“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.
Redes neurais artificiais são sistemas de computação inspirados nas redes neurais biológicas que constituem o cérebro humano.
Elas podem parecer novas e excitantes, mas o campo em si não é novo. Frank Rosenblatt, um psicólogo americano, conceituou e tentou construir uma máquina que responde como a mente humana em 1958, a qual ele nomeou “Perceptron”.
Depois disso, graças aos recursos computacionais atuais, tais redes neurais foram modernizadas, incluindo arquiteturas de rede aprimoradas e mais profundas e estão sendo utilizadas no aprendizado profundo (deep learning), que é a base para grande parte do atual boom da Inteligência Artificial.
Para os propósitos práticos, as redes neurais artificiais aprendem pelo exemplo, de maneira semelhante às suas contrapartes biológicas. As entradas externas são recebidas, processadas e acionadas de forma similar a do cérebro humano.
A estrutura em camadas das redes neurais
Sabemos que diferentes seções do cérebro humano estão conectadas para processar vários tipos de informação. Essas partes do cérebro são organizadas hierarquicamente em níveis. À medida que a informação entra no cérebro, cada camada, ou nível, de neurônios faz seu trabalho específico de processar as informações recebidas, derivar insights e transmiti-los para a camada seguinte e mais sênior.
Por exemplo, quando você passa por uma padaria, seu cérebro responderá ao aroma de pão recém assado em etapas:
Entrada de dados: O cheiro de pão quentinho
Pensamento: Isso me lembra minha infância
Tomada de decisão: acho que vou comprar um pouco desse pão
Memória: Mas eu já almocei
Raciocínio: Talvez eu pudesse fazer um lanche
Ação: Posso comer um pedaço desse pão, por favor?
É assim que o cérebro funciona em etapas. As redes neurais artificiais funcionam de maneira semelhante. As redes neurais tentam simular essa abordagem de várias camadas para processar várias entradas de informações e basear decisões nelas.
No nível celular ou neurônio individual, as funções são ajustadas. Os neurônios são as células nervosas do cérebro. As células nervosas têm extensões finas conhecidas como dendritos. Eles recebem sinais e os transmitem para o corpo celular. O corpo celular processa os estímulos e toma a decisão de acionar sinais para outros neurônios na rede. Se a célula decidir fazê-lo, a extensão no corpo celular conhecida como axônio conduzirá o sinal para outras células por meio de transmissão química. O funcionamento das redes neurais é inspirado na função dos neurônios em nosso cérebro, embora o mecanismo tecnológico de ação seja diferente do biológico.
Como as redes neurais funcionam de forma semelhante ao cérebro humano
Uma rede neural artificial em sua forma mais básica tem três camadas de neurônios. A informação flui de um para o outro, assim como no cérebro humano:
A camada de entrada: o ponto de entrada dos dados no sistema
A(s) camada(s) oculta(s): onde a informação é processada
A camada de saída: onde o sistema decide como proceder com base nos dados
Redes neurais artificiais mais complexas terão várias camadas, algumas ocultas.
A rede neural funciona por meio de uma coleção de nós ou unidades conectadas, assim como os neurôniosartificiais. Esses nós modelam vagamente a rede de neurônios no cérebro animal. Assim como sua contraparte biológica, um neurônioartificial recebe um sinal na forma de estímulo, processa-o e sinaliza outros neurônios conectados a ele. Mas as similaridades acabam aí.
Observação: “O termo ‘rede neural’ refere-se à neurobiologia, mas embora alguns dos conceitos centrais da aprendizagem profunda tenham sido desenvolvidos em parte inspirando-se em nossa compreensão do cérebro (em particular, o córtex visual), os modelos de aprendizagem profunda não são modelos do cérebro. Não há evidências de que o cérebro implemente algo parecido com os mecanismos de aprendizado usados nos modelos modernos de aprendizado profundo. Para nossos propósitos, o aprendizado profundo é uma estrutura matemática para aprender representações de dados.”
