Colocando programas piloto de IA em produção
Deste exemplo de sucesso, várias lições podem ser aprendidas. Em primeiro lugar, os dados não estruturados devem ser preparados para modelos de IA através de formas intuitivas de recolha e dos pipelines de dados e registos de gestão corretos. “Você só pode utilizar dados não estruturados quando seus dados estruturados estiverem consumíveis e prontos para IA”, diz Cealey. “Você não pode simplesmente lançar IA em um problema sem fazer o trabalho de preparação.”
Para muitas organizações, isso pode significar que precisam encontrar parceiros que ofereçam suporte técnico para ajustar os modelos ao contexto do negócio. A abordagem tradicional de consultoria tecnológica, na qual um fornecedor externo lidera um plano de transformação digital durante um longo período de tempo, não é adequada aqui, uma vez que a IA está a evoluir demasiado rapidamente e as soluções precisam de ser configuradas para a realidade empresarial atual de uma empresa.
Os engenheiros avançados (FDEs) são um modelo de parceria emergente mais adequado à era da IA. Popularizado inicialmente pela Palantir, o modelo FDE conecta recursos de produto e engenharia diretamente ao ambiente operacional do cliente. Os FDEs trabalham em estreita colaboração com os clientes no local para compreender o contexto por trás de uma iniciativa tecnológica antes de uma solução ser construída.
“Não poderíamos fazer o que fazemos sem os nossos FDE”, diz Cealey. “Eles saem e ajustam os modelos, trabalhando com nossa equipe de anotação humana para gerar um conjunto de dados reais que pode ser usado para validar ou melhorar o desempenho do modelo em produção.”
Em segundo lugar, os dados precisam de ser compreendidos dentro do seu próprio contexto, o que exige que os modelos sejam cuidadosamente calibrados para o caso de utilização. “Você não pode presumir que um modelo de visão computacional pronto para uso proporcionará um melhor gerenciamento de estoque, por exemplo, pegando esse modelo de código aberto e aplicando-o a quaisquer que sejam seus feeds de dados não estruturados”, diz Cealey. “Você precisa ajustá-lo para que ele forneça as exportações de dados no formato desejado e atenda aos seus objetivos. É aí que você começa a ver modelos de alto desempenho que podem realmente gerar insights de dados úteis.”
Para o Hornets, a Invisible usou cinco modelos básicos, que a equipe ajustou para dados específicos do contexto. Isto incluiu ensinar os modelos a compreender que estavam “olhando” para uma quadra de basquete e não para, digamos, um campo de futebol; compreender como um jogo de basquete funciona de maneira diferente de qualquer outro esporte que o modelo possa ter conhecimento (incluindo quantos jogadores estão em cada equipe); e entender como identificar regras como “fora dos limites”. Depois de ajustados, os modelos foram capazes de capturar cenários visuais sutis e complexos, incluindo detecção de objetos altamente precisa, rastreamento, posturas e mapeamento espacial.
Por último, embora o mix de tecnologia de IA disponível para as empresas mude a cada dia, elas não podem evitar as métricas comerciais antiquadas: objetivos claros. Sem clareza sobre o objetivo comercial, os programas-piloto de IA podem facilmente transformar-se em projetos de investigação abertos e sinuosos que se revelam dispendiosos em termos de computação, custos de dados e pessoal.
“Os melhores compromissos que temos visto são quando as pessoas sabem o que querem”, observa Cealey. “O pior é quando as pessoas dizem ‘queremos IA’, mas não têm direção. Nessas situações, elas estão em uma busca interminável sem um mapa.”
Este conteúdo foi produzido pela Insights, o braço de conteúdo personalizado do MIT Technology Review. Não foi escrito pela equipe editorial do MIT Technology Review. Foi pesquisado, projetado e escrito por escritores, editores, analistas e ilustradores humanos. Isso inclui a redação de pesquisas e a coleta de dados para pesquisas. As ferramentas de IA que podem ter sido utilizadas foram limitadas a processos de produção secundários que passaram por uma revisão humana minuciosa.
