Os sistemas de Inteligência artificial (IA) têm a capacidade de classificar e prever eventos futuros a partir de um conjunto de dados para treinamento e testes, oferecendo uma probabilidade de ocorrência para cada evento. Sistemas de IA têm multiplicas aplicações, como análise preditiva de falhas de sistemas operativos, reconhecimento facial, medicina preventiva, veículos autônomos, mercado financeiro, detecção de fraudes, recrutamento de funcionários, comportamento de consumidores, entre outros. A IA tem sido utilizada com sucesso na automação de processos administrativos em conjunto com softwares de RPA (Robotic Process Automation), aumentando a velocidade de execução de processos manuais e reduzindo o staff que toma decisões pré-definidas. Com novas tecnologias, como computação quântica e Data Lakes, abrem-se inúmeras possibilidades para novas aplicações e descobertas cientificas.
Dentro do contexto de IA, desenvolve-se uma solução para resolver um problema específico. Os insumos principais para o desenvolvimento da solução são os dados. Para obtê-los, é necessário desenvolver formas de coletá-los, como o uso de sensores remotos, armazená-los, como em Data Lakes, processá-los, usando a combinação de CPUs e GPUs, e apresentá-los com o uso de ferramentas de visualização.
O ambiente de IA requer modelos de governança de dados, gerenciamento de projetos, pessoal qualificado e patrocinadores influentes dentro das organizações.
Este artigo pretende apresentar um roteiro para o desenvolvimento de um projeto de inteligência artificial.
1. O que diferencia um projeto de software de um projeto de IA?
Todos os projetos exigem um problema, uma solução e um indicador de sucesso. Os projetos de inteligência artificial não são exceção. Entretanto, reúnem algumas idiocrasias. A figura 1 mostra a diferença entre o desenvolvimento de software clássico e o desenvolvimento de um projeto de Machine Learning.
Notem que nos projetos de software tradicional os especialistas já possuem as regras, tornando o desenvolvimento de software simples e, relativamente, previsível. Consequentemente, podemos estimar prazos, custos e qualidade dos resultados.
Isto nos faz lembrar da parábola dos cegos e do elefante:
Um grupo de cegos ouviu dizer que um animal estranho, chamado elefante, havia sido trazido para a cidade, mas nenhum deles estava ciente de sua configuração e forma. Por curiosidade, eles disseram: “Precisamos inspecionar e conhecê-lo pelo toque, do qual somos capazes”. Então, eles o procuraram e, quando o encontraram, tentaram tateá-lo. No caso da primeira pessoa, cuja mão pousou na tromba, disse: “Este ser é como uma cobra grossa”. Para outro cuja mão chegou à orelha, parecia uma espécie de leque. Quanto a outra pessoa, cuja mão estava sobre a perna, disse, o elefante é um pilar como um tronco de árvore. O cego que colocou a mão de lado disse que o elefante “é uma parede”. Outro que sentiu o rabo, descreveu-o como uma corda. O último sentiu sua presa, afirmando que o elefante é aquilo que é duro, liso e como uma lança.
A parábola ilustra uma série de verdades e falácias, mostrando que a experiência subjetiva de alguém pode ser verdadeira, mas que essa experiência é inerentemente limitada pelo fato de não dar conta de outras verdades ou de uma totalidade da verdade.
A figura 2 mostra um exemplo onde a IA pode ajudar no reconhecimento de padrões e explicar melhora a realidade.
Quem olha o cubo pela primeira vez, normalmente, não consegue identificar os padrões, porém quando aplicado algoritmos de Machine Learning os padrões são reconhecidos e estabelecidas regras de formação.
Nestes casos, os projetos de IA requerem muitos dados, tempo de análise e várias simulações com diferentes algoritmos, fato que torna os prazos, custos e qualidade do projeto imprevisíveis, dependendo da complexidade do projeto.
Entretanto, é justamente este entendimento melhor dos cenários de negócios e comportamento dos consumidores que oferece vantagens competitivas para as empresas.
Então, vale o investimento.
2. Definindo os objetivos do projeto de inteligência artificial
O objetivo de um projeto de IA pode ser parte de um grande conjunto de objetivos, dentro de um programa, a partir de uma iniciativa de transformação digital da empresa. É importante que a empresa esteja consciente do projeto e, também, comprometida com o sucesso do projeto, garantindo recursos de mão de obra, ferramentas, acesso amplo as informações necessárias para o desenvolvimento do projeto, recursos computacionais e, principalmente, comprometimento da média e alta gerência.