O funcionamento do neurônio e da rede neural artificial
Um neurônio artificial é o menor bloco de construção em todas as redes neurais profundas.
Em uma rede neural artificial, o neurônio artificial recebe como entrada um ou mais estímulos na forma de sinais que são números reais (x1, x2, …). A saída (y) de cada neurônio é calculada usando alguns pesos fixos (w1, w2, …), uma polarização (b) e uma função de ativação definida (f) não linear da soma de suas entradas (∑).
As conexões entre os neurônios são chamadas de arestas.
Tanto os neurônios quanto as arestas têm um peso. Este parâmetro se ajusta e muda à medida que o aprendizado prossegue.
O peso aumenta ou diminui a força do sinal em uma conexão.
Os neurônios podem ter um limiar. Um sinal é enviado somente se o sinal agregado cruzar esse limite.
Como mencionado anteriormente, os neurônios se agregam em camadas. Diferentes camadas podem realizar diferentes modificações em suas entradas. Os sinais passam da primeira camada (a camada de entrada) para a última camada (a camada de saída) da maneira discutida acima, às vezes depois de percorrer as camadas várias vezes.
As redes neurais contêm inerentemente algum tipo de regra de aprendizado, que modifica os pesos das conexões neurais de acordo com os padrões de entrada com os quais são apresentadas, assim como uma criança em crescimento aprende a reconhecer animais a partir de exemplos de animais.
Redes neurais e aprendizado profundo (deep learning)
É impossível falar sobre redes neurais sem mencionar o aprendizado profundo. Os termos “redes neurais” e “aprendizado profundo” são frequentemente usados de forma intercambiável, embora sejam distintos um do outro. No entanto, os dois estão intimamente ligados, pois um depende do outro para funcionar. Se as redes neurais não existissem, o aprendizado profundo também não existiria, pois:
O aprendizado profundo é a vanguarda de uma entidade que já está na vanguarda, a inteligência artificial (IA).
O aprendizado profundo é diferente do aprendizado de máquina, projetado para ensinar os computadores a processar e aprender com os dados.
Com o aprendizado profundo, o algoritmo do computador treina a si mesmo continuamente para processar dados, aprender com eles e criar mais recursos. As múltiplas camadas de redes neurais artificiais mais complexas são o que tornam isso possível.
As redes neurais complexas contêm uma camada de entrada e uma camada de saída, assim como as redes neurais de forma simples, mas também contêm várias camadas ocultas. Portanto, elas são chamados de redes neurais profundas e são propícias ao aprendizado profundo.
Um sistema de aprendizado profundo aprende a si mesmo e se torna mais “conhecido” à medida que avança, filtrando informações através de várias camadas ocultas, de maneira semelhante ao cérebro humano com todas as suas complexidades.
Por que o Deep Learning é importante para as organizações
O aprendizado profundo é como a nova corrida do ouro ou a mais recente descoberta de petróleo no mundo da tecnologia. O potencial do aprendizado profundo despertou o interesse de grandes corporações estabelecidas, bem como startups nascentes e tudo mais. Por quê?
Faz parte do panorama geral orientado por dados, em particular, graças ao aumento da importância de big data. Se você pensa em dados derivados da Internet como petróleo bruto armazenado em bancos de dados, data warehouses e data lakes, esperando para ser perfurado com várias ferramentas de análise de dados, o aprendizado profundo é a refinaria de petróleo que pega os dados brutos e os converte em produtos úteis.
O aprendizado profundo é o objetivo final em um mercado inundado de ferramentas analíticas em um mundo de dados: sem uma unidade de processamento eficiente e de última geração, extrair qualquer coisa de valor simplesmente não é possível.
O aprendizado profundo tem o potencial de substituir os humanos automatizando tarefas repetitivas. No entanto, o aprendizado profundo não pode substituir os processos de pensamento de um cientista ou engenheiro humano criando e mantendo aplicativos de aprendizado profundo, pelo menos por enquanto.
