A Inteligência Artificial pode contribuir para a solução de problemas em diversas áreas de sua empresa. Contudo, também são numerosos os casos de insucesso na adoção de soluções baseadas em IA. Neste sentido, destacam-se aspectos que devem ser considerados para a adoção de sistemas inteligentes.
Qual é seu objetivo com a utilização de IA na sua empresa? Qual o patamar de melhoria que soluções baseadas em IA podem agregar? Quais são os desafios ou indicadores que devem ser quantificados? Apenas um dashboard, que permita visualizar dados sobre a operação já não entregaria valor? Se consegue responder às perguntas, você iniciou a jornada.
A maioria das empresas de manufatura não são nativas digitais. Por isso, os processos constituem-se, geralmente, de atividades contrárias às necessárias para utilizar Inteligência Artificial. Ao entender (e aceitar) isso, a empresa está apta a iniciar uma reorientação da cultura para uma visão orientada a dados.
Investimento em expertise na área e em tecnologias são fundamentais. No entanto, não tenha a percepção de que IA é uma tecnologia plug-and-play, com retornos imediatos. Ao pensar dessa forma, empresas realizam altos investimentos. Em muitos casos, soluções baseadas em IA agregam valor pela melhoria de eficiência e produtividade. Contudo, não apenas o custo de tais soluções, mas também o tipo de resultado que produzem, podem não ser suficientes para a melhoria de um indicador importante para o negócio.
Considere um cenário em que um sistema baseado em IA é capaz de apontar clientes com maior risco de deixar a marca. Assumindo que o indicador seja a reversão da evasão, além da valorosa previsão sobre quem são os clientes mais propensos a evadir, ainda se faz necessária uma forma eficiente de intervenção para se evitar o insucesso no indicador. Portanto, embora importante, a previsão feita pela IA constitui apenas uma parte do processo, restando ainda uma segunda etapa, igualmente crítica, para se atingir a melhoria desejada no indicador.
Se por um lado diversas soluções baseadas em Inteligência Artificial não dependem de dados gerados internamente, inúmeras outras soluções só agregam valor mediante uma integração direta com a realidade dos processos da empresa. Neste contexto, manter um histórico de dados organizado e consistente com a realidade que os gerou, pode significar não apenas uma redução considerável de tempo na implantação de um sistema inteligente, mas também uma economia de custos na engenharia de dados usualmente necessária ao funcionamento de tal sistema.
Como exemplo, pode-se citar sistemas capazes de identificar padrões de comportamento de falhas em máquinas-ferramentas. Neste cenário, a inexistência de um registro histórico, suficiente e consistente, sobre a ocorrência das falhas pode evitar a valiosa associação das condições em que ocorrem, configurando um obstáculo considerável para um sistema baseado em IA que gera valor pela detecção automática das condições que antecedem a ocorrência de um evento de falha.
É bastante comum uma empresa manter registros das vendas que realiza, mas será que mantém registros das vendas que não realiza? Isto é, registros sobre oportunidades de venda que foram criadas, mas que não se confirmaram, como ocasiões em que o cliente está dentro da loja, em busca de um produto, mas acaba saindo de mãos vazias.
A situação acima exemplifica uma realidade, e por que não dizer uma cultura, sobre a inexistência ou escassez de dados/conhecimento sobre situações de insucesso. Esta realidade impõe dificuldades para a aplicação de um tipo de solução baseada em Inteligência Artificial que, talvez, mais tenha entregado avanços em patamares realmente disruptivos.
Em áreas como a medicina, na qual o sucesso e, principalmente, o insucesso são bem documentados (exemplo, o quadro saudável versus o quadro patológico) os avanços já são sem precedentes. Algoritmos que são capazes de identificar problemas de saúde, antes mesmo de qualquer sintoma se tornar aparente, têm como matéria-prima um histórico de casos cuidadosamente rotulados ou diagnosticados como sendo um positivo ou um negativo, em analogia com o que se pode entender como ocasiões de insucesso ou sucesso no dia a dia de um negócio.
Ainda tratando sobre potenciais retornos de uma solução baseada em Inteligência Artificial, vale destacar que o resultado produzido em um contexto pode não ser o mesmo daquele sobre o qual uma propaganda foi construída. Por exemplo, soluções de IA baseadas em Machine Learning alicerçam-se na capacidade destes sistemas em aprender sobre uma realidade em específico. O sucesso deste aprendizado, assim como ocorre no aprendizado humano, mantém dependência direta do conteúdo que está disponível para ser aprendido. Assim, não raras vezes, uma mesma solução ou ferramenta de IA pode produzir resultados diferentes quando aplicada a empresas diferentes, ainda que a tarefa seja exatamente a mesma.
Portanto, recomenda-se experimentar, promover ou construir provas-de-conceito, para só então, com resultados validados no contexto alvo, decidir sobre o valor que uma solução baseada em IA pode efetivamente agregar ao negócio.
Artigo elaborado por Wilson Gavião e Victor Gomes.
