Tecnologia da Informação

por

Indicadores de Maturidade em IA

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

por

Modelo de Maturidade de Inteligência Artificial

As tecnologias de inteligência artificial afetam a maioria das categorias de aplicativos e muitos desafios de negócios. Os líderes de dados e análises podem usar este modelo de maturidade de IA para acelerar e otimizar sua estratégia e implementações de IA para obter o melhor valor das tecnologias de IA.

Premissas de planejamento estratégico

Segundo a Gartner:

  • Em 2021, 30% das organizações que implementam soluções de IA que aprendem perderão a propriedade da propriedade intelectual (IP) para os fornecedores como resultado de uma linguagem contratual mal negociada.
  • Até agora (em 2022), pouco mais de 15% dos casos de uso que alavancam técnicas de IA – como aprendizado de máquina (ML) e redes neurais profundas (DNNs) – e envolvendo ambientes de borda e Internet das coisas (IoT) tiveram sucesso.
  • Em 2023, 60% das organizações com mais de 20 cientistas de dados exigirão um código de conduta profissional incorporando o uso ético de dados e IA.
  • Em 2023, 70% das cargas de trabalho de IA usarão contêineres de aplicativos ou serão construídas usando um modelo de programação sem servidor, necessitando de uma cultura DevOps.
  • Até 2023, os recursos computacionais usados ​​em IA aumentarão cinco vezes a partir de 2018, tornando a IA a principal categoria de cargas de trabalho que orientam as decisões de infraestrutura.
  • Em 2025, 50% das atividades do cientista de dados serão automatizadas pela IA, diminuindo a aguda escassez de talentos.

Análise

IA representa uma classe de mecanismos para aprimorar aplicativos e processos existentes. Esse aprimoramento geralmente assume a forma de acelerar os processos existentes. Dois exemplos comuns de IA são sistemas que:

  • Automatizam decisões que de outra forma requerem intervenção humana.
  • Classificam dados complexos – como texto, vídeo e áudio – que, de outra forma, exigiriam esforço humano.

Esses sistemas permitem que uma empresa acelere drasticamente os processos que, de outra forma, seriam limitados pelos custos humanos. No entanto, eles também exigem que a empresa reimplemente os processos existentes para aproveitar as vantagens dessas novas ferramentas. Por exemplo:

  • Um front end de IA pode processar interações telefônicas iniciais com um cliente. Mas os resultados desta IA exigirão um sistema de árvore de decisão significativamente aprimorado para concluir qualquer interação ou um modelo de transferência eficaz para abordar aspectos mais sensíveis ou particulares de tal chamada. Construir o melhor gráfico de conhecimento representa um esforço significativo no trabalho humano, seja em modelagem probabilística ou em heurísticas programáticas.
  • Em um caso de uso de seguro, a visão computacional alimentada por IA aplicada a fotos aéreas pode ser combinada com outros elementos de dados, como registros públicos sobre construções, para realizar uma análise preditiva mais precisa para determinar se a descrição de uma casa do requerente é precisa para fins atuariais. Esse modelo redirecionará recursos para a inspeção física e processos de mudança.
  • Em serviços financeiros, a análise preditiva baseada em IA pode ser aplicada a aplicativos de empréstimo para obter métricas de aprovação mais precisas. Tal modelo, embora potencialmente mais correto do que heurísticas programáticas, também deve ser explicável e não deve criar a impressão de parcialidade imprópria com base nas qualidades do candidato que podem ser vinculadas a critérios inutilizáveis.

O modelo de maturidade de IA (Figura 1) tem como objetivo fornecer aos líderes de dados e análises uma estrutura para sua estratégia de IA. Não tem a intenção de ser uma inclinação prescritiva que todas as organizações devam subir na mesma taxa ou intensidade. As organizações descobrirão que a maturidade exigida em IA varia com as diferentes categorias de aplicativos de IA. Nem todas as organizações devem se esforçar para chegar ao nível superior de maturidade, mas sim ao nível apropriado para seus negócios e ambições de tecnologia. Seguir um modelo de maturidade não estabelece definições obrigatórias para as organizações, nem estabelece caminhos que as organizações devem seguir ou correr o risco de falhar.

