanto, não priorize muito prescritivamente. Dada a natureza inovadora e disruptiva da IA, sempre deve haver espaço para experimentação. Adote uma abordagem de três vias para seu portfólio de projetos de IA: experimente, faça um piloto e produza.
  • As tecnologias que vão juntas para formar projetos de IA às vezes são altamente inovadoras, mas em muitos casos novas apenas em sua implementação.
  • Muitos dos fundamentos da IA, como os algoritmos analíticos que revelam novas conclusões ou empregam heurísticas, não são em si novos.
  • Ao mesmo tempo, uma inovação massiva e contínua na ciência e nos negócios está ocorrendo para melhorar ainda mais a IA e seu desempenho, escalabilidade, eficácia e facilidade de uso.
  • Para a maioria das organizações, no entanto, o emprego de tecnologias de IA para automatizar processos e interações representará uma nova abordagem de trabalho, que apresentará riscos em termos de quão bem essas tecnologias se harmonizam com clientes e funcionários.

A tecnologia de IA pode ser posicionada em uma ou mais das seguintes categorias: processamento de dados, robótica, interação conversacional, suporte à decisão / automação, automação de processo ou percepção de IoT, conforme a Tabela 3.

Tabela 3: Para tecnologias empregadas

PlanejamentoA Métodos de planejamento de IA que estão prontamente disponíveis no mercado e já aplicados em outras organizações são investigados. Isso inclui algoritmos de aprendizado de máquina comuns, sistemas baseados em regras e técnicas de otimização. Sessões de educação ou hackathons internos são organizados para trazer à tona as técnicas, implementações e habilidades de IA existentes.
ExperimentaçãoOs obstáculos para a primeira adoção da experimentação são reduzidos com o aproveitamento da infraestrutura em nuvem, serviços de IA em nuvem e / ou código aberto. Técnicas adicionais de IA (como aprendizado profundo, reconhecimento de imagem ou processamento de linguagem natural – se não originalmente exploradas) são investigadas.Questões de integração, de perspectivas de dados e processos, são avaliadas e tratadas.As atividades de validação de dados e processos são realizadas para confirmar sua prontidão para IA.
EstabilizaçãoSão introduzidos os primeiros sistemas de produção com tecnologia AI. As soluções são autônomas ou integradas em outras, levando em consideração cenários de implantação de nuvem, híbrida, local ou de ponta. Os sistemas de IA estão incluídos no gerenciamento de operações de TI e nas avaliações de impacto nos negócios. As fontes de dados de IA incluem data warehouses e hubs de dados (lógicos), junto com outros, como IoT ou plataformas de mídia social, conforme necessário por caso de uso.Os desenvolvedores de IA podem aproveitar lagos de dados.
ExpansãoTécnicas inovadoras de IA são regularmente exploradas e aproveitadas em toda a organização em processos, produtos e serviços. A disponibilidade, o desempenho e a segurança dos sistemas de IA são essenciais.Operações de IA (DevOps / MLOps), gerenciamento de modelo e reprodutibilidade são otimizados. A implantação é na nuvem, no local ou por meio de dispositivos móveis, de borda ou robóticos. As necessidades de dados de IA são totalmente atendidas no gerenciamento e anotação de dados, enquanto as fontes de dados são expandidas além daquelas exigidas pelos casos de uso para o conhecimento contextualizado. Os feeds de dados de IA são automatizados, extensos e incluem dados (em tempo real) de fontes internas e externas.
TransformaçãoA adoção de técnicas novas ou aprimoradas de IA continua. Os modelos de IA e algoritmos de aprendizado de máquina são continuamente retreinados e atualizados, aproveitando os loops fechados automatizados e os loops de feedback aumentados. Tanto a inteligência humana quanto a artificial são sinergizadas com, por exemplo, realidade virtual, realidade aumentada, interfaces holográficas e neurodigitais. Agentes pessoais e sistemas multiagentes, representando atores organizacionais, humanos e artificiais, são aplicados para produtividade pessoal e inteligência aumentada, simulação, monitoramento e orquestração operacional de sistemas adaptativos complexos e inteligência coletiva ou de enxame.

