transformação digital

por

Composição em Negócios Digitais

Arquitetura de negócios alinhada a agilidade de negócios somada aos blocos de construção que podem ser disponibilizados pela tecnologia da informação pode fazer toda a diferença nos dias atuais. Contando que a TI utilize em seu desenvolvimento e operações (devops) design orientado por domínio e arquitetura limpa em microservices. Recentemente recebi um material do Gartner que enfatiza tal arquitetura em negócios digitais com uma visão de composição de blocos de construção a qual procurei traduzir com uma leve adaptação, como segue.

Incorporar a capacidade de composição em negócios digitais permite que a empresa ou agência pública mude e cresça apesar da incerteza persistente. Em vez de evitar o risco de mudança, os líderes executivos devem reinventar seu pensamento para ver a mudança como uma ferramenta confiável para a resiliência e o crescimento dos negócios.

Oportunidades e Desafios

  • Em tempos de turbulência, todos os negócios estão em uma encruzilhada: Impulsione a mudança ou imponha a mudança a você. A diferença nos resultados pode ser grande.
  • A disrupção desafia as convenções de negócios. Líderes visionários usam isso como uma oportunidade para reinventar seu pensamento de negócios e crescer através da turbulência.
  • Reinventar o pensamento empresarial é o início de uma nova liderança; ela forma a base cultural estratégica para muitas decisões futuras.
  • O risco de mudança é amplificado por projetos e práticas de negócios arraigados.

Dominar a mudança aumenta as opções de liderança e reduz as barreiras para alcançar valor inexplorado desencadeado pela disrupção.

O que você precisa saber

  • Apenas reforçar a estabilidade em um mundo turbulento é uma estratégia perdedora.
  • O pensamento de composição reconhece a oportunidade onde os outros veem apenas o risco de mudança. Os líderes executivos usam os princípios fundamentais da composição para acelerar seus negócios e prosperar em um ambiente novo e mais turbulento.
  • Os designs de negócios compostos preparam os líderes para tomar decisões que seriam muito arriscadas sem a arquitetura da composição.
  • Composable thinking e composable architecture só podem ter sucesso juntos. Um investimento em arquitetura sem clareza da missão não entregará a experiência transformadora do negócio digital composto.

Premissas de Planejamento Estratégico

Até 2024, 20% dos CEOs do Global 2000 relatarão um maior apetite por risco e maior resiliência, ambos atribuídos ao redesenho modular dos negócios.

Até 2024, o mantra para o novo SaaS será “composable API-first e API-only”, relegando os fornecedores tradicionais de SaaS como “legado”.

Insights dos Especialistas

Composable Thinking supera a incerteza nos negócios

Preparar-se para a mudança é um seguro para a viabilidade futura do negócio. E, como acontece com todos os seguros, os custos podem parecer muito altos… até que seja necessário, quando provar ter sido uma pechincha.

A capacidade de composição torna a mudança mais fácil, rápida, segura e, portanto, menos dispendiosa. É um modelo que vale o investimento para aqueles que esperam que a demanda por mudanças continue aumentando.

Estar preparado para a mudança é um imperativo estratégico em tempos turbulentos. A preparação para a mudança permite um comportamento proativo e reativo. As organizações se beneficiarão de dominar a mudança na medida em que lhes permita iniciá-la em busca de uma oportunidade, não apenas ficar parado até que eventos externos imponham a necessidade de mudança.

Para se ajustar e florescer diante da incerteza e da oportunidade, os líderes devem começar a reinventar seu pensamento de negócios. A composição começa com uma mudança de mentalidade da mudança é uma ameaça à mudança é uma ferramenta poderosa e familiar. O valor inexplorado vem de abraçar e dominar a mudança.

“O maior perigo em tempos de turbulência não é a turbulência; é agir com a lógica de ontem.” – Peter Drucker

Composable thinking, composable business architecture e composable technology são os três pilares do composable digital business. Os líderes nas indústrias onde a mudança é mais urgente, como comércio, manufatura e saúde, estão praticando hoje.

Em vez de apenas acompanhar o ritmo, os líderes definem o ritmo. As organizações líderes marcarão a década de 2020 como a era em que reinventaram seu pensamento de negócios para abraçar as mudanças e acelerar sua transição para os negócios digitais, aplicando os princípios fundamentais da composição.

Visão Geral

Definição: Um negócio digital composto aplica os princípios fundamentais de composição (modularidade, autonomia, orquestração e descoberta) aos fundamentos de sua arquitetura de negócios (o modelo de negócios, operações e estratégia da empresa) para dominar o risco de mudança e alcançar valor comercial inexplorado.

A Figura 1 apresenta os princípios básicos de design para composição. Use-os para enquadrar a estratégia de modularização e regras de composição para seu contexto específico, como:

  • Cadeias de suprimentos recompostas dinamicamente usando o cadastro de fornecedores pré-aprovados.
  • Equipes de projetos ad hoc compostas de forma personalizada por um grupo de indivíduos com diversas habilidades e experiências.
  • Aplicativos personalizados compostos por componentes de software provenientes de mercados de API de negócios.