Use este modelo de maturidade para

  • Colocar-se na curva de crescimento potencial em direção ao domínio de alavancar IA.
  • Comunicar à gerência onde você está e a distância que precisa viajar, e com que velocidade você pode esperar para atingir certos níveis de maturidade.
  • Elaborar uma estratégia sobre quais etapas organizacionais internas você deve realizar para ter certeza de que é capaz de lidar com a IA em um ritmo com essa ambição em mente.
  • Evitar erros comuns de fazer coisas aparentemente certas na hora errada, como dar passos muito cedo para seu nível de maturidade.

A IA ainda é um campo altamente volátil de inovação. Portanto, não use este modelo de maturidade para desenvolver um roteiro pré-definido de vários anos. Em vez disso, permita que sua estratégia de IA seja adaptável a mudanças e novas oportunidades, com amplo espaço para experimentação. Por exemplo, recalibre sua estratégia periodicamente, usando este modelo de maturidade como uma estrutura comum para partes interessadas e artefatos. É importante não apenas compreender os estágios de maturidade, mas também como chegar ao próximo nível a partir de onde você está agora.

Tabela de Níveis de Maturidade

PlanejamentoAs conversas internas sobre IA são ad hoc e especulativas. Apenas uma pequena minoria experimentou ou pilotou projetos. Nesta fase, são feitas as primeiras consultas, com tópicos como “O que é inteligência artificial?” e “Como a IA pode beneficiar minha linha de negócios?” Para evoluir para o próximo estágio, identifique de três a seis casos de uso.
ExperimentaçãoOs planos iniciais do projeto de prova de conceito (POC) são elaborados e podem estar em fase piloto. Uma comunidade informal de prática pode ter se reunido várias vezes para compartilhamento de conhecimento e esforços iniciais de padronização. Procure provar o valor da IA ​​(não a tecnologia) para evoluir para o próximo estágio.
EstabilizaçãoOs primeiros projetos de IA estão em produção. Existe um patrocinador executivo. O orçamento para projetos de IA está disponível e protegido pela gerência executiva. Um COE foi instanciado, tornando especialistas em IA, melhores práticas e tecnologia disponíveis para projetos. O dimensionamento de pilotos de IA em produção é o foco principal. Para evoluir para o próximo estágio, desenvolva um processo de ponta a ponta para desenvolvimento e implantação de IA e estabilize sua plataforma para maior expansão e governança de IA.
ExpansãoTodos os novos projetos digitais, incluindo revisões de processo para otimização, consideram a possibilidade de emprego de IA como forma de agregar valor.Novos produtos e serviços incorporaram IA. A responsabilidade em torno de cada projeto existe. As unidades de negócios confiam nas técnicas de IA e estão prontas para usá-las. Os profissionais de DevOps / MLOps de TI são os principais responsáveis ​​pela manutenção e atualização das soluções de IA. Para evoluir para o próximo estágio, expanda as fontes de dados e tenha sucesso com casos de uso de alto risco / alto retorno.
TransformaçãoA IA é rotineira e esperada como um elemento da execução de todos os processos de negócios.Todos os trabalhadores no processo e no design do aplicativo são treinados e entendem os pontos fortes e fracos da IA. Os aplicativos baseados em IA interagem de forma produtiva dentro da organização e em todo o ecossistema de negócios.  

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.

É apropriado o uso de indicadores, em cada nível de maturidade, para: visão e estratégica da IA, uso da IA, tecnologias empregadas, organização e governança, assim como para orçamento e medições.

Estes indicadores serão apresentados no próximo post deste blog.

Se gostou do artigo, por favor, compartilhe.

Sobre mim: aqui, Contato: aqui.

Abraço, @neigrando

Referência

Este artigo foi traduzido, reduzido e adaptado do original, em inglês: “Artificial Intelligence Maturity Model”, por Gartner (2020).

Artigos relacionados

por

Como gêmeos digitais possibilitam cidades inteligentes

Recentemente postei um artigo aqui sobre as Áreas de Aplicação das Tecnologias Smart City, agora segue outro mais envolvente, pois trabalha um novo conceito: Digital Twin City.

As cidades são ecossistemas complexos que estão evoluindo rapidamente e – como os cidadãos – se tornando cada vez mais digitais. Em 2025, o número total de usuários globais da Internet deve chegar a 6,2 bilhões; espera-se que o número total de dispositivos conectados ultrapasse 100 bilhões no mesmo ano. Esses dispositivos conectados gerarão 180 ZB de dados por ano – um aumento de cinco vezes a partir de hoje. As equipes de gerenciamento da cidade estão sob enorme pressão para trabalhar com mais rapidez e eficiência, à medida que a infraestrutura digital das cidades evolui rapidamente. Também se espera que façam uso das redes de dispositivos e dos dados gerados para atender às necessidades dos nativos digitais.

