Como formar equipes para projetos de Inteligência Artificial?

Formar equipes para projetos de inteligência artificial (IA) é um grande desafio para as empresas. A formação de um Squad, equipe multifuncional autônoma para desenvolver sprints de um projeto de inteligência artificial, deve ser composta pelo menos por: o Dono do Produto (Product Owner); Gerente de Projeto; Arquiteto de Sistemas; Engenheiro de Dados; Cientista de Dados; Engenheiro de DevOps. O projeto deve ter um patrocinador com forte liderança e influência na organização para ultrapassar as barreiras políticas organizacionais. O grande desafio é recrutar profissionais com forte background acadêmico e experiência prática em projetos corporativos. Processos de recrutamento e treinamentos corporativos tradicionais não funcionam para este tipo de projetos. A formação deve usar a abordagem Learning-by-doing, executados por profissionais com perfil acadêmico, motivação e habilidades didáticas para transferir conhecimento durante o projeto.  

O processo começa com o convencimento da importância de projetos de IA por um alto executivo da empresa, que esteja disposto a patrocinar o projeto. Sua participação é essencial para remover obstáculos políticos internos e conseguir os fundos necessários para a execução do projeto. Ele deve também designar alguém de sua confiança para liderar a equipe na função de product owner.

O product owner, ou o dono do projeto, tem o papel de avaliar as prioridades do projeto, servir de elo de ligação entre a equipe e outras áreas na organização, identificar barreiras internas e externas e desenvolver estratégias para supera-las e traduzir para a equipe do projeto os conceitos e regras do negócio para o desenvolvimento dos modelos de aprendizado de máquina: Machine Learning e Deep Learning, como as redes neurais artificiais.

O gerente do projeto dentro no squad atua como facilitador e remove obstáculos operacionais levantados pela equipe nas reuniões diárias de revisão do projeto. Utiliza ferramentas de gestão de projetos e faz análises de risco para ações de mitigação para garantir o sucesso do projeto. Em equipes muito enxutas, esta função pode ser realizada por um dos outros membros da equipe.

O arquiteto de dados tem a função de operacionalizar os modelos de aprendizado de máquina, ou seja, a partir dos dados coletados desenvolver algoritmos apropriados para as análises avançadas de dados. Como os cientistas de dados, os arquitetos de sistemas devem ter um conhecimento sólido modelos e de suas aplicações, mas com um foco mais voltado para os sistemas.

O engenheiro de dados tem a função de garantir a qualidade e integração dos dados na arquitetura de TI. Deve ter sólidos conhecimentos de bancos de dados SQL e NoSQL.

O engenheiro de DevOps é responsável pela implementação e gerenciamento de todo o ambiente, garantindo uma infraestrutura robusta e escalável e processos confiáveis e seguros de processamento dos dados.

O cientista de dados tem a função de explorar os dados para extrair informações relevantes e apresenta-las de forma clara e estruturada para auxiliar nas tomadas de decisões, incluindo análises preditivas e prescritiva. Lembrando: a análise preditiva identifica tendências futuras, a prescritiva traça as possíveis consequências de cada ação.

Todas as funções são importantes e essenciais para um projeto de IA. Entretanto, existem duas funções que exigem maior atenção para o recrutamento e formação técnica e acadêmica: o cientista de dados e o arquiteto de sistemas de inteligência artificial.

Os cientistas de dados e arquitetos de sistemas para IA devem ter formação em matemática e ciência da computação, preferencialmente com mestrado ou doutorado, conhecer algoritmos de aprendizado supervisionado e não-supervisionado para construir modelos matemáticos de Machine Learning e Deep Learning (Redes Neurais Artificiais), habilidade em programação e conhecer o negócio que estiver analisando. Obviamente, a formação de especialistas em inteligência artificial demanda anos de estudos e vivência prática. Por enquanto, encontrar profissionais com estas habilidades e perfil é uma árdua tarefa.