Itens de ação:

  • As organizações devem contar com os diretores de dados e os diretores de tecnologia para estabelecer estratégias de emprego de tecnologias de IA, como métodos analíticos avançados, gerenciamento de experimentos e modelos e MLOps.
  • Eles também devem ter uma noção de como podem empregar (e confiar) IA das ofertas dos fornecedores.
  • No estágio de expansão, as organizações geralmente restringem o conjunto dominante de ferramentas para gerenciar riscos e garantir a conformidade.
  • Isso pode parecer um retrocesso para os primeiros usuários devido a novas restrições, mas é necessário gerenciar orçamentos e habilidades ao mesmo tempo em que dimensiona todo o negócio.

O uso de IA nas organizações se tornará tão comum quanto o uso de computadores, da mesma forma que ondas anteriores de computação – como aquelas associadas a interfaces de usuário ou rede – também se tornaram generalizadas. Gerenciar com sucesso o crescimento da IA ​​e seu uso em departamentos e aplicativos requer patrocínio executivo e um COE, conforme a Tabela 4.

Tabela 4: Para organização e governança

PlanejamentoPrevalecem os adotantes isolados, iniciais, especulativos e não operacionais da IA, com interesse ou experiência em IA. Os pioneiros estão começando a construir conhecimento sobre a tecnologia de IA, aplicações práticas e possível criação de valor. Ainda não existe patrocínio empresarial. AI não faz parte das descrições de funções. Sessões de brainstorming entre empresas e funções de negócios são conduzidas em reuniões ad hoc ou como parte de exercícios de “céu azul” em retiros ou eventos não vinculativos semelhantes. A definição de IA no contexto da organização é finalizada e evangelizada. Princípios básicos de IA são discutidos.
ExperimentaçãoNão há ações orquestradas centralmente. A organização está apenas começando a recrutar especialistas em IA ou está trabalhando com provedores de serviços externos para implementar POCs e pilotos de IA. O primeiro laboratório de IA foi aberto para facilitar a experimentação, a experiência do cluster e promover a inovação em colaboração com fornecedores de IA e institutos de pesquisa. As habilidades são desenvolvidas em torno das técnicas que mostram os resultados de negócios mais promissores após as experimentações. Surgem os primeiros padrões de IA para dados e técnicas de IA. Métodos para garantir a conformidade regulatória são desenvolvidos. Responsabilidades reativas, ações e procedimentos no caso de consequências não intencionais são descritos.
EstabilizaçãoHabilidades apropriadas ligadas às técnicas de IA implantadas são adquiridas e planos de qualificação são desenvolvidos para proteger o know-how da organização. Existe um COE (virtual), ou pelo menos uma comunidade de prática, para compartilhar as melhores práticas e impulsionar o emprego em tecnologia. Habilidades e recursos interdisciplinares de IA são agrupados em análises avançadas ou equipes de ciência de dados. Os engenheiros de IA passam a fazer parte das equipes de ciência de dados. Há colaboração frequente para facilitar um entendimento comum de uma plataforma, ferramentas e comunidades de IA entre empresas, para compartilhar conhecimento e para adotar ou desenvolver padrões e metodologias. As primeiras práticas de confiança e transparência da IA ​​estão começando a tomar forma. Há patrocínio explícito de IA de nível C.
ExpansãoA organização tem um AI COE híbrido com a responsabilidade de conduzir novos produtos e serviços e manter conexões internas. A governança de IA facilita a liberdade da ciência de dados e ancora a proliferação de atividades de IA para minimizar os riscos associados e manter a produtividade. A organização tem parcerias estratégicas com fornecedores de IA e institutos de pesquisa para inovação contínua impulsionada por IA. Existem processos e estruturas formalizados para estratégia, ética, P&D, governança, desenvolvimento e operações de IA. Há propriedade de nível C da IA. Padrões para governança de modelo para garantir rastreabilidade, reprodutibilidade e reutilização dos modelos são desenvolvidos e, esperançosamente, garantidos para baixo risco. As políticas de branding, legal, ética, segurança, proteção e privacidade são adaptadas e aplicadas para IA. A gestão de riscos está em vigor para a tomada de decisão automatizada e sistemas autônomos. A conformidade total com as leis e regulamentos (inter) nacionais de IA foi alcançada. A IA impacta a força de trabalho em muitas áreas de negócios, mudando funções e habilidades necessárias.
TransformaçãoA transformação da IA tem um impacto profundo na cultura organizacional, estratégia, estrutura, processos e na sociedade em geral. As funções de negócios e tecnologia se fundem, também no nível C. A estrutura de governança para gerenciamento de produtos de IA é estabelecida. A IA é parte integrante de todo trabalho e da vida diária. A organização estabelece um aprendizado de IA contínuo em toda a empresa para treinar as pessoas quando elas precisam. A participação no desenvolvimento e aplicação de leis e regulamentos (inter) nacionais de IA é incentivada. A força de trabalho humana é totalmente versada em dados, complementada por hardware, software ou wetware de IA para tudo, desde o aprendizado contínuo até as tarefas operacionais. A força de trabalho artificial, com operadores virtuais ou robóticos, aumenta ou substitui operadores humanos. Muitas novas funções são criadas para humanos e “meta-IA” para inovação, desenvolvimento, manutenção e operações de IA.

