10 perguntas a considerar ao configurar um projeto corporativo de IA

Uma estrutura de análise de risco para pessoas que odeiam o Excel e o PowerPoint

Adrien Book Blocked Desbloquear Seguir Seguindo 1º de julho

Até agora, todos os executivos que se prezam já ouviram falar de IA e pensaram “ Mmhm, sim, eu gostaria de conseguir um pedaço dessa ação ”. E como são executivos, disseram aos subordinados para irem em frente e voltaram para o campo de golfe. Eu pessoalmente não vejo nenhum problema com essa maneira de fazer as coisas, pois os subordinados vão a consultores como eu para entender o que seu chefe poderia ter significado com " eu quero, como, Alexa, mas, tipo, para cadeiras de escritório " (sim , Eu tenho uma apresentação do PowerPoint para isso).

Existem, no entanto, alguns riscos que acredito que devam ser considerados ANTES de substituir todos os conversadores de cadeira por um algoritmo. De fato, mentalmente perguntar a si mesmo as questões abaixo antes de entrar em um projeto de IA pode mitigar riscos, economizar tempo, dinheiro e tornar a parte BUILD e RUN do referido projeto muito mais suave.

Ele não substitui de forma alguma a devida diligência necessária para obter tal empreendimento, mas fornece uma estrutura útil para iniciar uma conversa construtiva.

1. Eu tenho um objetivo SMART?

Independentemente de suas habilidades de codificação ou análise de dados, as pessoas no topo têm um papel fundamental na definição da estratégia para um projeto de IA. A empresa quer interromper seu mercado criando um tipo diferente de proposta de valor à Amazônia ? Procura ser o melhor da classe, à la amazona ? Talvez o objetivo seja manter o nível em um mercado competitivo, à la Amazônia ? Ou até alcançar um líder, à la Amazon ?

Você sabe, estou começando a sentir uma tendência.

Sem receber essa orientação, as equipes serão deixadas a investigar os dados sem objetivo, procurando uma história. E sem um objetivo claro e acordado, eles ficarão atrás de um alvo em movimento, correndo o risco de reescrever a história à medida que os dados chegam. É por isso que a estratégia definida ANTES de qualquer início de projeto deve ser específica, mensurável, atingível , relevante e com limite de tempo.

"Todo mundo está fazendo isso" é uma razão terrível para entrar no jogo da IA.

2. Eu tenho dados suficientes?

Todos os projetos de inteligência artificial requerem grandes quantidades de dados para serem úteis: para vulgarizar, simplesmente não é possível para um algoritmo entender o presente e o futuro sem estar ciente do passado. Não há uma quantidade específica de pontos de dados que possam ser fornecidos, pois eles variam muito, mas uma empresa recém-lançada e que não tenha mais de 800 clientes claramente não tem os recursos necessários para lançar um projeto de IA.

Se dados suficientes não estiverem disponíveis, eles devem ser coletados internamente, o que pode ser incrivelmente demorado (estamos falando de anos e grandes reestruturações), ou reunidos através de fontes externas (prever demanda de guarda-chuvas, por exemplo, usaria dados meteorológicos livremente disponível para todos). É importante notar, no entanto, que dados exclusivos, em vez de modelagem de ponta, são o que cria uma valiosa solução de IA.

3. Existem erros no meu conjunto de dados?

Lixo, lixo fora.

Não há muito mais que possa ser dito. Qualquer bom Diretor de Dados confirmará que os dados devem ser tratados como um produto físico, com seus componentes verificados quanto à qualidade antes e depois de entrar em produção. Você não faria um BLT se os tomates tivessem acabado e metade do bacon estivesse faltando, e não deveria executar um algoritmo que tenha dados errados ou errados . As previsões resultantes não podem ser confiáveis.

De fato, 80% do trabalho realizado na criação de um algoritmo envolve extração, limpeza, preenchimento e normalização de dados para garantir que erros simples possam ser sistematicamente evitados.

E mesmo assim …

4. O meu anúncio de conjunto de dados * ck?

Oh, Amazon, você está aqui de novo? Quais são as hipóteses ?!

Os algoritmos têm a capacidade de “tomar” decisões injustas sistematicamente sem que ninguém perceba, ou até mesmo compreenda o porquê, tornando a ética mais relevante do que nunca. Como tal, as equipes devem se certificar sistematicamente de que um algoritmo que tenha impacto (QUALQUER impacto) em humanos não seja afetado por preconceitos. Isso pode ser feito verificando duas coisas: que os dados são representativos da realidade e que não refletem os preconceitos existentes na realidade.

Mais fácil falar do que fazer .

Contratar uma equipe diversificada pode ajudar a identificar o reflexo do contexto social relevante, mas isso raramente é possível, dada a estrutura atual das classes STEM … Alternativamente, eu recomendaria a contratação de um "detetive parcial", um raro unicórnio bem versado em ambos os dados. ciência e humanidades, para encontrar desconhecidos desconhecidos dentro da caixa preta que algo tão desenvolvido quanto um AI pode criar.

Falando de raros unicórnios …

5. Eu tenho as pessoas para fazer isso acontecer?

O talento da IA é escasso e monopolizado pelos gigantes da tecnologia . De acordo com os últimos relatórios, existem atualmente apenas 22.000 especialistas em nível de PhD em todo o mundo capazes de desenvolver algoritmos de ponta. E os que não funcionam para grandes empresas de tecnologia são caros. Muito caro.