Felizmente, as novas ferramentas simplificam a programação dando mais produtividade nas análises e montagem dos modelos, porém ainda existe o desafio de idealizar, construir, ensinar e testar os modelos para resolver o problema alvo do negócio.

Este cenário de escassez de recursos humanos, inviabiliza e atrasam projetos. Muitas vezes, ter dinheiro não resolve, pois os profissionais disponíveis já estão alocados em projetos com desafios e salários atraentes.

Tentar contratar profissionais no exterior, também, é um desafio. O Vale do Silício na Califórnia nos Estados Unidos enfrenta o mesmo problema. Existem informações que existem milhares de vagas em aberto nas ensolaradas praias do Estado mais rico dos Estados Unidos.

Então, como formar equipes para trabalhar em projetos de inteligência artificial?

Minha sugestão é começar a formação nos cursos de graduação com parcerias entre as escolas e a iniciativa privada. As empresas fornecem os desafios e dados reais para as análises e construção de modelos matemáticos para a solução de problemas reais. Com o apoio dos professores, os alunos estudam e praticam. As empresas podem disponibilizar especialistas nos negócios para ensinar os alunos das características de cada negócio, ajudando na formação e melhorar as análises de dados. Este processo de aprendizagem Learning-by-doing acelera a curva de aprendizagem dos alunos. Na fase de estágio profissional, os alunos continuam os estudos e as atividades práticas com maior foco em áreas de negócios específicas, tornando-se especialistas.

Os cursos de especialização, aqui no Brasil chamados de MBAs, podem adotar novos modelos de aprendizagem, baseados em Learning-by-doing, para acelerar a curva de aprendizagem. O uso de desafios de empresas com dados reais torna o processo de aprendizagem mais produtivo e direcionado. Acrescento a possibilidade dos alunos de especialização trabalharem nos laboratórios das Universidades para focarem nos estudos e nos projetos de solução dos desafios apresentados pelas empresas. O ambiente acadêmico facilita a criatividade, além do contato com vários professores e pesquisadores de diferentes áreas.

Outra alternativa é investir em startups com foco na solução de problemas da empresa. Dentro de um ambiente ágil e sem uma hierarquia organizacional rígida, com propostas desafiadoras de trabalho e, logicamente, com recompensas atraentes, é possível montar equipes de alto desempenho para os projetos de inteligência artificial.

Os novos modelos de negócios e a mudança do perfil de consumo do mercado levou vários especialistas de áreas técnicas e de negócios ao desemprego. Esta desconfortável situação para muitos profissionais qualificados, gera uma oportunidade para se tornarem cientistas de dados. Agregando conhecimento de matemática e programação, estes profissionais experientes podem suprir a demanda das vagas em aberto para cientistas de dados. Trabalhando em conjunto com os arquitetos e engenheiros de dados pode-se atingir excelentes níveis de desempenho.

Os estudos podem ser feitos com aulas gratuitas oferecidas por escolas tradicionais, aulas pelo YouTube de professores voluntários e programas governamentais de requalificação de mão de obra. Existem cursos online pagos de excelente qualidade e baixo valor.

O desafio fica em conseguir trabalhar em problemas reais com dados reais para praticar e buscar soluções que atendam as expectativas das empresas. Isto pode ser resolvido com a criação de desafios elaborados pelas áreas de inovação das empresas e com programas de inovação aberta, de preferência, com prêmios para os melhores trabalhos.

Resumindo, existem várias alternativas para a formação de equipes para projetos de inteligência artificial, não são imediatas e devem fazer parte de uma estratégia mais ampla para a transformação digital das empresas. Uma coisa é certa, o recrutamento feito de forma tradicional não funciona para estes casos.

Sou professor de cursos de especialização em tecnologia e gestão de negócios, e estou empenhado na formação de profissionais para projetos de IA usando a abordagem Learning-by-doing.