As primeiras áreas a modernizar para a composição são as áreas da arquitetura de negócios e tecnologia da organização onde a preparação para a mudança é mais urgente. Uma abordagem de cima para baixo ou de baixo para cima pode funcionar, dependendo da cultura de liderança da organização:

  • De cima para baixo – começa com o pensamento composto no nível de liderança executiva da organização. O pensamento composto promove o uso criativo dos princípios de design em toda a organização. Diferentes segmentos subordinados da organização aplicam o pensamento composto em seus próprios contextos e repetem a abordagem de cima para baixo em seu próprio domínio.
  • De baixo para cima – começa com a aplicação dos princípios de design de composição à tecnologia dentro da organização e, em seguida, promovendo os princípios do pensamento composto em toda a organização para acelerar os efeitos comerciais dos investimentos iniciais em tecnologia. À medida que os líderes de tecnologia incentivam seus colegas de negócios a pensarem em composição, eles começam a aplicar seus princípios à arquitetura de negócios e às estratégias de liderança executiva.

Em ambos os casos, o investimento inicial em inovação pode ser pequeno e a modernização da arquitetura de negócios e da base tecnológica pode ser gradual. Mesmo um investimento limitado, quando combinado com o pensamento composto, proporcionará uma melhoria notável na resiliência, adaptabilidade e prontidão para mudar. As primeiras histórias de sucesso ajudarão a desencadear a transformação e levar a organização a reinventar seu pensamento de negócios. Essas histórias incentivam as organizações a dominar o risco da mudança e a buscar a mudança como motor do crescimento dos negócios.

Destaques da Pesquisa

Comece com o pensamento composto

A jornada para negócios combináveis ​​começa com líderes e tomadores de decisão adotando uma nova maneira de pensar – a semente da mudança cultural que se manifesta em um novo caráter de estratégias de negócios emergentes (veja a Figura 2):

  • Tudo é visto como modular e mutável; a mudança é vista como uma ferramenta essencial, não mais como uma ameaça ou um fardo.
  • “Não conserte o que não está quebrado” está fora. Tudo o que não é mutável é uma “dívida” comercial ou técnica, uma barreira à vitalidade da organização que enfrenta turbulência e incerteza.
  • Tudo é projetado para mudar, e a mudança é frequentemente considerada para alcançar resultados grandes e pequenos, visando tanto o crescimento quanto a resiliência.
  • Mais mudanças são introduzidas, impulsionadas e antecipadas pelo negócio; menos lhe é imposto.
  • A nova maneira de pensar, aplicada a pessoas, sistemas, processos e arquitetura de negócios de maneira semelhante, forma uma nova cultura generalizada e fomenta novos comportamentos.
  • Um novo equilíbrio entre estabilidade (comportamento repetível) e agilidade (comportamento alterado) surge por meio da composição, à medida que a liderança empresarial ganha o controle do risco de ambos.

Tudo é planejado com uma arquitetura modular; autonomia, orquestração e descoberta dos módulos são os princípios de design e as proteções para a qualidade dos resultados. Ao particionar a arquitetura de negócios em componentes modulares que podem ser alterados um de cada vez e de forma autônoma, a capacidade de composição prepara a organização para uma mudança mais rápida, eficiente e segura.

Há duas razões pelas quais os líderes de negócios normalmente recorrem à composição:

  • Defesa: Alguns podem ter perdido uma oportunidade de negócios porque não conseguiram fazer a mudança necessária. Ou eles não conseguiram se ajustar a tempo a um evento comercial ou de segurança cibernética que interrompeu seus negócios. Eles podem ter tido essas experiências, ou podem estar antecipando-as. Aprender a mudar com mais rapidez e segurança é uma boa defesa contra a disrupção, e a capacidade de composição é o meio para esse fim.
  • Ataque: os outros não esperam oportunidades; procuram criá-las. Eles visam o potencial inexplorado que emerge quando dominam maiores graus de risco. O risco de mudança não pode ser eliminado, mas a modularidade pode ser uma ferramenta para mitigar o aumento dos riscos de mudança estratégica.

À medida que a organização exerce com sucesso o pensamento composto, a prevalência precoce da motivação defensiva dá lugar à mentalidade de crescimento e ao objetivo de resultados mais competitivos e superiores.

Aplique a composição para acelerar o seu negócio digital

Aplicar a composição para acelerar seu negócio digital permite que os líderes executivos planejem mudanças de negócios mais significativas com mais frequência e acompanhem melhor as necessidades em constante mudança de clientes ou constituintes.

Até mesmo os processos de negócios digitalizados são desafiados a acompanhar o ritmo do novo pensamento de negócios. Em um negócio digital, os mundos físico e digital são fundidos. Não mais independentes, eles sobem e descem juntos. Para enfrentar esse desafio existencial, organizações de todos os setores estão se voltando para os princípios básicos de design de composição e aplicando-os ao seu modelo de negócios, operações de negócios empresariais e suas estratégias (veja a Figura 3).

Um negócio composto transforma estratégias, processos, estruturas organizacionais e as formas como as pessoas trabalham de fixas e planejadas para o longo prazo, para flexíveis e continuamente revisadas. As políticas não são mais imóveis; elas são ativamente atualizadas, substituídas ou retiradas. A segurança e a integridade das operações se tornam mais hábeis à medida que os recursos de negócios endereçáveis (e protegíveis) são mais refinados para suportar os princípios de modularidade combináveis.

