Recursos/White Papers

Tecnologia

3 papéis fundamentais em uma equipe de IA bem sucedida

Esqueça as listas dos gigantes da Ciência dos Dados. À medida que a IA entra na empresa, equipes combinando habilidades de negócios tornam-se mais importantes para gerar valor

Maria Korolov, CIO/EUA

Publicada em 10 de outubro de 2018 às 10h33

À medida que as empresas recorrem cada vez mais à IA e ao Machine Learning, uma imagem mais clara do que é preciso para ter sucesso com a IA do mundo real está começando a tomar forma. Além do pequeno círculo de gigantes da tecnologia e dos pioneiros no uso da tecnologia, um conjunto diferente de habilidades e abordagens está emergindo como itens essenciais para as equipes de IA da empresa.

Nem toda organização pode competir com Google e Facebook pelos melhores talentos de IA. E não são apenas os PhDs em Ciência de Dados que as empresas estão procurando. Para atender às suas necessidades de negócios, os CIOs que montam equipes de IA estão procurando conhecimento especializado no assunto, habilidades de engenharia de software e a capacidade de transformar algoritmos de Machine Learning em valor comercial real. Aqui, os avanços nas tecnologias de Machine Learning estão ajudando a preparar o caminho.

"Estamos vendo uma mudança agora", diz Scott Likens, líder Tecnologias Emergentes da PricewaterhouseCoopers. "Há muita maturidade e comoditização em algumas das soluções de ML bem utilizadas, e muitos dos grandes provedores têm algoritmos e modelos de IA disponíveis. Você é capaz de juntar o que precisa, basta ter engenheiros de software capazes de combinar diferentes algoritmos".

Em vez de contratar PhDs de alto nível para criar novos modelos, as empresas agora procuram equipes combinadas para obter os dados certos e escolher os modelos certos para tomar as decisões certas, diz ele.

Confira aqui como várias organizações estão montando equipes de IA para resolver problemas de negócios - e como os avanços na tecnologia de IA estão mudando as habilidades básicas necessárias para o sucesso.  

Papéis fundamentais
Uma equipe equilibrada para um projeto de IA incluirá três pessoas-chave, diz o especialista em IA Monte Zweben, CEO e co-fundador da Splice Machine.

Primeiro, um engenheiro de dados capaz de pegar as informações que uma empresa coleta e transformá-las em dados ingeridos pelos sistemas AI e ML.

Segundo, um cientista de dados com conhecimento de domínio que saiba, por exemplo, que o clima pode afetar os cronogramas de entrega ou que problemas mecânicos específicos podem afetar os cronogramas de manutenção. O cientista de dados também precisará testar diferentes algoritmos para ver quais têm melhor desempenho e, em seguida, adaptá-los, se necessário, para obter previsões que valham a pena.

Finalmente, um desenvolvedor de software que possa incorporar tudo isso em aplicativos reais.

"Esses são os tipos de habilidades que estamos procurando", diz Zweben.

Para muitas organizações, o sucesso com a IA é mais um fator de equilíbrio nessas três áreas do que o número de PhDs contratados.

O poder de equipes bem misturadas
A empresa de marketing online Urban Airship fornece um exemplo de livros didáticos sobre as mudanças que estão ocorrendo na maneira como organizações de sucesso abordam a IA. Há 7 anos, quando a empresa começou a pensar em usar a tecnologia, contratou um PhD.

"O primeiro modelo de Machine Learning que introduzimos foi em torno da influência", diz Mike Herrick, vice-presidente sênior de produtos e engenharia da empresa. É fácil acompanhar se uma pessoa clica em um link em seu e-mail. Mas rastrear se eles visitam o site mais tarde, e através de algum outro canal, é muito mais difícil, diz ele, e foi aí que o Machine Learning entrou.

A plataforma de marketing do Urban Airship atinge mais de um bilhão de usuários em nome de seus clientes corporativos, portanto, há muitos dados disponíveis para trabalhar. Com o tempo, a empresa expandiu sua equipe de IA para três PhDs de Ciência de Dados - e 15 engenheiros que colocaram a Ciência de Dados para funcionar.

Mesmo os cientistas de dados que a empresa contrata não são teóricos, diz Herrick. "Eles são hands-on. Se você apenas tiver a teoria, você gastará muito dinheiro e não chegará a lugar nenhum."

