Suas aplicações em IA ainda não ganharam a tração necessária? Veja os desafios mais comuns em projetos com IA que podem estar por trás disso
A adesão a uma tecnologia – qualquer que seja – tem benefícios e desafios associados. Com a IA, não seria diferente. Aliás, em virtude de suas características, ela é caso paradigmático, tanto em relação a potenciais benefícios quanto a desafios – ambos de envergadura considerável para todos os setores. Mas quais os desafios mais comuns em projetos em IA? Neste artigo, reunimos os principais.
1. Cultura organizacional ainda não percebe valor na inteligência artificial
O desafio mais comum em projetos com IA é a falta de compreensão sobre a tecnologia, sobretudo entre profissionais não ligados às áreas técnicas.
Leia mais: Sua organização está pronta para o data science?
O problema é praticamente duas vezes mais comum em empresas que ainda não têm nenhum projeto em IA do que nas que já começaram a adoção. O que indica que, quanto mais a organização demora para adotar, maior a sua resistência à IA.
A Gartner se refere a esse ponto como medo do desconhecido, que se traduz numa taxa de 42% dos respondentes de sua pesquisa que afirmam não entender completamente os benefícios da IA.
Mas o desafio não é comum apenas a organizações que ainda não adotaram IA. Para adotantes iniciais, em contraste, esse desafio, embora bem menor, ainda existe. De acordo com estudo da McKinsey, essas organizações precisam de um campeão em IA reconhecido e bem engajado no C-suite, que vai patrocinar as iniciativas e, mais do que isso, puxar o alinhamento da estratégia em IA à estratégia da organização, o que vai garantir que ela se sinta mais confortável para correr os riscos associados a suas decisões, entenda a frequência de atualização de seus modelos etc.
2. Dificuldade de identificar casos de uso apropriados ao negócio
Talvez em decorrência ou até mesmo como uma causa do primeiro desafio está a dificuldade de identificar casos de uso da IA dentro do negócio.
Esse desafio é bem comum, tanto em organizações que já superaram a marca de seu primeiro projeto quanto em organizações que ainda estão considerando adotar a tecnologia.
Leia mais: [Entrevista] Data science: o que você precisa saber para trabalhar com dados
De fato, ter uma visão e estratégia em IA que se alinhe à estratégia da organização e, então, um road map de iniciativas em IA ligadas é o que definirá a capacidade da empresa de financiar e de gerar performance, bem como evitar que os trabalhos visem objetivos impossíveis.
Isso não significa que as áreas de negócio precisam se tornar técnicas, mas que, para o mapeamento de casos de uso e entendimento do que a tecnologia pode fazer pelo negócio, será preciso que, junto com as áreas técnicas, elas mirem seu segmento, acompanhem os grandes players do mercado, façam parcerias com empresas com expertise no campo e aprendam sobre as possibilidades de uso.
3. Falta de profissionais qualificados e dificuldade de contratar especialistas
Projetos com IA bem-sucedidos reúnem tanto conhecimento técnico quanto compreensão de negócio. No entanto, não será raro encontrar essas duas skills separadas no mercado.
Esse desafio é sentido, sobretudo, por organizações que já têm projetos em IA, que precisam ir ao mercado em busca de profissionais.
Os gaps em skills envolvem sobretudo profissionais modeladores de machine learning e cientistas de dados. Quanto a estes, realmente, existe uma carência difícil de ser suprida, pois profissionais como cientistas de dados, além de expertise técnica e teórica, precisam de expertise prática, ligada ao domínio específico do negócio. É esse conhecimento que lhes permite, por exemplo, identificar casos de uso da IA apropriados ao negócio. Outro profissional de que o mercado sente falta é do de engenharia de dados.
No Brasil, as graduações em ciência de dados, além de serem poucas e novas, priorizam – com razão – um currículo variado. No entanto, um dos grandes desafios dos cursos está na especificidade das áreas, que requerem um domínio particular dos dados, modelos e tratamento.