Itens de ação:

  • Governança não significa necessariamente comando e controle. Em vez disso, significa orientação não proibitiva sobre padrões para estruturas de IA e orientação sobre princípios éticos e de segurança.
  • As organizações devem desenvolver COEs para IA, embora possam ser melhor desenvolvidos dentro ou junto com os COEs para análises, experiência do cliente ou automação, dependendo da visão.
  • Os impactos da IA ​​na reputação, nos negócios e na sociedade apresentam riscos desconhecidos e, até certo ponto, desconhecidos para as organizações que estão correndo para implantar essa tecnologia.
  • As organizações devem, portanto, aplicar um nível apropriado de governança de IA que corresponda aos respectivos níveis de maturidade de IA.
  • Isso os ajudará a atingir objetivos imediatos e de longo prazo nos estágios corretos de sua jornada de IA.
  • Os líderes de dados e análises devem colaborar com as partes interessadas de negócios para alavancar a IA para obter valor de negócios e definir as expectativas corretas.
  • Eles também devem minimizar os riscos para a organização, seus clientes e ecossistema.

Uma “abordagem de três vias” é recomendada:

  • Comece com experimentação, usando financiamento de quantia fixa para facilitar a aprendizagem por tentativa e erro, sem expectativas de retorno de valor de negócio direto. Em seguida, com base na experimentação
  • Priorize casos de uso para POCs em projetos piloto, que devem ser financiados separadamente em uma base de projeto por projeto, mas ainda sem requisitos de caso de negócios estritos.
  • Por fim, colha o projeto piloto de maior sucesso “produzindo” IA por meio de projetos mais preditivos.

Isso resultará em aplicativos totalmente integrados aos negócios regulares, com expectativas de ROI quantificadas e orçamentos sustentados para gerenciamento operacional e de mudança (consulte a Tabela 5).