Fazendo a distinção entre aprendizado de máquina e outros tipos de aprendizado
Aprendizado de máquina. Como exatamente as máquinas aprendem? A resposta curta: Algoritmos.
Alimentamos algoritmos, que são conjuntos de regras usadas para ajudar os computadores a realizar operações de resolução de problemas, por meio de grandes volumes de dados. Geralmente, quanto mais dados são fornecidos a um algoritmo de aprendizado de máquina, mais preciso ele se torna. Estes algoritmos são divididos em categorias, conforme eles interagem com os dados. Trata-se de treinar algoritmos como regressão linear, K-means, árvores de decisão, Random Forest, algoritmo K-neest neighbors (KNN) e máquina de vetor de suporte ou algoritmo SVM.
Esses algoritmos vasculham conjuntos de dados, aprendendo à medida que avançam para se adaptar a novas situações e procurar padrões de dados interessantes e perspicazes. Os dados são o substrato chave para que esses algoritmos funcionem da melhor maneira possível.
Aprendizado Supervisionado. Os conjuntos de dados usados para treinar o aprendizado de máquina podem ser rotulados.
Por exemplo, considere milhares de fotos de animais rotuladas. O algoritmo é treinando e “aprende” com estas fotos para que possa reconhecer imagens de animais que ainda não viu. Isso vale para imagens médicas, rostos, inadimplência de empréstimos, apólices de seguro de alto risco e muito mais.
Outro exemplo, um computador verificando uma caixa de entrada de e-mails em busca de spam pode ter sido treinado a partir de um conjunto de dados rotulado para entender quais e-mails são spam e quais são legítimos.
Isso é chamado de aprendizado supervisionado. Exemplos clássicos de técnicas de aprendizado supervisionado são regressão linear, máquinas de vetor de suporte (SVM), K-NN (neest neighbors ou vizinhos mais próximos), árvores de decisão e classificação.
Aprendizado não supervisionado. É feito com dados que não são rotulados. É uma técnica popular para usar quando não se sabe o que esperar, mas deseja que a IA molde os dados em agrupamentos (clusters) com base em sua “intuição”. Em outras palavras, o aprendizado não supervisionado é ótimo para encontrar padrões nos dados – coisas que “parecem semelhantes” – e permitir que você decida o que os padrões significam; um algoritmo de agrupamento como K-means é um ótimo exemplo.
Aprendizado Semissupervisionado. É uma área de interesse crescente porque leva muito tempo para curar dados rotulados bons e limpos. Usando o aprendizado semissupervisionado, pode-se aumentar os dados rotulados com novos dados ou misturar dados rotulados e não rotulados.
Redes Neurais e Lógica Fuzzy. É importante fazer a distinção entre redes neurais e lógica fuzzy. A lógica fuzzy permite tomar decisões concretas com base em dados imprecisos ou ambíguos. Por outro lado, as redes neurais tentam incorporar processos de pensamento semelhantes aos humanos para resolver problemas sem primeiro projetar modelos matemáticos.
Como as redes neurais diferem da computação convencional?
Para entender melhor como a computação funciona com uma rede neural artificial, um computador convencional e suas informações de processo de software devem ser entendidos.
Um computador possui um processador central que pode endereçar uma série de locais de memória onde os dados e instruções são armazenados. O processador lê as instruções e quaisquer dados de que a instrução precise de dentro dos endereços de memória. A instrução é então executada e os resultados salvos em um local de memória especificado.
Em um sistema serial ou paralelo padrão, as etapas computacionais são determinísticas, sequenciais e lógicas. Além disso, o estado de uma determinada variável pode ser rastreado de uma operação para outra.
O funcionamento nas redes neurais. Em contraste, as redes neurais artificiais não são sequenciais nem necessariamente determinísticas. Elas não contêm nenhum processador central complexo. Em vez disso, elas são compostas de vários processadores simples que recebem a soma ponderada de suas entradas de outros processadores.
