Meu primeiro ano como Gerente de Projetos de Inteligência Artificial (AI)

Kartik Sharma em Rumo à Ciência dos Dados Seguir Jul 1 · 7 min ler

Já faz mais de um ano desde que comecei a trabalhar como Gerente de Projetos de Inteligência Artificial (AI). Eu suponho que você não percebe o tempo que passa quando você ama o seu trabalho. Comecei a desempenhar esse papel com experiência em comunicação sem fio, algo que não é usual e principalmente útil quando estou trabalhando em uma operadora de telecomunicações. Desde março de 2018, o aprendizado tornou-se parte integrante da minha vida, já que eu tinha muito a fazer com a ciência de dados (e ainda o faço). Como não há diploma universitário em gerenciamento de projetos de IA, como eu poderia me adaptar a essa responsabilidade? Bem, eu aprendi no trabalho.

Crédito: Michael Lowe via Wrike

Capturar as lições aprendidas é uma das partes mais importantes do meu trabalho como gerente de projetos e, portanto, é compartilhar essas lições. Em nenhuma ordem particular, aqui estão as coisas mais importantes que aprendi sobre ser um gerente de projeto para IA – coisas que eu não conhecia em março de 2018 quando comecei.

Ser realista sobre os recursos da IA

As tendências tecnológicas geram hype e as chances são altas de que você já tenha sido bombardeado nas mídias sociais ou em sua caixa de entrada ou em alguma conferência sobre todas essas "transformações AI" e "IA revolucionária que muda o jogo". E, no entanto, como as alegações do que ela conseguirá são tão grandes, as empresas correm o risco de aumentar demais suas esperanças para a IA – e desperdiçar dinheiro tentando aplicar essa tecnologia a problemas que não podem resolver. Mas é importante separar o hype da realidade porque a IA não é uma bala de prata. Jean-François Gagné, CEO da startup AI de software de Montreal, lembra aos clientes que as soluções de IA são tão boas quanto os dados acumulados que estão sendo alimentados nelas. “A oportunidade que toda organização está olhando é a capacidade de ter sistemas adaptativos”, diz ele. “É uma jornada. Não é algo que você pode comprar e de repente virar um interruptor. Pela própria definição de IA, leva tempo para aprender. ”

Trabalhando em uma equipe centralizada de IA

A estrutura de dados e análises em organizações estabelecidas poderia ser qualquer coisa: desde ter várias equipes de ciência de dados em cada unidade de negócios ou até uma equipe de análise avançada centralizada em nível corporativo. Não existe uma única maneira de obter benefícios, pois a estrutura dependerá do tipo de indústria. O que eu aprendi trabalhando em uma equipe centralizada de IA está além das minhas expectativas. Veja abaixo um exemplo de uma equipe de análise centralizada que trabalha em matriz com outras unidades de negócios.

Crédito: Altexsoft

  • Mentalidade de consultor: Quando comparado a empresas de consultoria, trabalhar como consultor interno para uma organização estabelecida é menos agitado, com muito aprendizado ao longo do caminho. Minha típica vida profissional poderia ser trabalhar em um tipo de projeto, calcular o business case (principalmente através da análise de números), entregar os insights e depois passar para o próximo projeto. Isto dá uma oportunidade para todos os colegas de equipe, incluindo cientistas de dados, engenheiros de dados, engenheiros de aprendizado de máquina para manter sua curiosidade viva, fornecendo diferentes tipos de projetos.
  • Alocação eficiente de recursos: as Unidades de negócios ou equipes funcionais geralmente resistem à centralização de análises, porque elas não teriam mais capacidade dedicada. Mas, em alguns casos, essa capacidade e recursos ficam por aí sem o emprego de dados reais, enquanto a outra equipe pode precisar desses recursos. Ter um backlog de caso de uso de AI centralizado permite a alocação eficiente de recursos de mão de obra e poder de computação, para um local em que eles são mais necessários (é o trabalho do gerente de produtos priorizar o backlog).
  • Removendo os silos: Embora os analistas de pequenas equipes se tornem especialistas em seu próprio domínio, eles acabam trabalhando em silos e correm o risco de perder a visão geral. Isso não só poderia afetar a qualidade e a relevância do insight gerado, mas também poderia levar a uma menor satisfação no trabalho dos membros da equipe. Trabalhar em uma equipe centralizada de inteligência artificial pode fornecer uma visão geral dos processos e fontes de dados mais importantes em torno das organizações e de suas funções cruzadas

Verdadeiro significado de "falhar rápido"

Nos primeiros 6 meses como gerente de projeto, tudo o que fiz foi falhar. Eu falhei em experimentar com 3 projetos diferentes de IA, falhei em descobrir novas idéias e até falhei em comunicar eficientemente sobre esses experimentos fracassados. Meu aprendizado desde então não é apenas sobre a tecnologia, mas também sobre a cultura da empresa, que era muito diferente do que eu supus. A coisa mais importante aqui é saber que há sempre uma maneira de contornar a falha e tomar a ação correta após a falha é crucial mesmo quando o projeto está sendo encerrado (documento, feedback etc.). Agora eu chamo de "aprender rápido" ao invés de "falhar rápido".