Hoje, os setores onde a mudança é mais urgente, como saúde, varejo e finanças, são os que mais investem em pensamento composto aplicado a seus aplicativos, soluções e iniciativas.

Priorize a composição em sua arquitetura de aplicativos

Embora após 25 anos de arquitetura orientada a serviços, modularidade seja um conceito familiar para arquitetos de aplicativos, a transição para a modularidade no projeto de software composto ainda apresenta desafios. A principal causa das dificuldades é que a modularidade agora precisa atender a um novo público – os novos “compositores” multidisciplinares e democratizados que trabalham em equipes de fusão. Essa democratização da entrega e alavancagem da tecnologia requer uma nova organização, novos processos e um novo pensamento.

O foco nas equipes de fusão de TI e negócios muda a modularidade de aplicativos de APIs técnicas para recursos de negócios (e produtos de API). Essa mudança cria novas oportunidades para reutilização criativa. Uma capacidade de negócios autônoma claramente definida, com um valor comercial claro, tem muito mais probabilidade de ser reutilizada para novos projetos de negócios do que as APIs técnicas de microservices.

Nem os profissionais de negócios nem os profissionais de TI podem acompanhar sozinhos o ritmo acelerado das mudanças nos negócios. Muitas organizações formam equipes de fusão para reunir seus conhecimentos de negócios e tecnologia para recursos, produtos e decisões de negócios habilitados para tecnologia mais rápidos e melhores.

A arquitetura de composição ajuda as organizações a distribuir responsabilidades de uma forma que traz negócios e tecnologia em um continuum orgânico (veja a Figura 4).

  • Os criadores implementam a modularidade composta encapsulando os recursos de negócios em blocos de construção de software empacotados e, em seguida, registrando-os no catálogo/mercado central. Geralmente, são provedores de aplicativos ou TI interna que usam ferramentas profissionais de engenharia de software e/ou ferramentas avançadas de baixo código.
  • Os curadores gerenciam o catálogo/mercado através da implementação de políticas e padrões para garantir um nível seguro de qualidade e integridade para o processo de composição.
  • Os compositores criam os aplicativos que podem ser compostos usando os blocos de construção registrados, desenvolvendo e integrando novos processos e interfaces de usuário para fornecer experiências de aplicativos aos usuários finais. Geralmente, são equipes de fusão usando ferramentas e técnicas democratizadas de criação de aplicativos.
  • Os consumidores usam os aplicativos compostos para perseguir seus objetivos de negócios, fazer alguns ajustes limitados e trabalhar com os Compositores para manter suas experiências digitais sempre atualizadas.

Os papéis do Criador, Curador, Compositor e Consumidor não são necessariamente mapeados para uma estrutura organizacional: alguns indivíduos podem desempenhar vários papéis e cumprir várias responsabilidades. Por exemplo, Consumidores também podem ser Compositores e Compositores também podem ser Criadores. No entanto, as responsabilidades de cada função permanecem distintas.

A arquitetura de tecnologia composta é uma base para a capacitação digital dos negócios.

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

Se gostou, por favor, compartilhe.

Um abraço, @neigrando

Referência

Traduzido e adaptado de “Becoming Composable: A Gartner Trend Insight”, by Yefim Natis,Janelle Hill, Partha Iyengar, Gene Alvarez, Jennifer Loveland, Chris Howard.

Artigos relacionados

por

A adoção da Inteligência Artificial pelas Empresas

Recentemente, buscando informações atualizadas sobre o a utilização da Inteligência Artificial (IA) pelas organizações como pesquisa adicional de um trabalho do Núcleo Decide (FEA-USP e CNPq) sobre o Uso da IA na Tomada de Decisões Organizacionais, e para a disciplina Fundamentos de IA que estarei ministrando em MBA da ESPM, me deparei com diversos artigos e relatórios sobre o tema, mas em especial este me chamou a atenção e desejei compartilhar neste blog, mantendo a referência ao relatório original.

Em dezembro de 2021 e janeiro de 2022, a O’Reilly pediu aos destinatários de seus boletins informativos de dados e IA que participassem de uma pesquisa anual sobre adoção de IA. Estavam particularmente interessados ​​no que mudou desde o ano passado.

  • As empresas estão adiantadas na adoção da IA?
  • Elas têm aplicativos de trabalho em produção?
  • Elas estão usando ferramentas como o AutoML para gerar modelos e outras ferramentas para otimizar a implantação de IA?

Também queriam ter uma ideia de para onde a IA está indo. O hype claramente mudou para blockchains e NFTs. A IA está nas notícias com bastante frequência, mas o ritmo constante de novos avanços e técnicas ficou muito mais silencioso.

Em comparação com o ano passado, um número significativamente menor de pessoas respondeu. Isso é provavelmente um resultado do tempo. A pesquisa deste ano foi realizada durante a temporada de festas (8 de dezembro de 2021 a 19 de janeiro de 2022, embora tenham recebido muito poucas respostas no ano novo); o ano passado foi de 27 de janeiro de 2021 a 12 de fevereiro de 2021. Pandemia ou não, os horários de feriados sem dúvida limitaram o número de entrevistados.

