Home > Tendências

CIOs continuam cautelosos em experimentos e investimentos em AI

Pesquisas sugerem que líderes estão lentos para investir em inteligência artificial, mas ficar atrás pode colocar empresas em risco

Isaac Sacolick, da CIO (EUA)

01/05/2019 às 8h13

Foto: Shutterstock

A divisão entre os que têm e os que não têm experimentado e alcançado resultados com machine learning (aprendizagem de máquina) está se ampliando. Pelo menos, essa é a minha percepção depois de passar dois dias na O’Reilly AI Conference, em Nova York, na semana passada, e mergulhar nos resultados mais recentes da pesquisa AI Adoption in the Enterprise realizada por eles.

Os que têm experimentado são claramente as empresas de tecnologia. Facebook, Twitter, Salesforce e outras empresas compartilharam detalhes significativos sobre os problemas que estavam resolvendo com machine learning e seus esforços para padronizar e dimensionar suas práticas de aprendizagem de máquina.

Os fornecedores de tecnologia também demonstraram seus recursos e ofertas corporativas mais recentes com a Intel AI, Microsoft Azure e IBM Watson na liderança. Relatei no ano passado que a deep learning era mais acessível às empresas tradicionais e, na conferência deste ano, pequenos e grandes fornecedores ofereciam uma combinação de plataformas de ciência de dados, estruturas de dataops e ferramentas de gerenciamento de dados para auxiliar as empresas a iniciar e amadurecer experimentos em machine learning.

Investimentos em AI: muitas empresas estão atrasadas

Mas pelo que posso dizer, muitos CIOs parecem estar jogando um jogo de esperar para ver quando se trata de machine learning e inteligência artificial. Uma pesquisa recente do Gartner teve apenas 37% dos entrevistados afirmando que estavam investindo em inteligência artificial. Na pesquisa AI Adoption in the Enterprise, Ben Lorica e Paco Nathan compartilharam suas próprias descobertas de que muitas empresas ainda estão atrasadas em sua adoção.

Os resultados da pesquisa mostram que a AI é dominada por serviços financeiros de tecnologia, saúde e educação, representando cinquenta e oito entrevistados da pesquisa. Todos os outros setores, incluindo telecomunicações, mídia e entretenimento, governo, manufatura e varejo, tiveram menos de quatro por cento de respondentes cada uma.

Mesmo nas principais indústrias, apenas uma pequena percentagem dos entrevistados relatou ter práticas maduras. O segmento de Tecnologia foi o melhor colocado com trinta e seis por cento, enquanto mais de cinquenta por cento dos entrevistados nas principais indústrias relataram que estavam em estágios de avaliação.

CIOs têm vários obstáculos da AI para escalar

A pesquisa aponta muitas dificuldades na experimentação de machine learning e provavelmente dá uma pausa para o CIO antes de torná-la alta prioridade para pesquisa e desenvolvimento.

• As empresas têm vários pré-requisitos para endereçar antes de investir em AI. Vinte e três por cento dos entrevistados afirmam que a cultura de sua empresa ainda não reconhece a necessidade de inteligência artificial e dezenove por cento tem problemas com a falta de dados ou com a qualidade dos dados.

• Cinquenta por cento dos projetos de AI estão em pesquisa e desenvolvimento, seguidos por atendimento ao cliente, TI ou uso operacional. Para os CIOs conservadores, investir em AI experimental pode ser uma segunda ou terceira opção para impulsionar a experiência do cliente ou melhorias operacionais em comparação com outras estratégias e táticas mais comprovadas.

• A AI exige a contratação de uma equipe multidisciplinar de modeladores de aprendizado de máquina, cientistas de dados, analistas de negócios, engenheiros de dados e especialistas em infraestrutura com respondentes da pesquisa relatando falta de habilidades em todas essas habilidades.

• Há claros riscos de tecnologia, pois não há vencedores e perdedores claros nas ferramentas. Muitos praticantes de AI estão usando várias ferramentas e, enquanto TensorFlow, scikit-learn, Keras e PyTorch permanecem como os quatro principais, os participantes da pesquisa listaram outras dez ferramentas que eles também têm usado.