Tabela 5: Para orçamento e medições

PlanejamentoO orçamento de IA é insignificante. A organização aprova fundos seletivos para participação em conferências, treinamento direcionado, POCs de pequeno escopo e, potencialmente, alguns estudos de consultoria ou marketing. Os indicadores de conscientização sobre IA incluem o aumento do número de reuniões sobre o tema, participação em conferências e reuniões com fornecedores de IA.
ExperimentaçãoVários projetos POC são financiados. O financiamento de quantia fixa adicional é alocado para atividades de experimentação em um possível laboratório de IA. Ainda não há requisitos de business case, mas as métricas mensuráveis ​​de negócios ou organizacionais são definidas para avaliar o sucesso potencial dos POCs. O código aberto e a nuvem são usados ​​para reduzir as despesas de capital e os custos operacionais iniciais.
EstabilizaçãoO orçamento de estabilização é atribuído às funções corporativas. Vários projetos de IA são financiados, enquanto o investimento em experimentação e POCs continua. Isso inclui gastos com software de produção, plataformas, infraestrutura provisionada, desenvolvimento de novas habilidades e serviços a serem implementados, bem como custos operacionais e de gerenciamento para investimento sustentado. A organização começou a capturar as métricas para cada iniciativa e está rastreando ativamente as mudanças impulsionadas pela IA.
ExpansãoA organização alocou estruturas de orçamento para IA, incluindo iniciativas recorrentes (mais de 15 meses), dentro de TI e várias unidades de negócios. Os aplicativos de IA estão causando mudanças significativas nos custos de mão de obra. Despesas de infraestrutura de IA são monitoradas e otimizadas. A estratégia de IA tem indicadores de desempenho definidos que são monitorados ativamente. Os exemplos são o número de projetos nos quais a IA é aplicada sem solicitação explícita, a porcentagem de processos de negócios com otimização orientada à IA e o compartilhamento de produtos / serviços com IA incorporada. Os casos de uso de alto risco / alta recompensa são financiados.
TransformaçãoNão há mais iniciativas de IA separadas ou orçamentos alocados separados, exceto para gerenciamento de produtos de IA. A tecnologia de negócios e (IA), e seus respectivos esquemas e indicadores de orçamento, são perfeitamente integrados. Crowdsourcing e cadeia de valor coletiva ou financiamento de ecossistemas (e participação nos lucros) são negócios como de costume. A ausência de atividades separadas de IA é o indicador essencial de um nível verdadeiramente transformador.

Itens de ação:

  • Especialmente para as primeiras iniciativas de IA, o maior problema com o orçamento e o financiamento de um projeto de IA é que, antes de iniciar a iniciativa, é extremamente difícil ou impossível determinar um caso de negócios definitivo (preciso) para economia.
  • A principal razão para isso é que é impossível prever mudanças no comportamento humano dos usuários, bem como no consumo final do aplicativo.
  • Outros motivos problemáticos incluem a dificuldade em determinar a data de conclusão e o escopo do projeto não estar totalmente definido (os pontos de inflexão para aprendizado de máquina, curadoria de dados e análise também são itens que não podem ser previstos e avaliados com precisão).
  • Não se concentre nos silos tradicionais de gastos discretos em infraestrutura, largura de banda, software, banco de dados e serviços.
  • Maturidade é o foco no planejamento e adaptação a uma mudança de processo incremental ou transformacional.
  • É medida não apenas pela redução de custos, mas também por tempos de ciclo reduzidos, taxas de erro mais baixas, escalabilidade e agilidade de negócios (a capacidade de responder ou demonstrar insights anteriormente indisponíveis).
  • Lembre-se de que o financiamento para iniciativas de IA vem dos orçamentos das unidades de negócios, bem como dos orçamentos de TI.
  • Observe que um grande financiamento nos primeiros dois estágios é contraproducente e coloca muita pressão sobre os pioneiros da IA.
  • A questão motriz deve ser: “Qual será o impacto da IA ​​nos resultados de negócios?” Para estimar adequadamente esse impacto, medidas e marcos apropriados devem ser estabelecidos.

Considerações finais

Artigos mais introdutórios à IA aplicada ao mundo dos negócios podem ser vistos aqui.

Se gostou do artigo, por favor, compartilhe. Comentários são bem vindos.

Sobre mim: aqui, Contato: aqui.

Abraço, @neigrando

Referência

Este artigo trata-se da continuidade do artigo anterior aqui postado, que foi traduzido, reduzido e adaptado do original, em inglês: “Artificial Intelligence Maturity Model”, por Gartner (2020).

Artigos relacionados