Os resultados foram uma surpresa maior, no entanto. Apesar do número menor de entrevistados, os resultados foram surpreendentemente semelhantes a 2021. Além disso, se você voltar mais um ano, os resultados de 2021 foram surpreendentemente semelhantes a 2020. Isso mudou pouco na aplicação da IA ​​aos problemas corporativos? Talvez. Consideramos a possibilidade de que os mesmos indivíduos respondessem em 2021 e 2022. Isso não seria surpreendente, já que ambas as pesquisas foram divulgadas por meio de listas de e-mail – e algumas pessoas gostam de responder a pesquisas. Mas não foi esse o caso.

Quando nada muda, há espaço para preocupação: certamente não estamos em um espaço “para cima e para a direita”. Mas isso é apenas um artefato do ciclo do hype? Afinal, independentemente do valor ou importância de qualquer tecnologia a longo prazo, ela só pode receber atenção exagerada da mídia por um tempo limitado. Ou há problemas mais profundos que corroem os fundamentos da adoção da IA?

Adoção de IA em geral

Perguntaram aos participantes sobre o nível de adoção de IA em sua organização. Estruturam as respostas a essa pergunta de maneira diferente dos anos anteriores, nos quais ofereceram quatro respostas: não usar IA, considerar IA, avaliar IA e ter projetos de IA em produção (que chamaram de “maduras”). Este ano foi combinado “avaliar IA” e “considerar IA”; achávaram que a diferença entre “avaliar” e “considerar” era, na melhor das hipóteses, mal definida e, se não sabiam o que isso significava, os entrevistados também não saberiam. Mantiveram a pergunta sobre projetos em produção e usaram as palavras “em produção” em vez de “prática madura” para falar sobre os resultados deste ano.

Apesar da mudança na pergunta, as respostas foram surpreendentemente semelhantes às do ano passado. A mesma porcentagem de entrevistados disse que suas organizações tinham projetos de IA em produção (26%). Significativamente mais disseram que não estavam usando IA: isso passou de 13% em 2021 para 31% na pesquisa deste ano. Não está claro o que essa mudança significa. É possível que seja apenas uma reação à mudança nas respostas; talvez os entrevistados que estavam “considerando” a IA pensassem que “considerar realmente significa que não a estamos usando”. Também é possível que a IA esteja se tornando parte do kit de ferramentas, algo que os desenvolvedores usam sem pensar duas vezes. Os profissionais de marketing usam o termo IA; desenvolvedores de software tendem a dizer aprendizado de máquina. Para o cliente, o importante não é como o produto funciona, mas o que ele faz. Já existe muita IA incorporada em produtos nos quais nunca pensamos.

Desse ponto de vista, muitas empresas com IA em produção não possuem um único especialista ou desenvolvedor de IA. Qualquer pessoa que use o Google, Facebook ou Amazon (e, presumo, a maioria de seus concorrentes) para publicidade está usando IA. Como serviço inclui-se a IA empacotada de maneiras que podem não se parecer com redes neurais ou aprendizado profundo. Se você instalar um produto de atendimento ao cliente inteligente que usa GPT-3, nunca verá um hiperparâmetro para ajustar, mas implantou um aplicativo de IA. Não esperamos que os entrevistados digam que têm “aplicativos de IA implantados” se sua empresa tiver uma relação de publicidade com o Google, mas a IA está lá e é real, mesmo que seja invisível.

Esses aplicativos invisíveis são o motivo da mudança? A IA está desaparecendo nas paredes, como nosso encanamento (e, aliás, nossas redes de computadores)? Teremos motivos para pensar nisso ao longo deste artigo.

Independentemente disso, pelo menos em alguns setores, as atitudes parecem estar se solidificando contra a IA, e isso pode ser um sinal de que estamos nos aproximando de outro “inverno da IA”. Acredita-se que não, dado que o número de entrevistados que relataram IA em produção é constante e ligeiramente superior. No entanto, é um sinal de que a IA passou para o próximo estágio do ciclo de hype. Quando as expectativas sobre o que a IA pode oferecer estão no auge, todos dizem que estão fazendo isso, estejam ou não realmente. E uma vez que você chega ao vale, ninguém diz que está usando, mesmo que agora esteja.

Adoção e Maturidade da IA

A borda de fuga do ciclo de hype tem consequências importantes para a prática da IA. Quando era notícia todos os dias, a IA não precisava provar seu valor; foi o suficiente para ser interessante. Mas uma vez que o hype acabou, a IA precisa mostrar seu valor na produção, em aplicativos reais: é hora de provar que pode fornecer valor comercial real, seja economia de custos, aumento de produtividade ou mais clientes. Isso sem dúvida exigirá melhores ferramentas para colaboração entre sistemas de IA e consumidores, melhores métodos para treinar modelos de IA e melhor governança para dados e sistemas de IA.