Tudo é importante, mas priorize

Crédito: foldingburritos.com

Não é possível apagar todos os incêndios ou manter todos os proprietários felizes o tempo todo, seja na diretoria, no designer ou na engenharia. A habilidade mais útil e importante para um gerente de projeto de IA é equilibrar entre o que é urgente e o que é importante, o que é valioso. Escusado será dizer que manter o seu objetivo final em mente ajuda. Use a palavra NO sempre que necessário, se levar sua equipe para o objetivo que você deseja.

Criando critérios de sucesso e medindo o impacto do caso de uso

O teste A / B tem sido o método mais útil para validar uma hipótese, seja uma campanha online ou offline. Mas o que é ainda mais importante antes desses testes é definir o que o sucesso realmente significa para você e para o negócio. É economizar X quantidade de dinheiro, ou fazer X quantidade de vendas ou prestação de melhor atendimento ao cliente? (medir o atendimento ao cliente é a tarefa mais desafiadora de todas). É mais fácil analisar o impacto de um caso de uso de AI se um critério de sucesso claro for definido.

Não importa sozinho o que eu penso

Minha opinião sozinha sobre um caso de uso identificado não importa. Pode não ser um problema de todo. Dados e pesquisas em torno disso são o que importa. Criar um caso de uso no início pode ser uma boa maneira de começar, mas no final, fatos, dados, comentários e resultados de experimentos são importantes e todas as decisões para etapas adicionais devem ser tomadas nesses casos. Juntamente com partes interessadas relevantes, crie cálculos de casos de negócios, use hipóteses de casos, riscos associados, implementação de tecnologia atual para criar um caso de uso concreto que não apenas motive os proprietários do negócio, mas também sua própria equipe de ciência de dados. Algo não deve ser implementado apenas porque "soa bem".

Nós nunca somos realmente feitos com um caso de uso

Crédito: Carol McDonald via MapR

Muitos algoritmos são atualizados regularmente à medida que mais dados de treinamento são disponibilizados. Isso pode ser uma bênção e uma maldição quando se trata de implementar um modelo de ML, pois os modelos podem mudar significativamente ao longo do tempo e precisam ser monitorados para garantir que as metas sejam atingidas e as métricas para o sucesso estão sustentando as mudanças de dados. Certifique-se de ter auditorias de qualidade de dados em vigor. Se os dados do núcleo estiverem mudando, seus algoritmos serão alterados e, potencialmente, degradados. Isso é especialmente verdadeiro depois que você implementou os modelos de aprendizado de máquina em grande escala e não tem mais grupos de controle para monitorar os modelos. Tenha um processo rigoroso para monitorar modelos e treinar novamente e medir o impacto com frequência. Os dois passos em frente, uma abordagem passo a passo é válida aqui para garantir que seus KPIs (Key Performance Indicators – Indicadores Chave de Desempenho) estejam se movendo na direção certa.

Comunique-se e comunique-se novamente

Uma das tarefas mais importantes para um gerente de projeto de IA é comunicar-se com as partes interessadas em todos os estágios da experimentação e desenvolvimento do caso de uso. Comunique-se com os proprietários do negócio, a equipe de ciência de dados, a gerência sênior e, o mais importante, com todos os demais membros da empresa sobre o que a IA é capaz de fazer. O papel do gerente de projetos da AI é ser o confidente confiável. Você deve ser o primeiro a saber se algo não está no caminho decidido; ou se um prazo for perdido. Sua equipe precisa saber exatamente o que é esperado deles; e porque. Entregue más notícias cedo e adiantadamente. Seja direto. Peça e dê feedback regularmente.

É realmente fácil cometer erros, pois a IA ainda é nova e complicada de se colocar em produção. Além disso, é bem diferente do projeto de software regular, onde procedimentos claros são definidos. A chave para o sucesso não é apressar a implementação da IA, mas respirar fundo e encontrar os problemas certos para resolver.