Construindo Cidades Inteligentes

A criação de Smart Cities tem sido uma importante área de foco dos governos nos últimos anos. No entanto, o conceito de Cidade Inteligente deve evoluir junto com as mudanças que afetam os ecossistemas da cidade. As cidades normalmente têm três características principais que as tornam inteligentes ou inteligentes:

• Conscientização: as cidades inteligentes têm consciência em tempo real de condições que mudam rapidamente, como ambiente (clima, níveis de poluição), tráfego (congestionamento, acidentes) e status de segurança pública (emergências, incidentes de crime). Condições muito mais lentas ou que mudam periodicamente, como mudanças populacionais ou demográficas e níveis de atividade econômica (comércio, vendas no varejo, turismo, viagens e manufatura) também influenciam as operações e o desenvolvimento das Smart Cities.

• Resposta: Grandes níveis de consciência, juntamente com tempos de resposta rápidos, tornam uma cidade realmente inteligente. Nas operações da cidade, respostas eficientes podem prevenir o agravamento de situações perigosas, evitar desastres e salvar vidas.

• Previsão: a capacidade de prever e responder proativamente aos eventos é parte integrante das Smart Cities. Tal habilidade era considerada o reino da ficção científica apenas duas décadas atrás, mas com a quantidade de dados capturados e suportados por algoritmos de Inteligência Artificial (IA) hoje, estamos mais perto de isso se tornar realidade.

Com o tempo, as equipes de operações da cidade tentaram desenvolver essas características capitalizando vários avanços tecnológicos. Por exemplo, câmeras de circuito fechado de televisão, sensores em sistemas de aquecimento, ventilação e ar-condicionado e sistemas de gerenciamento de edifícios foram usados ​​para aumentar significativamente a conscientização da cidade. No entanto, a natureza isolada desses sistemas eletrônicos tem consciência limitada e as respostas permanecem manuais. Suas limitações retardaram a mudança das operações da cidade de reativas para proativas (elas acabarão se tornando preditivas). Em suma, a falta de integração entre esses elementos individuais de tecnologia nos ecossistemas das cidades tem impedido a transformação das cidades em entidades verdadeiramente inteligentes, embora os diferentes elementos tenham evoluído por conta própria.

Revolução cognitiva: As Cidades Gêmeos Digitais (Digital Twins)

Os cientistas acreditam que a humanidade se tornou a espécie dominante na Terra por causa de um período de rápido desenvolvimento do cérebro no processo evolutivo. As cidades estão passando por um período semelhante de “revolução cognitiva” – um período de rápido desenvolvimento do “cérebro da cidade”. Embora essa revolução tenha sido desencadeada pelo rápido desenvolvimento de sistemas sensoriais – a rede de coisas conectadas – ela é alimentada por dados.

O maior desafio que as equipes de gerenciamento da cidade enfrenta nas operações municipais baseadas em dados é derivar valor do aumento do volume, velocidade e variedade de dados – também conhecido como big data. Para enfrentar esse desafio, as equipes de operações da cidade estão criando modelos de dados que podem visualizar as operações complexas das funções da cidade em tempo real. Esses modelos são conhecidos como “gêmeos digitais”. O Dr. Michael Grieves, um dos pioneiros do conceito, define gêmeos digitais como tendo três partes: produtos físicos no espaço real, produtos virtuais no espaço virtual e dados conectados que unem o físico e o virtual.

Esses modelos de dados são projetos digitais ao vivo de ativos físicos, processos e ecossistemas inteiros, como cidades. O que diferencia os gêmeos digitais das visualizações tradicionais é seu dinamismo e recursos em tempo real. De fato, a empresa de pesquisa de mercado global IDC prevê que até 2023, 25% das plataformas gêmeas digitais de Cidades Inteligentes serão usadas para automatizar processos para ecossistemas de ativos e produtos cada vez mais complexos e interconectados.

