Home > Tendências

6 razões pelas quais projetos de inteligência artificial falham

Escassez de dados, dados não estruturados e desafios culturais estão entre os principais, na visão de especialistas

Da Redação, com CIO (EUA)

06/08/2019 às 15h30

Foto: Shutterstock

De acordo com uma pesquisa da IDC, apenas cerca de 30% das empresas relatam uma taxa de sucesso de 90% para os seus projetos de inteligência artificial (IA). Segundo o levantamento, a maioria das organizações identifica taxas de falha de 10% a 49%, enquanto 3% afirmam que mais da metade de seus projetos de IA acabaram fracassando.

Ao que tudo indica, a falta de profissionais qualificados e expectativas irrealistas sobre as aplicações da tecnologia são responsáveis por parte das dificuldades. Esses dois aspectos foram citados por mais de 25% dos entrevistados como grandes desafios. Outros 23% disseram que seus projetos de IA falharam por conta da falta de dados necessários.

Para os especialistas, há seis razões principais que dificultam a implantação bem-sucedida de soluções de IA nas empresas. Confira quais são elas:

Escassez de dados

Os problemas de dados estão entre as principais razões pelas quais os projetos de IA não correspondem às expectativas. Um relatório divulgado pela McKinsey no ano passado mostra que dois dos maiores desafios que limitam a aplicação da tecnologia têm a ver com os dados.

Muitas empresas têm dificuldade em obter dados adequados para treinar seus algoritmos. Se as informações não forem devidamente categorizadas, os profissionais devem investir tempo para rotulá-los, o que pode atrasar projetos ou gerar falhas. O segundo problema é não ter os dados corretos para o projeto.

"As empresas geralmente não têm os dados certos e ficam frustradas quando não conseguem criar modelos com dados que não são rotulados", diz Anand Rao, sócio e líder global em IA da PricewaterhouseCoopers. "É aí que as empresas falham consistentemente."

Quantidade de dados para treinamento

Para que o projeto seja bem-sucedido, é fundamental que a empresa tenha dados suficientes para treinar os sistemas de inteligência artificial. Visando garantir que as informações necessárias estejam presentes, especialistas orientam que seja investido tempo e esforço na criação de diversos testes que sejam representativos.

A prática tem como objetivo eliminar os viéses. Uma pesquisa da PricewaterhouseCoopers revela que mais da metade das empresas não tem um processo formal para avaliar o viés de seus sistemas de IA. Maior ainda, apenas 25% dos entrevistados disseram que priorizariam as implicações éticas de uma solução de IA antes de implementá-la.

Integração de dados

Às vezes, o problema da empresa não é a falta de dados, mas sim sua presença em diversos locais. Para garantir a integração, é preciso reunir diferentes canais de informações desde o início, já que a fragmentação pode atrapalhar a visão da empresa sobre os seus clientes.

A falta de integração pode afetar negativamente o sistema de IA, já que a plataforma não tem uma visualização multicanal como base. Dessa forma, a orientação é que as organizações tenham suas principais fontes de dados conectadas para que as estratégias sejam estabelecidas de forma eficaz.

Dados estáticos

Outro problema comum nos projetos de IA é a confiança das empresas em dados estáticos para os seus conjuntos de treinamento. Em muitos casos, os sistemas treinados dessa forma não funcionam de forma adequada quando são transferidos para dados em tempo real.

Segundo os especialistas, pode haver uma diferença significativa entre amostras de dados estáticos e de dados provenientes de um sistema ativo, já que os primeiros modelos não são treinados para detectar pequenas mudanças de comportamento.

Dados não estruturados

De acordo com uma pesquisa da Deloitte, 62% das empresas ainda dependem de planilhas, e apenas 18% aproveitam dados não estruturados, como imagens de produtos, arquivos de áudio de clientes ou comentários de mídia social em seus esforços de análise. Além disso, muitos dados históricos que as empresas têm colecionado não têm o contexto necessário para a IA, ou são armazenados de forma resumida.

Para se ter dimensão da importância do uso dessas informações, as empresas que aproveitam os dados não estruturados são 24% mais propensas a ultrapassar suas metas de negócios.

Desafios culturais

Além dos dados, os problemas organizacionais apresentam desafios significativos para o sucesso da IA. Para os especialistas, é fundamental que as equipes trabalhem juntas no projeto, compreendendo a sua importância e investindo esforços para que as estratégias sejam bem-sucedidas. Isso significa que toda a organização deve estar focada e engajada nas iniciativas, começando pelo CEO. Sobre o assunto, a pesquisa da Deloitte mostra que quando o CEO está envolvido no processo, as empresas têm 77% mais chances de superar seus objetivos de negócios.

É fundamental não deixar que as dificuldades não atrapalhem os compromissos organizacionais com a inteligência artificial, já que seus resultados vem a longo prazo. Quanto mais projetos, maiores as chances de sucesso, desde que todos os processos sejam avaliados continuamente.

 

Junte-se a nós e receba nossas melhores histórias de tecnologia. Newsletter Newsletter por e-mail