Adoção pelos setores econômicos

A distribuição dos entrevistados por setor foi quase a mesma do ano passado.
As maiores porcentagens de entrevistados eram dos setores de hardware de computador e serviços financeiros (ambos com cerca de 15%, embora o hardware de computador tenha uma ligeira vantagem), educação (11%) e saúde (9%). Muitos entrevistados relataram seu setor como “Outro”, que foi a terceira resposta mais comum. Infelizmente, essa categoria vaga não é muito útil, pois apresentava setores que iam da academia ao atacado, e incluíam algumas coisas exóticas, como drones e vigilância – intrigantes, mas difíceis de tirar conclusões com base em uma ou duas respostas. (Além disso, se você estiver trabalhando em vigilância, você realmente vai contar às pessoas?) Houve mais de 100 respostas únicas, muitas das quais se sobrepuseram aos setores da indústria que listamos.
Observa-se uma história mais interessante quando analisa-se a maturidade das práticas de IA nesses setores. Os setores de varejo e serviços financeiros tiveram as maiores porcentagens de entrevistados relatando aplicativos de IA em produção (37% e 35%, respectivamente). Esses setores também tiveram o menor número de entrevistados relatando que não estavam usando IA (26% e 22%). Isso faz muito sentido intuitivo: quase todos os varejistas estabeleceram uma presença online, e parte dessa presença está fazendo recomendações de produtos, um aplicativo clássico de IA. A maioria dos varejistas que usam serviços de publicidade online dependem muito da IA, mesmo que não considerem usar um serviço como o Google “IA em produção”. A IA certamente está lá e está gerando receita, estejam eles cientes disso ou não. Da mesma forma, as empresas de serviços financeiros foram as primeiras a adotar a IA: a leitura automatizada de cheques foi um dos primeiros aplicativos corporativos de IA, datando muito antes do atual aumento no interesse da IA.

Educação e governo foram os dois setores com o menor número de entrevistados relatando projetos de IA em produção (9% para ambos). Ambos os setores tiveram muitos entrevistados relatando que estavam avaliando o uso da IA ​​(46% e 50%). Esses dois setores também tiveram a maior porcentagem de entrevistados relatando que não estavam usando IA. Esses são setores em que o uso apropriado de IA pode ser muito importante, mas também são áreas em que muitos danos podem ser causados ​​por sistemas de IA inadequados. E, francamente, ambas as áreas são atormentadas pela infraestrutura de TI desatualizada. Portanto, não é de surpreender que vejamos muitas pessoas avaliando a IA, mas também não é de surpreender que relativamente poucos projetos tenham entrado em produção.

Adoção da IA pelos Setores

Como seria de esperar, os entrevistados de empresas com IA em produção relataram que uma parcela maior de seu orçamento de TI foi gasta em IA do que os entrevistados de empresas que estavam avaliando ou não usando IA. 32% dos entrevistados com IA em produção relataram que suas empresas gastaram mais de 21% de seu orçamento de TI em IA (18% relataram que 11% a 20% do orçamento de TI foi para IA; 20% relataram 6% a 10%). Apenas 12% dos entrevistados que avaliaram a IA relataram que suas empresas estavam gastando mais de 21% do orçamento de TI em projetos de IA. A maioria dos entrevistados que avaliaram a IA veio de organizações que estavam gastando menos de 5% de seu orçamento de TI em IA (31%); na maioria dos casos, “avaliar” significa um compromisso relativamente pequeno. (E lembre-se de que aproximadamente metade de todos os entrevistados estava no grupo de “avaliação”.)

A grande surpresa foi entre os entrevistados que relataram que suas empresas não estavam usando IA. Você esperaria que sua despesa de TI fosse zero e, de fato, mais da metade dos entrevistados (53%) selecionaram 0%–5%; supõe-se que isso significa 0. Outros 28% marcaram “Não aplicável”, também uma resposta razoável para uma empresa que não está investindo em IA. Mas um número mensurável teve outras respostas, incluindo 2% (10 entrevistados) que indicaram que suas organizações estavam gastando mais de 21% de seus orçamentos de TI em projetos de IA. 13% dos entrevistados que não usam IA indicaram que suas empresas estavam gastando de 6% a 10% em IA, e 4% desse grupo estimaram despesas de IA na faixa de 11% a 20%. Portanto, mesmo quando nossos entrevistados relatam que suas organizações não estão usando IA, descobrimos que eles estão fazendo algo: experimentando, considerando ou “chutando os pneus”. Essas organizações avançarão para a adoção nos próximos anos? Isso é uma incógnita, mas a IA pode estar penetrando em organizações que estão na retaguarda da curva de adoção (a chamada “maioria tardia”).

Orçamento de TI alocado para IA

Gargalos

Questionaram os entrevistados quais eram os maiores gargalos para a adoção da IA. As respostas foram surpreendentemente semelhantes às do ano passado. Em conjunto, os entrevistados com IA em produção e os entrevistados que estavam avaliando a IA dizem que os maiores gargalos foram a falta de pessoas qualificadas e a falta de dados ou problemas de qualidade de dados (ambos em 20%), seguidos por encontrar casos de uso apropriados (16%).