A seleção de um projeto deve buscar o ponto de equilíbrio – trade-off – entre o esforço para executar o projeto e seu impacto na organização. A questão é quando se inicia um projeto de IA para resolver um problema complexo de grande impacto para a organização, a imprevisibilidade característica dos projetos de IA, pode comprometer o sucesso do projeto e a credibilidade da inteligência artificial dentro da organização.
Desta forma, a recomendação é iniciar pequenos projetos de IA que possam utilizar experiências de projetos de outras empresas ou de estudos acadêmicos consistentes, para aumentar a previsibilidade e sucesso dos entregáveis.
Existe um processo para o desenvolvimento de projetos de IA nas organizações, onde, dificilmente, pode-se pular etapas. A figura 3 mostra as quatro etapas e seus principais objetivos.
A primeira etapa que envolve o mapeamento dos processos é importante, pois não são todos elegíveis para o uso de IA. No mapeamento, é possível identificar as atividades e as variáveis críticas e problemas que melhor descrevem os processos. Depois do mapeamento de processos, vem uma que considera uma das mais difíceis, a coleta, transformação e armazenamento de dados. Nesta etapa devem ser considerados os dados estruturados (nome do cliente, endereço, data de nascimento etc.) e dados não estruturados (conteúdo de e-mails, conteúdo escritos de formulários eletrônicos e físicos, gravações de voz, imagens de expressões faciais, fotos em redes sociais etc.).
A etapa seguinte é a análise exploratória de dados para conhecer melhor o comportamento dos processos. Por último, a fase de desenvolvimento dos algoritmos de IA, treinamento e teste dos modelos para introduzi-los nos processos da empresa.
No mapeamento dos processos é possível identificar a complexidade de cada um e os problemas que os usuários enfrentam. Conhecendo os processos e os problemas é possível selecionar um problema para resolver com ferramentas analíticas e inteligência artificial, baseado na premissa de custo/benefício.
A Google sugere o uso de uma matriz de transformação para avaliar os impactos dos projetos no tempo (figura 4). O intervalo de impacto varia de melhoria a um crescimento de 10 vezes (característica das empresas exponenciais).
A matriz sugere que o objetivo de longo-prazo é a transformação da organização. A primeira fase é buscar vitórias rápidas e produtos ou modelos de negócios disruptivos no curto-prazo, enquanto se desenvolve as iniciativas de longo-prazo.
3. A organização do time de inteligência artificial
Um time de alto desempenho de IA deve ter capacitação técnica, forte conhecimento do negócio e atitude, incluindo resiliência, para enfrentar ambiguidades e obstáculos. Uma forte liderança e patrocínio do projeto são fundamentais para o sucesso.
A organização dos times deve atender aos requerimentos do negócio e serem constituídos por membros funcionais das várias divisões de negócios envolvidas no projeto.
Quanto maior a capacidade das organizações preverem eventos futuros ou classificar coisas, maior será sua vantagem competitiva no mercado, diminuiu os riscos para a empresa, aumenta as chances de sucesso nos pequenos e grandes investimentos e entrega de benefícios para as pessoas. Isto vale tanto para os setores privados como públicos.
Os problemas (ou objetivos) tradicionais de pesquisa em IA incluem raciocínio, representação do conhecimento, planejamento, aprendizado, processamento de linguagem natural, percepção e a capacidade de mover e manipular objetos.
Sistemas de IA utilizam métodos estatísticos, inteligência computacional e abordagem simbólica tradicional. Muitas ferramentas são usadas na IA incluindo versões de pesquisa e otimização matemática, redes neurais artificiais e métodos baseados em estatística, probabilidade e economia. O campo da IA baseia-se em ciência da computação, engenharia da informação, matemática, psicologia, linguística, filosofia e muitos outros campos.