Não é raro, por isso, que a maioria dos profissionais aprenda na prática, dentro da empresas.
4. Falta de dados ou problema de qualidade de dados
Como diz a Gartner em artigo:
O sucesso de iniciativas em IA depende de um amplo volume de dados a partir dos quais as organizações possam tirar informação sobre a melhor resposta a uma situação. As organizações estão conscientes de que sem dados suficientes – ou se a situação não corresponde aos dados disponíveis – o projeto em IA é fraco.
Isso tem a ver com outra das dificuldades mais comuns em projetos com IA: a qualidade dos dados.
Problemas com isso, como falta ou inconsistência, são extremamente comuns em adotantes iniciais de IA, mesmo que os volumes de dados relevantes sejam uma parte essencial do sucesso da IA.
Isso acontece devido a fatores como: dados coletados em diferentes atividades da organização, em formatos variados e armazenados em diferentes databases; falta de um repositório unificado a partir do qual os dados possam ser higienizados e acessados; dados não estruturados, incompletos etc.
Nesse caso, não é raro que projetos em IA tendam a trazer à superfície problemas de qualidade de dados que antes estavam escondidos ou latentes. Já organizações que ainda não iniciaram projetos com IA não sentem esse tipo de problema. Mas precisam fazer o dever de casa antes de iniciarem seus projetos.
Isso, porque o problema é grave, e pode levar a erros e bias que produzem resultados e predições completamente distorcidos.
5. Desafios na infraestrutura técnica
Parece algo básico – e é –, mas, se a infraestrutura técnica não consegue suportar a quantidade de dados necessária ou o tipo de processamento necessário, o projeto terá dificuldades. Muitas organizações passam por esse desafio, que também está entre os mais comuns em projetos com IA.
Essa falta de infraestrutura adequada ocorre porque nem todas as organizações estão aptas a integrar IA em seus processos, seja porque sua infraestrutura é antiga ou não está preparada.
Para chegar a uma arquitetura de dados estável para suportar as necessidades mas ágil o suficiente para escalar quando os projetos amadurecerem as equipes de dados e de infra vão ter que trabalhar juntas.
6. Preocupações legais ou compliance
Apesar de as regulações sobre o uso e privacidade de dados estarem aí, permanece um ambiente de receio e de dúvida nas organizações sobre o que pode e o que não pode ser feito e de que modo.
Leia mais: Coleta de dados em tempos de LGPD: qual o impacto em projetos com dados?
Além disso, o campo da IA é um daqueles casos típicos em que a regulação não acompanha a evolução da tecnologia – e talvez nem poderia. Mas isso também levanta questionamentos, principalmente os que vêm na esteira dos riscos da IA: e se, por defeito de uma IA, algo ou alguém for prejudicado, a responsabilidade é de quem?
Neste ponto, podemos citar ainda os debates éticos, levantados sobretudo a partir dos casos de sistemas enviesados em relação a grupos minoritários.
Como superar os desafios mais comuns em projetos com IA
Essas dificuldades inerentes à maioria dos projetos em IA mostram que muitas organizações ainda não dispõem de práticas básicas para gerar valor com a IA em escala. O que não surpreende, dado o estado ainda pouco maduro da IA no Brasil.
Como a McKinsey demonstra, o estágio de uma organização em sua transformação digital está diretamente relacionado a sua taxa de uso, seus investimentos e seus resultados com IA.
Por outro lado, quando se fala em data science e inteligência artificial, a organização não pode pensar que vai começar grande, nem que vai lidar com todos esses desafios de uma vez só ou até sozinha.
Para isso, contar com um parceiro com inúmeros projetos em IA na conta vai ajudar. Converse com um de nossos consultores para saber como podemos ajudar a sua organização a construir as bases para seus projetos em IA, formar um grande time e a executar seu projetos para colher bons resultados.