Observar as práticas “em produção” e “avaliando” separadamente fornece uma imagem mais sutil. Os entrevistados cujas organizações estavam avaliando a IA eram muito mais propensos a dizer que a cultura da empresa é um gargalo, um desafio que Andrew Ng abordou em uma edição recente de seu boletim informativo. Eles também eram mais propensos a ver problemas na identificação de casos de uso apropriados. Isso não é surpreendente: se você tem IA em produção, você superou pelo menos parcialmente os problemas com a cultura da empresa e encontrou pelo menos alguns casos de uso para os quais a IA é apropriada.

Os entrevistados com IA em produção eram significativamente mais propensos a apontar a falta de dados ou a qualidade dos dados como um problema. Suspeitamos que este seja o resultado de uma experiência duramente conquistada. Os dados sempre parecem muito melhores antes de você tentar trabalhar com eles. Quando você suja as mãos, vê onde estão os problemas. Encontrar esses problemas e aprender a lidar com eles é um passo importante para desenvolver uma prática de IA verdadeiramente madura. Esses entrevistados eram um pouco mais propensos a ver problemas com a infraestrutura técnica – e, novamente, entender o problema de construir a infraestrutura necessária para colocar a IA em produção vem com a experiência.

Os entrevistados que estão usando IA (os grupos “avaliando” e “em produção” – ou seja, todos que não se identificaram como “não usuários”) concordaram com a falta de pessoas qualificadas. A escassez de cientistas de dados treinados foi prevista há anos. Na pesquisa de adoção de IA do ano passado, notamos que finalmente vimos essa escassez acontecer e esperamos que ela se torne mais aguda. Este grupo de respondentes também estava de acordo sobre questões legais. Apenas 7% dos entrevistados em cada grupo listaram isso como o gargalo mais importante, mas está na mente dos entrevistados.

E ninguém está se preocupando muito com o ajuste de hiperparâmetros.

Gargalos de Adoção da IA

Analisando um pouco mais a dificuldade de contratar para IA, descobrimos que os entrevistados com IA em produção viram as lacunas de habilidades mais significativas nessas áreas: modelagem de ML e ciência de dados (45%), engenharia de dados (43%) e manutenção de um conjunto de casos de uso de negócios (40%). Podemos reformular essas habilidades como desenvolvimento principal de IA, construção de pipelines de dados e gerenciamento de produtos. O gerenciamento de produtos para IA, em particular, é uma especialização importante e ainda relativamente nova que requer a compreensão dos requisitos específicos dos sistemas de IA.

Governança de IA

Entre os entrevistados com produtos de IA em produção, o número daqueles cujas organizações tinham um plano de governança para supervisionar como os projetos são criados, medidos e observados foi aproximadamente o mesmo daqueles que não tinham (49% sim, 51% não) . Entre os entrevistados que estavam avaliando a IA, relativamente poucos (apenas 22%) tinham um plano de governança.

O grande número de organizações sem governança de IA é preocupante. Embora seja fácil supor que a governança de IA não seja necessária se você estiver apenas fazendo alguns experimentos e projetos de prova de conceito, isso é perigoso. Em algum momento, sua prova de conceito provavelmente se transformará em um produto real e, então, seus esforços de governança serão atualizados. É ainda mais perigoso quando você depende de aplicativos de IA em produção. Sem formalizar algum tipo de governança de IA, é menos provável que você saiba quando os modelos estão ficando obsoletos, quando os resultados são tendenciosos ou quando os dados foram coletados de forma inadequada.

Embora não foi perguntado sobre governança de IA na pesquisa do ano passado e, consequentemente, não possamos fazer comparações ano a ano, perguntamos aos entrevistados que tinham IA em produção quais riscos eles verificaram. Não vimos quase nenhuma mudança. Alguns riscos aumentaram um ou dois pontos percentuais e alguns diminuíram, mas a ordenação permaneceu a mesma. Os resultados inesperados continuaram sendo o maior risco (68%, abaixo dos 71%), seguidos de perto pela Interpretabilidade do modelo e degradação do modelo (ambos 61%). Vale a pena notar que resultados inesperados e degradação do modelo são problemas de negócios. Interpretabilidade, privacidade (54%), justiça (51%) e segurança (46%) são questões humanas que podem ter um impacto direto nos indivíduos. Embora possa haver aplicativos de IA em que privacidade e justiça não sejam problemas (por exemplo, um sistema incorporado que decide se os pratos da sua máquina de lavar louça estão limpos), as empresas com práticas de IA claramente precisam dar maior prioridade ao impacto humano da IA .

Também surpreende-se ao ver que a segurança permanece no final da lista (42%, inalterada em relação ao ano passado). A segurança está finalmente sendo levada a sério por muitas empresas, mas não pela IA. No entanto, a IA tem muitos riscos exclusivos: envenenamento de dados, entradas maliciosas que geram previsões falsas, modelos de engenharia reversa para expor informações privadas e muito mais. Após os muitos ataques caros do ano passado contra empresas e seus dados, não há desculpa para ser negligente em relação à segurança cibernética. Infelizmente, parece que as práticas de IA demoram a se recuperar.

Governança e consciência de risco certamente são questões que observaremos no futuro. Se as empresas que desenvolvem sistemas de IA não adotam algum tipo de governança, estão arriscando seus negócios. A IA estará controlando você, com resultados imprevisíveis – resultados que incluem cada vez mais danos à sua reputação e grandes julgamentos legais. O menor desses riscos é que a governança será imposta pela legislação, e aqueles que não praticam a governança de IA precisarão se atualizar.