A exceção dos especialistas do negócio, que devem conhecer os fundamentos de IA, os demais membros da equipe devem ter conhecimento e habilidades em redes bayesianas (incluindo redes neurais), ciência da computação, ciência cognitiva, engenharia de software, física, banco de dados e ótimos conhecimentos de matemática (álgebra, cálculo, lógica, algoritmos, probabilidade e estatística). Os treinamentos devem ser segmentados por perfil de atuação nos projetos, potencializando o conhecimento e habilidades de cada membro do projeto, como:
- Engenheiros de aprendizado de máquina (machine learning engineer): deve possuir conhecimento e habilidades em pesquisa aplicada, ciência de dados e codificação de programas em várias linguagens de programação (Java, Python e Scala), sendo capazes de desenvolver e aplicar modelos preditivos em grandes conjuntos de dados;
- Cientista de dados (Data Scientist): deve possuir conhecimento e habilidades para coletar, analisar e interpretar grandes e complexos conjuntos de dados, aproveitando o aprendizado de máquina e análise preditiva de dados, principalmente na coleta e limpeza dos dados para análise. Devem conhecer ferramentas tais como: Hive, Hadoop, MapReduce, Pig e Spark. Além de conhecer linguagens de programação como Perl, Python e Scala;
- Desenvolvedor de Business Intelligence (Business Intelligence Developer): deve possuir conhecimento e habilidades para analisar grandes e complexos conjunto de dados para identificar tendências de negócios e de mercado. Devem projetar, modelar e manter dados complexos em plataformas de dados em ambientes computacionais, incluindo cloud computing, altamente acessíveis. Esta função requer, além conhecimento e habilidades técnicas, grande capacidade de comunicação e apresentação visual;
- Engenheiro/Arquiteto de Big Data (Big Data Engineer/Architect): deve possuir conhecimento e habilidade em banco de dados e tecnologias analíticas na indústria, incluindo bancos de dados MPP, relacional e NoSQL, incluindo implementação e ajuste de plataformas de Data Warehouse, otimização de pesquisas de dados (Query Tuning & Optimization) e migração e integração de dados. Experiência de requisitos para a camada de apresentação analítica incluindo Dashboards, Reporting e OLAP. Devem planejar, projetar e desenvolver o ambiente de Big Data em sistemas como Hadoop e Spark e conhecer os serviços disponíveis no mercado, como os da AWS: Elastic Map Reduce (EMR), Redshift, Kinesis, Amazon Machine Learning, AWS Lambda, Data Pipeline, S3, DynamoDB e Relational Database Service (RDS).
As equipes de desenvolvimento de projetos de IA devem seguir os 12 princípios do Manifesto Ágil, descritos a seguir:
- Nossa maior prioridade é satisfazer o cliente por meio da entrega antecipada e contínua de software valioso;
- Bem-vindo à mudança de requisitos, mesmo no final do desenvolvimento. Os processos ágeis aproveitam a mudança para a vantagem competitiva do cliente;
- Entregue o software em funcionamento com frequência, semanas ao invés de meses;
- Pessoas de negócios e desenvolvedores devem trabalhar juntos diariamente durante todo o projeto;
- Construir projetos em torno de indivíduos motivados. Dê a eles o ambiente e o suporte de que precisam e confie neles para fazer o trabalho;
- O método mais eficiente e eficaz de transmitir informações para e dentro de uma equipe de desenvolvimento é a conversa cara-a-cara;
- Software funcionando é a principal medida de progresso;
- Processos ágeis promovem o desenvolvimento sustentável. Os patrocinadores, desenvolvedores e usuários devem ser capazes de manter um ritmo constante indefinidamente;
- A atenção contínua à excelência técnica e ao bom design aumenta a agilidade;
- Simplicidade – a arte de maximizar a quantidade de trabalho não feito – é essencial;
- As melhores arquiteturas, requisitos e designs surgem de equipes auto-organizadas;
- Em intervalos regulares, a equipe reflete sobre como se tornar mais eficaz, então ajusta e ajusta seu comportamento de acordo.
O Scrum é uma metodologia de desenvolvimento de software que segue os princípios do Manifesto Ágil. Sua estrutura contempla o desenvolvimento, entrega e manutenção de produtos em um ambiente complexo com ênfase inicial no desenvolvimento de software, embora tenha sido utilizado em outras áreas, incluindo pesquisa, vendas, marketing e tecnologias avançadas, incluindo projetos de IA. É projetado para equipes, chamadas de squads, de dez ou menos membros, que quebram seu trabalho em metas que podem ser completadas dentro de iterações em períodos, chamadas sprints, não maiores que um mês, tipicamente duas semanas. A equipe de Scrum avalia o progresso em reuniões diárias de 15 minutos ou menos. Ao final do sprint, a equipe realiza mais duas reuniões: a revisão de sprint que demonstra o trabalho feito às partes interessadas para obter feedback, e a retrospectiva do sprint que permite que a equipe reflita e melhore seu desempenho. A figura 5 mostra o funcionamento do Scrum.
4. Gerenciamento de projetos de inteligência artificial
Apesar das nítidas vantagens da IA e sua rápida implementação nas empresas, através de serviços já disponíveis em empresas de computação em nuvem e softwares open source (gratuitos), existem muitos desafios e dúvidas sobre como gerenciar os projetos de IA.
Não podemos negar a complexidade dos projetos de IA e como tal, exige uma abordagem diferentes dos métodos de gerenciamento de aplicativos tradicionais. Ou seja, existem várias diferenças entre os projetos de IA e os projetos de TI tradicionais.