Isso porque o Urban Airship aproveita as técnicas existentes de linguagem de máquina, bibliotecas de código aberto e serviços em nuvem. "Geralmente não inventamos novas tecnologias de baixo nível", diz ele. "Nós não temos interesse em teoria pura".

As habilidades necessárias para os projetos de IA da empresa incluem não apenas habilidades em Ciência de Dados, mas também gerenciamento de produto, design de interface de usuário, engenharia de software e marketing de produto, diz ele. "IA e ML realmente precisam de uma equipe multifuncional para oferecer esse tipo de tecnologia."

O mais recente projeto de IA envolveu descobrir o melhor momento para enviar mensagens de marketing - o que não é ideal no sentido geral de que "as manhãs de segunda-feira são mais eficazes", mas ideal no sentido de "John Smith prefere ver esse tipo de mensagem na quinta-feira à tarde."

O projeto envolveu conversas com os clientes do Urban Airship para descobrir o que eles precisavam. Como resultado dessas entrevistas, a equipe de IA acabou indo em uma direção radicalmente diferente da sua ideia original, diz ele - mas valeu a pena.

Alguns clientes beta viram as taxas de resposta dobrarem como resultado, diz Herrick. Os clientes também gostaram do fato de os e-mails estarem espalhados no tempo.

já o fornecedor de segurança cibernética Demisto também usa equipes mistas ao criar projetos de IA e ML.

"Contratamos funcionários com experiência em IA - Ciência de Dados, desenvolvedores de linguagem de máquina - e os associamos a funcionários com conhecimento de produto e recursos de software existentes", diz o co-fundador da empresa, Rishi Bhargava. "Isso garante que os funcionários em um par aprendam uns com os outros, melhorem seus conjuntos de habilidades e ganhem uma experiência completa com o tempo".

A experiência isolada de IA, embora valiosa, representa um potencial perdido para proporcionar benefícios reais à organização, diz ele.

A ascensão do arquiteto de IA
Os cientistas de dados PhDs não são mais os mais valiosos quando se trata de projetos de IA empresarial, diz Kalyan Veeramachaneni, principal pesquisador do Laboratório de Sistemas de Informação e Decisão do MIT.

Tradicionalmente, as empresas têm abordado projetos de Machine Learning a partir de uma abordagem mais teórica, diz ele. "'Nós temos os dados? Podemos fazer algo com isso? Oh, podemos prever algo.' Mas eles nunca colocam isso em prática. "

As empresas precisam de pessoas com experiência para colocar o Machine Learning em produção.

"Acho que o que falta é o arquiteto da ML, que pode reunir todas as peças com o único objetivo de implantar um modelo de aprendizado de máquina e colocá-lo em prática para business cases específicos", diz ele. Ao procurar o candidato certo, as empresas devem perguntar sobre quantos modelos implementaram e quanto valor de negócio foram capazes de gerar, acrescenta.

Um erro que as empresas costumam fazer, ele diz, é tentar seguir os passos das implantações de IA mais conhecidas, aquelas que envolvem grandes conjuntos de dados em tempo real. A maioria das empresas precisa de diferentes tipos de algoritmos de ML, diz ele, que se encaixam nos dados que elas realmente têm. Um arquiteto de ML saberia a diferença e implantaria os algoritmos certos para a tarefa.

"A infraestrutura e as ferramentas que estão sendo construídas pelas principais empresas podem não ter qualquer relevância", diz ele. "Essas ferramentas são ajustadas para resolver os problemas que as grandes empresas estão enfrentando. Você pode acabar gastando muito tempo e dinheiro investindo nessa ferramenta. Muito tempo é gasto aprendendo e instalando-as, e isso é um desperdício enorme. "

Ferramental para o sucesso da IA
Algumas ferramentas de IA podem ser mais adequadas a gigantes da tecnologia, mas a democratização em andamento de algumas ferramentas de IA também está tendo um impacto sobre como as organizações podem alavancar a tecnologial para solucionar as necessidades de negócios.

Há nove meses, a Optima Healthcare Solutions, sediada na Flórida, que fornece serviços e software para o setor de saúde, começou a procurar maneiras de simplificar algumas de suas tarefas mais repetitivas - especificamente, reunir solicitações de propostas.

"A grande maioria das perguntas feitas é repetida várias vezes", diz Jason James, CIO da empresa.