Ferramentas

Quando analisamos as ferramentas utilizadas pelos entrevistados que trabalham em empresas com IA em produção, nossos resultados foram muito semelhantes aos do ano passado. TensorFlow e scikit-learn são os mais usados ​​(ambos 63%), seguidos por PyTorch, Keras e AWS SageMaker (50%, 40% e 26%, respectivamente). Todos eles estão dentro de alguns pontos percentuais dos números do ano passado, normalmente alguns pontos percentuais abaixo. Os entrevistados foram autorizados a selecionar várias entradas; este ano, o número médio de entradas por respondente pareceu ser menor, explicando a queda nas porcentagens (embora não saibamos por que os entrevistados verificaram menos entradas).

Parece haver alguma consolidação no mercado de ferramentas. Embora seja ótimo torcer pelos azarões, as ferramentas na parte inferior da lista também caíram um pouco: AllenNLP (2,4%), BigDL (1,3%) e Ray da RISELab (1,8%). Novamente, as mudanças são pequenas, mas cair um por cento quando você está apenas em 2% ou 3% para começar pode ser significativo – muito mais significativo do que a queda do scikit-learn de 65% para 63%. Ou talvez não; quando você tem apenas 3% dos entrevistados, pequenas flutuações aleatórias podem parecer grandes.

Ferramentas usadas pelos entrevistados com IA em produção

Automatizando ML

Foi dada uma atenção adicional nas ferramentas para gerar modelos automaticamente. Essas ferramentas são comumente chamadas de “AutoML” (embora esse também seja um nome de produto usado pelo Google e pela Microsoft). Eles existem há alguns anos; a empresa que desenvolve o DataRobot, uma das ferramentas mais antigas para automatizar o aprendizado de máquina, foi fundada em 2012. Embora construir modelos e programar não sejam a mesma coisa, essas ferramentas fazem parte do movimento “low code”. As ferramentas AutoML atendem a necessidades semelhantes: permitir que mais pessoas trabalhem efetivamente com IA e eliminar o trabalho penoso de fazer centenas (se não milhares) de experimentos para ajustar um modelo.

Até agora, o uso do AutoML era uma parte relativamente pequena do cenário. Esta é uma das poucas áreas em que vemos uma diferença significativa entre este ano e o ano passado. No ano passado, 51% dos entrevistados com IA em produção disseram que não estavam usando ferramentas AutoML. Este ano, apenas 33% responderam “Nenhuma das opções acima” (e não escreveram uma resposta alternativa).

Os entrevistados que estavam “avaliando” o uso de IA parecem estar menos inclinados a usar ferramentas AutoML (45% responderam “Nenhuma das opções acima”). No entanto, houve algumas exceções importantes. Os entrevistados que avaliaram o ML eram mais propensos a usar o Azure AutoML do que os entrevistados com ML em produção. Isso se encaixa em relatos anedóticos de que o Microsoft Azure é o serviço de nuvem mais popular para organizações que estão migrando para a nuvem. Também vale a pena notar que o uso do Google Cloud AutoML e do IBM AutoAI foi semelhante para os entrevistados que estavam avaliando IA e para aqueles que tinham IA em produção. Para os entrevistados, pequenas flutuações aleatórias podem parecer grandes.

Uso de ferramentas de AutoML

Implantação e monitoramento de IA

Também parece haver um aumento no uso de ferramentas automatizadas para implantação e monitoramento entre os entrevistados com IA em produção. “Nenhuma das opções acima” ainda foi a resposta escolhida pela maior porcentagem de entrevistados (35%), mas caiu em relação aos 46% de um ano atrás. As ferramentas que eles estavam usando eram semelhantes às do ano passado: MLflow (26%), Kubeflow (21%) e TensorFlow Extended (TFX, 15%). O uso de MLflow e Kubeflow aumentou desde 2021; O TFX caiu um pouco. Amazon SageMaker (22%) e TorchServe (6%) foram dois novos produtos com uso significativo; A SageMaker, em particular, está pronta para se tornar líder de mercado. Não vimos mudanças significativas ano a ano para Domino, Seldon ou Cortex, nenhum dos quais tinha uma participação de mercado significativa entre nossos entrevistados. (BentoML é novo em nossa lista.)

Ferramentas usadas para implantar e monitorar a IA

Viu-se resultados semelhantes quando foram analisadas ferramentas automatizadas para controle de versão de dados, ajuste de modelo e rastreamento de experimentos. Novamente, vimos uma redução significativa na porcentagem de entrevistados que selecionaram “Nenhuma das opções acima”, embora ainda fosse a resposta mais comum (40%, abaixo dos 51%). Um número significativo disse que estava usando ferramentas caseiras (24%, acima dos 21%). O MLflow foi a única ferramenta sobre a qual perguntamos que parecia estar conquistando os corações e mentes de nossos entrevistados, com 30% relatando que a usaram. Todo o resto estava abaixo de 10%. Um mercado saudável e competitivo? Talvez. Certamente há muito espaço para crescer, e não acreditamos que o problema de versionamento de dados e modelos tenha sido resolvido ainda.

