Inteligência artificial: por que é preciso avançar logo
Enquanto grandes empresas e multinacionais adotam agressivamente a inteligência artificial, alguns empresários esperam que a tecnologia amadureça e se torne mais amplamente disponível para avançar no tema. Mas, em um artigo recentemente publicado na revista Harvard Business Review, o especialista no tema Thomas H. Davenport, professor do Babson College, pesquisador do MIT e consultor sênior da Deloitte Analytics escreve que a demora em adotar essa tecnologia pode ser bastante perigosa.
“É verdade que algumas tecnologias precisam de mais desenvolvimento, mas algumas (como o aprendizado de máquina tradicional) são bastante maduras e estão disponíveis de alguma forma há décadas. Tecnologias ainda recentes, como deep learning, são baseadas em pesquisas que ocorreram na década de 1980. Novas pesquisas estão sendo conduzidas o tempo todo, mas os fundamentos matemáticos e estatísticos da IA atual estão bem estabelecidos”, assegura o pesquisador.
Segundo ele, além da questão da maturidade técnica, há vários outros problemas com a ideia de que as empresas poderão adotar rapidamente a IA quando essa estiver mais estabelecida. Primeiro, há o tempo necessário para desenvolver sistemas de inteligência artificial. Esses sistemas provavelmente adicionarão pouco valor ao seu negócio se forem completamente genéricos. Portanto, é necessário tempo para adaptá-los e configurá-los para o seu negócio e para o domínio de conhecimento específico dentro dele.
Se a IA que você está adotando empregar aprendizado de máquina, você terá que reunir uma quantidade substancial de dados de treinamento. Se ele manipula a linguagem – como em aplicativos de processamento de linguagem natural -, pode ser ainda mais difícil colocar os sistemas em funcionamento. Há muita taxonomia e conhecimento local que precisam ser incorporados ao sistema de IA – semelhante à antiga atividade de “engenharia de conhecimento” para sistemas especialistas. AI deste tipo não é apenas um problema de codificação de software; é um problema de codificação de conhecimento. Leva tempo para descobrir e implantar conhecimento.
Particularmente, se o seu domínio de conhecimento ainda não foi modelado por seu fornecedor ou consultor, normalmente serão necessários muitos meses. Isto é ainda mais crítico para conhecimentos complexos. Por exemplo, o Memorial Sloan Kettering Cancer Center tem trabalhado com a IBM para usar o Watson para tratar certas formas de câncer por mais de seis anos. O sistema ainda não está pronto para uso amplo apesar de a disponibilidade de talentos de alta qualidade no tratamento do câncer. Existem vários domínios e problemas de negócios para os quais a engenharia de conhecimento necessária está disponível. No entanto, ainda precisa ser manipulado para o contexto comercial específico de uma empresa.
Tempo de integração
Mesmo depois de seus sistemas terem sido construídos, há a questão da integração de sistemas de IA em sua organização. A menos que esteja empregando alguns recursos de AI incorporados em sistemas de aplicativos empacotados existentes que sua empresa já usa (por exemplo, recursos do Salesforce Einstein em seu sistema CRM), a adequação aos processos de negócios e à arquitetura de TI exigirá planejamento e tempo significativos para adaptação. A transição de pilotos e protótipos para sistemas de produção para IA pode ser difícil e demorada.
Mesmo que sua organização seja qualificada para mover os pilotos e os protótipos para a produção, você também terá que reprojetar os processos de negócios para ter impacto total em seus negócios e indústria. Na maioria dos casos, o AI oferece suporte a tarefas individuais e não a processos de negócios inteiros, portanto, você terá processos de redesenho de negócios e novas tarefas humanas em torno dele. Se você quiser afetar o envolvimento do cliente, por exemplo, precisará desenvolver ou adaptar vários aplicativos e tarefas de IA relacionados a diferentes aspectos das relações de marketing, vendas e serviços.
Interações humanas
Finalmente, há os desafios humanos da IA. Muito poucos sistemas de inteligência artificial são totalmente autônomos. Ao mesmo tempo, novos sistemas de inteligência artificial normalmente significam novos papéis e habilidades para os humanos que trabalham com eles, e isso normalmente exigirá um tempo considerável para treinar os trabalhadores. Por exemplo, as empresas de consultoria de investimento que fornecem “aconselhamento robótico” a seus clientes muitas vezes tentam fazer com que os consultores humanos mudem seu foco para “finanças comportamentais” ou fornecer conselhos e “incentivos” para encorajar decisões e ações sábias no investimento. Mas esse tipo de habilidade é bem diferente de fornecer conselhos sobre quais ações e títulos comprar, e levará algum tempo para inculcar.
Mesmo que o objetivo de um sistema de inteligência artificial seja ser totalmente autônomo, é provável que algum período de tempo no modo de aumento seja necessário. Durante este período, uma peça crítica de aprendizado de máquina ocorre através da interação entre o sistema e seus usuários humanos e observadores. Chamado de aprendizagem interativa, essa é uma etapa essencial para as organizações entenderem como o sistema interage com seu ecossistema. Eles podem reunir novos conjuntos de dados e começar a assá-los em algoritmos durante esse período – o que geralmente leva meses ou anos.