A solução tradicional teria sido reunir a lista de perguntas anteriores e suas respostas em um único banco de dados pesquisável. Mas isso exigiria extrair manualmente todas as informações de PDFs, documentos do Word, planilhas, e-mails e muitos outros locais onde as perguntas e respostas podem ser encontradas.

Em vez disso, a empresa decidiu usar Machine Learning para digitalizar documentos relevantes e sugerir possíveis respostas. Os funcionários, então, revisariam essas respostas e acompanhariam os especialistas relevantes da empresa quando mais informações fossem necessárias.

Como esse foi o primeiro projeto de Machine Learning da empresa, a Optima Healthcare estava começando do zero. No entanto, James não se apressou em contratar especialistas em IA e PhDs em Ciência de Dados. Em vez disso, o que importava mais era que a equipe tinha um profundo entendimento do que a empresa precisava, como coletava informações, onde as informações eram armazenadas e como elas eram usadas.

"Obviamente, há casos de uso em IA, onde você precisa de cientistas de dados", diz ele. "Mas as ferramentas estão chegando ao ponto em que podem ser colocadas nas mãos das equipes de DevOps."

Portanto, a equipe do projeto era composta por desenvolvedores existentes da Optima Healthcare.

"Alguns de nossos funcionários tinham habilidades rudimentares em Python", diz James. O Python é uma das linguagens mais populares para Machine Learning e IA, mas os membros da equipe tinham que se familiarizar com a programação Python básica e com os recursos de linguagem de máquina específicos.

Essa etapa do processo levou cerca de dois meses, principalmente porque os funcionários não tiveram tempo de treinamento dedicado, mas tiveram que se adequar aos outros projetos. James diz que a Optima usou a plataforma de aprendizagem online PluralSight, entre outros recursos de treinamento.

Acelerar a programação Python foi a parte fácil, já que os desenvolvedores já conheciam várias linguagens de programação. Mas a parte de Machine Learning era mais difícil, já que a Optima não estava apenas pegando as bibliotecas existentes e as colocando em funcionamento, mas também construindo as suas próprias.

"Houve muitos fracassos iniciais", diz James. "Parte do aprendizado de qualquer coisa nova é construir no tempo para ter falhas."

Cinco meses depois, a nova ferramenta estava em funcionamento. Agora, um pedido de propostas que costumava levar uma semana é obtido em apenas dois dias, e James diz que espera que o processo acelere ainda mais à medida que o sistema se torne mais inteligente.

Em seguida, diz James, uma abordagem semelhante será usada para adicionar inteligência aos produtos da empresa.

"Achamos que será uma grande vantagem tecnológica em relação à concorrência", diz ele. "As empresas que estão adotando isso logo terão uma vantagem competitiva, mas precisam adotar agora, sem demora."

Machine Learning

Alfabetização de Dados: uma habilidade indispensável
À medida que as ferramentas AI e ML se tornam mais fáceis de usar, e as empresas começam a construir sistemas IA ou ML em plataformas disponíveis comercialmente, em vez de construir do zero, mais funcionários de linha de negócios podem integrar esses projetos.

Para esses funcionários, a principal habilidade a ter é a estatística básica, diz Doug Bordonaro, evangelista chefe de dados da ThoughtSpot, uma empresa de software analítico com sede em Palo Alto. Antes de ingressar na ThoughtSpot, ele liderou equipes de dados na Disney e na AOL.

"Pense na alfabetização de dados como uma questão de negócios, não uma questão técnica", diz ele. "Com a Inteligência Artificial, a maioria dos requisitos técnicos para interação com dados está diminuindo, tornando-a mais necessária do que antes."

Algumas empresas verão enormes ganhos com o uso de produtos e componentes de fornecedores externos, diz Likens, da PricewaterhouseCoopers. "Isso pode ajudar a reduzir custos, tomar decisões mais rapidamente e ajudar a tomar decisões que eles não poderiam tomar antes."

Construir uma equipe interna de IA é caro, diz ele, dado o mercado atual de talentos em IA e ML. Mas fazer esse investimento pode ajudar as empresas a se diferenciarem no mercado e otimizarem suas próprias necessidades de negócios.



Reportagens mais lidas

Acesse a comunidade da CIO

LinkedIn
A partir da comunidade no LinkedIn, a CIO promove a troca de informações entre os líderes de TI. Acesse aqui