Como os gêmeos digitais beneficiam as cidades

Os gêmeos digitais podem envolver todos os níveis de gerenciamento da cidade, incluindo gerenciamento executivo, várias equipes operacionais (como transporte público, polícia, bombeiros, serviços de emergência e serviços públicos), planejadores da cidade, equipe de marketing e branding e terceiros. Existem benefícios que cada função pode derivar de um gêmeo digital:

• Gestão Executiva (CXOs): Os gêmeos digitais melhoram a tomada de decisão de nível executivo, fornecendo uma visão holística e flexível de ativos, instalações e processos. Os gêmeos digitais permitem que os tomadores de decisão monitorem de perto os indicadores-chave de desempenho de alto nível.

• Operações na cidade: gêmeos digitais permitem uma abordagem de “controle de missão” para as operações na cidade. Uma visão em tempo real dos ativos (por exemplo, um semáforo) e cadeias de valor inteiras (por exemplo, uma estrada arterial) oferece às equipes operacionais a capacidade de prever problemas e mitigar riscos.

• Planejadores de cidades: o planejamento urbano é um aspecto importante, mas desafiador, da construção de uma cidade. Os planejadores da cidade geralmente têm dificuldade em prever os resultados possíveis de novos desenvolvimentos ou atualizações. Os gêmeos digitais oferecem oportunidades significativas na geração e desenvolvimento de ideias, colaboração em estágio inicial e opções, simulações e testes rápidos.

• Pessoal de marketing e vendas: a grande quantidade de dados disponíveis por meio de gêmeos digitais permite que as equipes de gestão da cidade realizem análises de causa raiz (por exemplo, análise de acidentes frequentes em um sinal de trânsito) e formule campanhas de marketing direcionadas para mudar o comportamento dos cidadãos. Uma visão em tempo real dos movimentos e passos dos cidadãos oferece oportunidades significativas de geração de receita para as cidades em termos de publicidade e vendas de imóveis.

• Parceiros: os gêmeos digitais facilitam a colaboração e a comunicação com os parceiros. Os gêmeos digitais também aceleram o desenvolvimento de produtos e serviços, melhorando o compartilhamento de dados (entre agências de transporte público e fornecedores de caronas, por exemplo).

Figura: Digital Twin City: Benefícios e capacitadores de tecnologia

Os gêmeos digitais melhoram drasticamente as operações da cidade, levando a benefícios significativos para os cidadãos. A visibilidade em tempo real da cidade permite uma melhor resposta a emergências, fluxo de tráfego suave e cria uma cidade com eficiência energética. Um gêmeo digital também atua como uma plataforma para uma nova era de aplicativos urbanos digitais que ajudam a tornar a vida melhor para os cidadãos.

Tecnologias que permitem Digital Twin Cities

Os gêmeos digitais são construídos e operados por meio de várias tecnologias complementares que coletam, calculam e visualizam dados. Um conjunto de sistemas fundamentais (como sistemas de aplicativos corporativos), que já estão em vigor na maioria das organizações hoje, fornece suporte de dados e processos de negócios para gêmeos digitais. No entanto, é um grupo de novas tecnologias que geralmente são implantadas como parte dos esforços de transformação digital organizacional que permite que os gêmeos digitais alcancem seu verdadeiro potencial e se tornem modelos de dados vivos que abrangem ecossistemas.

• Borda da Internet das Coisas (IoT): os sensores e as plataformas de IoT coletam e orquestram continuamente os dados necessários para que as organizações derivem valor de ativos físicos. Esse feed de dados em tempo real é o que garante que um gêmeo digital mantenha uma cópia real ao vivo de um ativo, processo ou ecossistema. Quando gêmeos digitais são usados ​​para otimizar as operações, a velocidade e a precisão tornam-se primordiais. O processamento distribuído na borda da nuvem torna-se crítico em tais cenários.

• 5G: Um fluxo de dados contínuo em tempo real entre as versões física e virtual é crítico para gêmeos digitais. Com suas velocidades ultrarrápidas, baixas latências e capacidade para suportar altas densidades de dispositivos, o 5G se torna um acelerador digital gêmeo essencial.

• Inteligência Artificial e Big Data Analytics: AI, combinada com ferramentas analíticas, apóia a tomada de decisão dos operadores da cidade e permite a automação de tarefas operacionais. Por exemplo, um sensor de áudio que faz parte da infraestrutura da cidade pode alertar o pessoal do centro de operações sobre um acidente e fornecer uma lista de possíveis respostas. Este tipo de sensor também pode acionar automaticamente a vigilância por drones da área afetada.

