Seis estratégias para ter retorno em IA - parte 2

Os projetos de inteligência artificial são normalmente liderados pela área de ciência de dados da empresa, e esse grupo tem a tarefa de executar os projetos e assumir a responsabilidade por suas conquistas. As seis estratégias a seguir podem ajudar esse grupo a no sentido de obter maior de sucesso nesses projetos que impactam mais de uma área:

1. Estabelecer relações estreitas entre a área de dados e unidades de negócios para as quais IA se mostra interessante.
2. Selecionar projetos com valor tangível e um caminho claro para colocar em funcionamento.
3. Alinhar a confiança dos principais stakeholders antes do desenvolvimento,
4. Construir produtos de IA reutilizáveis.
5. Empregar seletivamente projetos de "prova de conceito".
6. Definir um pipeline de gestão ou funil liderando projetos para a implementação da produção.

A seguir, descrevemos as três últimas abordagens (leia sobre as três primeiras aqui):

Os projetos de inteligência artificial são normalmente liderados pela área de ciência de dados da empresa, e esse grupo tem a tarefa de executar os projetos e assumir a responsabilidade por suas conquistas. As três estratégias a seguir podem ajudar esse grupo no sentido de obter maior de sucesso nesses projetos que impactam mais de uma área – veja também as outras três estratégias, clicando aqui.

Construir produtos de IA que possam ser usados em outras áreas para impulsionar a escala. Projetos de IA são caros de se desenvolver, e é lógico reutilizá-los (ou partes deles) sempre que possível. Na BMO, por exemplo, o grupo de ciência de dados criou uma oferta de produtos bancários com preços baseados em machine learning. Depois que esse projeto foi concluído, a equipe criou um instrumento genérico de precificação e agora reutiliza-o para outros projetos. A busca por componentes reutilizáveis ajuda a reduzir custos e acelerar a implementação de projetos futuros, e faz um uso mais efetivo dos escassos talentos de ciência de dados. Ajuda a evitar a potencial armadilha de investir em recursos cujo uso seja limitado.

Um provedor de saúde nos disse que sua equipe de ciência de dados criou um programa em linguagem natural (NLP, na sigla em inglês) que foi inicialmente usada para agendamento de cirurgias, mas depois aplicada a outros tipos de agendamento, verificação de arrecadação e até resultados de testes de covid-19. Enquanto os sábios líderes de IA esperam pela demanda e depois criam uma solução para um determinado cliente, eles também investem um pouco em pensar em como generalizar essa solução mais tarde para uma aplicação mais ampla.

Use PoCs seletivamente, mas crie um caminho para a implementação. Dado o custo de uma implantação completa de um recurso de inteligência artificial, muitas partes interessadas precisam ver evidências de que irá gerar valor antes de prosseguir. Um projeto de prova de conceito (PoC) pode ser usado para medir e demonstrar o valor e moldar uma solução eficaz. Também permite a identificação de componentes de solução que são caros, mas não agregam muito valor. Os projetos PoC são uma ótima maneira de ganhar aprovação junto às partes interessadas.

O DBS Bank em Cingapura, por exemplo, desenvolveu um piloto de um sistema anti-lavagem de dinheiro que usou mais dados do que o sistema baseado em regras anteriores e levou a muito menos alertas falsos. O chefe de segurança de contas do banco estimou que, com o sistema, os analistas de segurança poderiam ser um terço mais produtivos e que 50% menos clientes precisariam receber avisos anti-lavagem de dinheiro. Ele estava entusiasmado com a implantação completa da solução porque excedeu as estimativas feitas durante a fase de simulações. Como observamos no início deste artigo, em muitas organizações esses testes nunca levam a um valor potencial total porque não são totalmente implantados. Mas a suposição deve ser que se o PoC demonstrar o nível estimado de valor para o negócio, ele irá para a operação.

Gerencie o pipeline de projetos para a implementação completa. Assim como os potenciais vendas ou projetos de desenvolvimento de novos produtos, os projetos de ciência de dados devem ter critérios claros para sua adoção e serem vistos em termos de progresso em um pipeline ou funil, com concepção de ideias e testes no início e implantação da produção no final. Nem todos os projetos chegarão à implantação completa, mas esse deve ser o objetivo.

A simples criação desse pipeline ajudará a obter valor, mas deve ser acompanhado por mecanismos de gestão como identificação e comunicações de stakeholders, análise de requisitos e recursos para várias etapas e análise e gerenciamento de mudanças. As equipes de ciência de dados devem ter revisões regulares — geralmente mensais — dos benefícios, consumo de recursos e comprometimento de parceiros de negócios para PoCs e implantações de produção. Nessas reuniões, todas as táticas descritas acima podem ser discutidas em relação a projetos individuais de IA.

A inteligência artificial é um tema ainda pouco familiar para muitos empresários, mas as fórmulas usuais para alcançar benefícios financeiros substancialmente superiores aos custos ainda se aplicam.

Leia também sobre as outras três estratégias vencedoras para gerar e capturar valor em IA levantadas pelos autores deste artigo.