As redes neurais não executam instruções programadas. Elas respondem em paralelo (de forma simulada ou real) ao padrão de entradas apresentado a elas.
Nestas redes as informações estão contidas no estado geral de ativação da rede. O conhecimento é representado pela própria rede, que é literalmente mais do que a soma de seus componentes individuais.
Vantagens das redes neurais sobre as técnicas convencionais
Espera-se que as redes neurais se auto treinem de maneira bastante eficiente no caso de problemas em que os relacionamentos são dinâmicos ou não lineares. Essa capacidade é aprimorada ainda mais se os padrões de dados internos forem fortes. Também depende até certo ponto da própria aplicação.
As redes neurais são uma alternativa analítica às técnicas padrão um tanto limitadas a ideias como suposições estritas de linearidade, normalidade e independência variável.
A capacidade das redes neurais de examinar uma variedade de relacionamentos torna mais fácil para o usuário modelar rapidamente fenômenos que podem ter sido bastante difíceis, ou mesmo impossíveis, de compreender de outra forma.
Limitações das Redes Neurais
Existem alguns problemas específicos dos quais os usuários em potencial devem estar cientes, particularmente em conexão com redes neurais de retropropagação e alguns outros tipos de redes.
Processo não é explicável. As redes neurais de retropropagação têm sido referidas como a caixa preta definitiva. Além de delinear a arquitetura geral e possivelmente usar alguns números aleatórios como propagação, tudo o que o usuário precisa fazer é fornecer a entrada, manter um treinamento e receber a saída. Alguns pacotes de software permitem que os usuários experimentem o progresso da rede ao longo do tempo. A própria aprendizagem nestes casos progride por conta própria.
A saída final é uma rede treinada (modelo) que é autônoma no sentido de que não fornece equações ou coeficientes que definem uma relação além de sua própria matemática interna. A própria rede é a equação final do relacionamento.
Mais lento para treinar. As redes de retropropagação tendem a ser mais lentas para treinar do que outros tipos de redes e, às vezes, exigem milhares de iterações. Isso porque a unidade central de processamento da máquina deve calcular a função de cada nó e conexão separadamente. Isso pode ser muito complicado e causar problemas em redes muito grandes que contêm uma grande quantidade de dados. No entanto, as máquinas contemporâneas funcionam rápido o suficiente para contornar a maioria desses problema.
Aplicações de Redes Neurais
As redes neurais são aproximadores universais. Eles funcionam melhor se o sistema tiver uma alta tolerância a erros.
As redes neurais são úteis:
Para entender associações ou descobrir elementos regulares dentro de um conjunto de padrões
Onde os dados são enormes, seja em volume ou na diversidade de parâmetros
As relações entre as variáveis são vagamente compreendidas
Onde as abordagens convencionais falham na descrição de relacionamentos
Considerações finais
A inteligência artificial é a tecnologia mais poderosa disponível para a humanidade atualmente, e o maior erro que qualquer um pode cometer é ignorá-la. E esse belo paradigma aqui apresentado sobre redes neurais artificiais profundas, inspirado na biologia é um dos desenvolvimentos tecnológicos mais elegantes de nossa era.
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
Planejamento
Planeja-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.
Experimentação
O 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.
Estabilização
A 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.
Expansão
A 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.
Transformação
A 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:
use IA para melhorá-los, ou
Otimizá-los / redesenhá-los,
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
Planejamento
A 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.
Experimentação
Projetos 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.
Estabilização
As 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.
Expansão
A 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.
Transformação
A 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
Planejamento
A 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.
Experimentação
Os 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.
Estabilização
São 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.
Expansão
Técnicas 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.
Transformação
A 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
Planejamento
Prevalecem 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.
Experimentação
Não 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.
Estabilização
Habilidades 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.
Expansão
A 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.
Transformação
A 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
Planejamento
O 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.
Experimentação
Vários 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.
Estabilização
O 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.
Expansão
A 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.
Transformação
Não 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.
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).
Blog do Nei 