• Ferramentas de visualização: centros de operações em tempo real com vídeo walls e ferramentas de visualização 3D, como Building Information Modeling (BIM), são componentes essenciais dos gêmeos digitais. A realidade aumentada e as tecnologias de realidade virtual podem levar essas ferramentas para o próximo nível, aumentando a eficácia e a precisão dos gêmeos digitais. Essas tecnologias também têm implicações importantes em operações, treinamento, projeto e simulação.

• Plataforma Digital: Uma plataforma digital realiza a integração de todas essas tecnologias, conectando aplicativos e dados para eliminar silos. A plataforma também conecta várias empresas e parceiros do ecossistema para explorar totalmente o valor do ecossistema e exceder as capacidades dos sistemas autônomos.

Exemplos de gêmeos digitais

A Virtual Singapore, desenvolvida de forma colaborativa por várias entidades governamentais da cidade-estado, é um bom exemplo de uma cidade gêmea digital. Um modelo de cidade 3D dinâmico e uma plataforma de dados colaborativa mostram aspectos como mapas de área e seus vários componentes – incluindo vegetação, corpos d’água e infraestrutura de transporte, bem como edifícios e ativos – em detalhes. Isso é complementado com diferentes fontes de dados e informações estáticas, dinâmicas e em tempo real da cidade, como dados demográficos, movimentos e clima. Esses dados são usados ​​por vários departamentos governamentais de inúmeras maneiras, simulando um incidente em um estádio para formular um plano de evacuação, por exemplo, ou analisando os padrões de tráfego e de movimento de pedestres para planejar a construção de uma nova ponte de pedestres e monitoramento em tempo real de novos projetos de construção. Esta plataforma dupla digital agora está sendo estendida a parceiros e outros jogadores terceirizados, que podem usá-la para criar aplicativos da cidade que melhoram a vida dos cidadãos.

Outro exemplo é Yingtan, uma cidade chinesa pioneira na construção de cidades gêmeas digitais. Como parte de sua visão ‘baseado em IoT, Intelligent Yingtan’, o governo da cidade construiu serviços unificados com base em um modelo ‘One Center, Four Platforms’. As 43 categorias de aplicações de IoT da cidade – cobrindo áreas como água, transporte, postes e estacionamento – são consolidadas em um ‘cérebro’ de IoT, permitindo que a cidade construa um gêmeo digital, o que acabará por melhorar a vida de seus cidadãos.

Enquanto isso, o Reino Unido está levando o conceito para o próximo nível, construindo um gêmeo digital nacional, que será um ecossistema de gêmeos digitais conectados. Como um passo inicial, o país criou uma definição comum e uma abordagem para o gerenciamento de informações, para permitir o compartilhamento aberto e seguro de dados entre futuros gêmeos digitais. O Reino Unido também criou o Digital Twin Hub (DT Hub), uma comunidade habilitada para web para os primeiros usuários de gêmeos digitais aprenderem por meio do compartilhamento e progredirem por meio da aplicação prática.

O futuro dos gêmeos digitais

As operações da cidade baseadas em dados tornaram-se complicadas devido ao volume e variedade de novas fontes de dados (como vídeo e áudio digital, dados do sensor IoT, mídia social e biometria). Também há uma pressão considerável para reduzir o tempo gasto para analisar informações, acelerar o processo de resposta e usar novas ferramentas – como a computação cognitiva – para descobrir padrões que de outra forma seriam invisíveis. Os gêmeos digitais, habilitados por uma plataforma digital, têm enormes benefícios potenciais a esse respeito. A maioria das iniciativas de gêmeos digitais de cidades inteligentes dentro do reino está atualmente focada em transporte e serviços públicos ou restrita a ativos ou edifícios. Embora essa abordagem seja um bom começo, as equipes de gestão da cidade devem unir ativos a processos e, eventualmente, conectar ecossistemas inteiros, para realizar o verdadeiro potencial dessas iniciativas.

Se gostou, por favor, compartilhe. Abraço, @neigrando

Sobre mim: aqui, Contato: aqui.

Referência

Este artigo foi traduzido e adaptado do original, em inglês: How Digital Twins Enable Intelligent Cities, por Safder Nazir (Senior Vice President da Huawey- Digital Industries), 2020.

Artigos relacionados