IA em uma encruzilhada

Agora que analisamos todos os dados, onde está a IA no início de 2022 e onde estará daqui a um ano? Você poderia argumentar bem que a adoção da IA ​​parou. Não acredita-se que seja o caso. Nem os capitalistas de risco; um estudo da OCDE, Investimentos de Capital de Risco em Inteligência Artificial, diz que em 2020, 20% de todos os fundos de capital de risco foram para empresas de IA. Apostaríamos que esse número também permanece inalterado em 2021. Mas o que estamos perdendo? A IA corporativa está estagnada?

Andrew Ng, em seu boletim The Batch, pinta um quadro otimista. Ele aponta para o Relatório de Índice de IA de Stanford para 2022, que diz que o investimento privado quase dobrou entre 2020 e 2021. Ele também aponta o aumento da regulamentação como evidência de que a IA é inevitável: é uma parte inevitável da vida do século XXI. Concorda-se que a IA está em todos os lugares e, em muitos lugares, nem é vista. Como mencionado, as empresas que usam serviços de publicidade de terceiros quase certamente usam IA, mesmo que nunca escrevam uma linha de código. Está incorporado no aplicativo de publicidade. A IA invisível – IA que se tornou parte da infraestrutura – não vai desaparecer. Por sua vez, isso pode significar que estamos pensando na implantação da IA ​​da maneira errada. O importante não é se as organizações implantaram IA em seus próprios servidores ou nos de outra pessoa. O que devemos realmente medir é se as organizações estão usando IA de infraestrutura incorporada em outros sistemas fornecidos como serviço. A IA como serviço (incluindo a IA como parte de outro serviço) é uma parte inevitável do futuro.

Mas nem toda IA ​​é invisível; alguns são muito visíveis. A IA está sendo adotada de algumas maneiras que, até o ano passado, consideravam-se inimagináveis. Estamos familiarizados com chatbots, e a ideia de que a IA pode nos dar chatbots melhores não foi exagerada. Mas o Copilot do GitHub foi um choque: não esperávamos que a IA escrevesse software. Vimos (e escrevemos sobre) a pesquisa que levou ao Copilot, mas não acreditávamos que se tornaria um produto tão cedo. O que é mais chocante? Ouvimos dizer que, para algumas linguagens de programação, até 30% do novo código está sendo sugerido pela ferramenta de programação de IA Copilot da empresa. No início, muitos programadores pensaram que o Copilot não era mais do que um truque inteligente de festa da IA. Isso claramente não é o caso. O Copilot se tornou uma ferramenta útil em pouco tempo e, com o tempo, só ficará melhor.

Outras aplicações de grandes modelos de linguagem – atendimento automatizado ao cliente, por exemplo – estão sendo lançadas (nossa pesquisa não deu atenção suficiente a elas). Resta saber se os humanos se sentirão melhor em interagir com o atendimento ao cliente orientado por IA do que com humanos (ou bots horrivelmente com scripts). Há uma dica intrigante de que os sistemas de IA são melhores em fornecer más notícias aos humanos. Se precisarmos ouvir algo que não queremos ouvir, preferimos que venha de uma máquina sem rosto.

Começa-se a ver mais adoção de ferramentas automatizadas para implantação, juntamente com ferramentas para controle de versão de dados e modelos. Isso é uma necessidade; se a IA for implantada na produção, é necessário ser capaz de implantá-la de forma eficaz, e as modernas lojas de TI não veem com bons olhos os processos artesanais artesanais.

Há muitos outros lugares em que esperamos ver a IA implantada, tanto visível quanto invisível. Algumas dessas aplicações são bastante simples e de baixa tecnologia. Alguns carros de quatro anos mostra o limite de velocidade no painel. Há várias maneiras de fazer isso, mas depois de algumas observações, ficou claro que se tratava de um simples aplicativo de visão computacional. (O carro relataria velocidades incorretas se um sinal de limite de velocidade fosse desfigurado e assim por diante.) Provavelmente não é a rede neural mais sofisticada, mas não há dúvida de que teríamos chamado isso de IA alguns anos atrás. Onde mais? Termostatos, lava-louças, geladeiras e outros aparelhos? Frigoríficos inteligentes eram uma piada não muito tempo atrás; agora você pode comprá-los.

Também viu-se a IA chegando a dispositivos menores e mais limitados. Carros e geladeiras têm energia e espaço aparentemente ilimitados para trabalhar. Mas e quanto a pequenos dispositivos como telefones? Empresas como o Google se esforçaram muito para executar a IA diretamente no telefone, fazendo trabalhos como reconhecimento de voz e previsão de texto e realmente treinando modelos usando técnicas como aprendizado federado – tudo sem enviar dados privados de volta à nuvem. As empresas que não podem fazer pesquisas de IA na escala do Google estão se beneficiando desses desenvolvimentos? ainda não sabemos. Provavelmente não, mas isso pode mudar nos próximos anos e representaria um grande passo à frente na adoção da IA.

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

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

Referência

Este artigo trata-se da adaptação, redução e tradução, do relatório original, em inglês, da O’Reilly: “AI Adoption in the Enterprise 2022“, por Mike Loukides.

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