Isso, no entanto, não deve impedir as equipes empreendedoras de criar algo bonito. Como mencionado, uma boa AI é mais sobre dados exclusivos do que algoritmos únicos . Qualquer parceria moderna de analista / desenvolvedor de dados pode usar as muitas bibliotecas de código aberto para aprender o básico e obter alguns dos ganhos rápidos necessários para convencer as grandes perucas a fazer uma série de contratações (aconselho começar com o TensorFlow).

Em qualquer caso, é provável que todos tenham um pouco de ciência de dados neles dentro dos próximos anos, pois ele se tornará parte de um conjunto de habilidades coletivas requerido por um número de funcionários (sabendo como usar o pacote do Office, por exemplo). exemplo, é um dado hoje em dia).

6. Eu precisarei mudar minha estrutura hierárquica?

Mesmo que uma empresa tenha dezenas de proprietários de processos de negócios talentosos ( geralmente não amados, mas essenciais para todos os itens acima ), desenvolvedores, especialistas em nível de PHD e cientistas de dados, será incrivelmente difícil tirar um projeto do chão se eles não estiverem feitos para trabalhar juntos.

Em primeiro lugar, se o talento não for centralizado, esses funcionários terão pouca satisfação no trabalho, pois um objetivo comum é que as pessoas ao seu redor façam maravilhas pela motivação. Em segundo lugar, a ciência de dados exige que os lados estatístico, computacional e de negócios da empresa se comuniquem 24 horas por dia, 7 dias por semana. Então pegue essas pessoas um espaço aberto e Post-Its. Em terceiro lugar, se todas essas mulheres e homens talentosos responderem a chefes diferentes, é provável que surjam objetivos diferentes, assim como problemas de comunicação e jogos políticos.

As lutas internas de TI e de negócios simplesmente não são produtivas.

O gerenciamento de mudanças é fundamental aqui. Falando de…

7. Meus funcionários se tornarão luditas?

Todos nós já ouvimos histórias de automação e redundância. E essas histórias são (principalmente) verdadeiras. Isso pode significar uma certa quantidade de medo dentro de uma organização quando um projeto de IA for anunciado. "Será que vai substituir os trabalhos?" "Vou ter que passar por mais formação ou deixar ir?" "Será que uma parte do negócio começa a tomar decisões que já foram feitas por outro departamento?".

A mudança raramente é apreciada e tem que ser abordada por meio de uma mistura de educação de cima para baixo e consultas de baixo para cima, o que pode levar tempo. No entanto, é necessário.

Obter suporte de todos os níveis da organização é fundamental para um projeto bem-sucedido.

Além do ocasional buy-in interno, toda uma cultura precisa ser desenvolvida para que um projeto seja mais do que uma aventura com a ciência de dados.

8. Eu tenho a arquitetura certa?

Eu poderia usar muitas metáforas para este assunto específico de interesse. Icebergs. Futebol. Um engenheiro civil, economista e sociólogo italiano … No entanto, vou ficar com o sanduíche BLT: quando você põe tomates, alface e bacon entre esses dois pedaços de pão, você está no final de um processo que envolve centenas de trabalhadores, e milhares de horas de desenvolvimento. A ciência de dados é aproximadamente a mesma:

O algoritmo em si faz menos de 10% do trabalho.

De fato, um algoritmo reside em um ecossistema que depende:

  • Coleta de dados, verificação de dados, gerenciamento de fluxo de trabalho, infraestrutura de serviços …

Mas isso em si faz parte de um ecossistema mais amplo

  • APIs (application programming interface), armazenamento de dados, soluções DataViz, processos de monitoramento, segurança cibernética…

Se tal arquitetura não existe dentro de uma organização, ótimo: é mais fácil começar do zero . Se houver, no entanto, elementos existentes, é muito possível que alguns sacrifícios precisem ser feitos.

9. Existe algum obstáculo regulamentar?

Existem atualmente dezenas de discussões de alto nível acontecendo em todo o mundo sobre a questão da IA ea necessidade de que ela seja regulamentada; Profundos, reconhecimento facial, padrões escuros, Armas Autônomas, viés sistemático … todos têm ramificações amplas e a capacidade de prejudicar milhões se não for verificada. Em breve, o número de questões discutidas nos níveis do governo chegará aos milhares, já que uma infinidade de leis provavelmente será aprovada para garantir a imparcialidade, segurança e transparência dos algoritmos.

Isso é o melhor que podemos esperar …

Isso, no entanto, significa que os projetos de IA estão se movendo em território legal desconhecido e podem se tornar sujeitos a amplas verificações legais a qualquer momento. Verificar não apenas os regulamentos atuais, mas estar ciente dos que estão sendo discutidos sempre foi fundamental no mundo corporativo, e permanecerá assim.

10. Eu tenho tempo?

Reunir os dados certos, contratar as pessoas certas, reorganizar os sistemas e os funcionários … tudo isso leva tempo. Um monte de tempo. Como tal, seria tolice dizer que uma empresa que está morrendo poderia ser salva ao se tornar “uma empresa de IA”.

De fato, se uma empresa está em uma crise sensível ao tempo, a IA provavelmente não é a resposta.

Isso destaca a necessidade de evitar o pensamento reacionário ao elaborar uma estratégia, já que uma empresa que está fazendo isso está fadada a alcançar o atraso por toda a sua curta vida útil.

E assim voltamos ao território da estratégia, completando assim o ciclo.

Boa sorte lá fora.