• Mesmo além da seleção de tecnologias, a inteligência artificial tem um conjunto totalmente novo de práticas que exigem maturidade com visualização de modelos, treinamento automatizado e monitoramento de modelos, posicionados como os três principais pelos entrevistados.

• A AI ainda tem muitos riscos de negócios com estratégias de mitigação não triviais. Os principais riscos localizados incluem resultados inesperados e previsões de modelos, transparência de modelos, preconceitos e ética, degradação de modelos, privacidade, segurança, confiabilidade e vulnerabilidades de segurança como principais riscos.

Por que os CIOs não devem atrasar os experimentos com AI

Apesar de todos esses obstáculos, os CIOs corporativos estão assumindo grandes riscos ao não se ambientarem com machine learning e inteligência artificial. A AI não é como a web 1.0, mobile, social e computação em nuvem, onde os retardatários podem ter sido penalizados por chegar atrasado ao jogo, mas puderam recuperar o atraso investindo nas plataformas tecnológicas certas, adotando as melhores práticas e fazendo parcerias com empresas de serviços especializadas.

A questão é que investir em AI tem três pré-requisitos essenciais que exigem a liderança do CIO. As organizações precisam de uma estratégia de dados definida, capacidade de operar com novas tecnologias e capacidade organizacional de gerenciamento de mudanças e impulsionar a mudança cultural. Esses são todos recursos fundamentais de empresas nativas digitalmente e continuam sendo um processo contínuo para muitas empresas que investem em transformação digital.

Os CIOs que adotam a transformação digital devem adicionar a experimentação de AI a esses programas. É uma das formas de agregar vantagens comerciais a dados, tecnologia e atividades de mudança organizacional nas quais todo CIO já deveria estar investindo.

Ao adicionar inteligência artificial e machine learning ao escopo, o CIO pode começar a ter uma visão melhor dos potenciais benefícios para os negócios, ameaças competitivas e riscos operacionais da aplicação de AI em seu setor. Sem essa pesquisa e desenvolvimento, o aprendizado organizacional é retardado e os CIOs podem encontrar um fosso crescente entre suas capacidades e as dos concorrentes que investiram antes.

Como conduzir a experimentação em AI

O CIO tem a obrigação de garantir que sua organização não fique muito atrás dentro do seu segmento, em relação a adoção de recursos de machine learning e inteligência artificial. Isso não significa necessariamente fazer investimentos significativos em novas tecnologias e habilidades imediatamente. Em vez disso, o CIO pode começar a abordar alguns dos pré-requisitos assumindo essas responsabilidades:

• Investir no aprendizado organizacional para que os líderes de negócios e de tecnologia estejam mais conscientes do que está acontecendo com a AI em todos os setores. Isso significa ir além do alvoroço e do marketing que as empresas de tecnologia estão demonstrando, uma vez que elas são claramente líderes nos benefícios e funcionalidades de AI. Os CIOs devem procurar enviar líderes empresariais para conferências de AI e ter profissionais de alto desempenho com habilidades em tecnologia e dados treinados em machine learning.

• Os CIOs devem incentivar o pensamento criativo (“fora da caixa”) e patrocinar uma prova de conceito de machine learning para as áreas onde ela pode trazer mais benefícios nos negócios. É através dessas compilações e testes que investigação e exploração adicionais podem ser realizadas para as oportunidades mais promissoras.

• Os CIOs devem liderar os esforços proativos de governança de dados. O combustível para todos os programas de machine learning é um volume de dados bem definidos com poucos problemas de baixa qualidade de dados. É um programa por si só para catalogar fontes de dados, criar perfis e limpar dados, instruir analistas sobre ativos de dados e disponibilizar a infraestrutura de dados para experimentos de machine learning.

Todos esses esforços constituem um início despretensioso e de baixo risco para um programa de machine learning, mas que geram benefícios adicionais para um número crescente de organizações que precisam competir em áreas como experiência do cliente, automação, analytics e funções técnicas.

Tags

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