A primeira coisa que temos que entender é que projetos de IA não são executados apenas por profissionais de TI. Um projeto de IA requer a participação de vários especialistas, internos e externos, independentemente se eles têm conhecimento técnico em inteligência artificial. O importante é conhecer muito bem o negócio, a tecnologia por trás do problema que se quer resolver, os modelos e métodos matemáticos empregado em IA e as ferramentas de software para implementar a solução do problema.
Existem várias etapas que um projeto de IA deve passar até chegar ao aproveitamento pleno da inteligência artificial em startups em estágio de scale-up e clientes corporativos.
Quando mais rápido evoluirmos na hierarquia de necessidades da pirâmide, mais rápido o projeto de IA tomará forma e abreviará a entrega de benefícios para a organização. O resultado das análises exploratórias de dados, em cada etapa do ciclo de desenvolvimento como mostra a figura 6, é a melhor compreensão do problema e a busca de formas criativas e inovadoras de resolvê-lo, usando ferramentas apropriadas para o sucesso do projeto.
Os projetos de IA requerem uma Prova de Valor (POV – Proof of Value), evidência que a solução serve para a empresa e que pode ser justificada e medida, e deve-se adotar uma abordagem bottom-up, ou seja, requer a fragmentação de um sistema para a compreensão da composição de seus subsistemas. Nesta abordagem, os elementos básicos são descritos em detalhes e a associação entre eles forma um subsistema maior até completar o nível mais alto do sistema objetivo. Ao contrário das abordagens top-down, quando se parte de uma instância final para a inicial, como uma engenharia reversa.
O desenvolvimento de projetos de IA usando a abordagem bottom-up, tende a abrir várias oportunidades conforme o ciclo amadurece, ou seja, o projeto passa por vários estágios de exploração, acertos e testes. A complexidade dos projetos de IA podem levar a altos custos de desenvolvimento e prazos mais estendidos, requerendo uma metodologia ágil de desenvolvimento, como descrita anteriormente.
O princípio de trabalho deve ser explorar as ideias de forma rápida e identificar falhas logo no início, em vez de identificá-las em estágios mais avançados de desenvolvimento com maiores custos de retrabalho.
O ciclo de desenvolvimento de um projeto de IA pode ser inspirado na ferramenta DMAIC de melhoria contínua de processos, adotado pela metodologia Six-Sigma, apresentado na figura 7. O DMAIC é um acrônimo em inglês para cinco passos: Definir; Medir; Analisar; Controlar e Melhorar (Define, Measure, Analyze, Improve and Control). Cada passo deve ser executado na sequência e, se ao final do ciclo o resultado esperado não for alcançado, o ciclo de dever ser reiniciado tantas vezes quanto necessário para atingir o resultado esperado.
- Definir
O primeiro passo é definir qual o problema que se deseja solucionar ou ponto de melhoria de um processo ou produto com o uso de inteligência artificial. A seguir define-se o escopo e a equipe do projeto, incluindo especialistas internos e externos. Aqui são utilizadas vários métodos e técnicas de gestão de processos, como o brainstorming e mapeamento de processos.
- Medir
Neste passo o objetivo é coletar dados e informações, estruturadas e não estruturadas, para analisar e avaliar o cenário atual. A partir de análises exploratórias de dados é possível conhecer determinados padrões de processos e comportamentos de clientes. Aqui são utilizados vários procedimentos para analisar dados, técnicas para interpretar os resultados de tais procedimentos, formas de planejar a reunião dos dados para tornar as análises mais simples e precisas através de métodos estatísticos (matemática) apropriados.
- Analisar
O objetivo deste passo é identificar a principal causa raiz do problema para promover a melhoria de um processo ou de um produto, criando várias oportunidades de melhorias para aumentar a satisfações dos clientes.
Neste ponto podemos analisar se a melhoria de um processo ou produto, realmente, precisa de uma solução de IA. Se é aplicável definimos o nosso MVP – Minimum Value Product.
Os projetos podem ser desenvolvidos utilizando processos de inovação buscando conhecimento externo para resolver desafios internos, reduzindo o tempo de solução e descoberta de novas técnicas e soluções fora do radar das equipes internas.
A ideia da inovação aberta é muitas soluções de problemas podem ser realizadas por pessoas de fora da empresa e startups. A facilidade de comunicação se beneficiando das redes sociais permite acesso a conhecimentos diversos, em diferentes regiões do planeta. Atualmente, não faz sentindo uma empresa confiar apenas no conhecimento interno para desenvolver soluções, pois corre o risco de seus especialistas, por melhores que sejam, ficarem limitados aos seus próprios conhecimentos e suas capacidades de pesquisa. Os resultados dos projetos podem ser utilizados de várias formas. Aqueles que não interessam para a empresa naquele momento podem ser licenciados para outras empresas utilizarem em seus mercados. Pode-se atuar em novos mercados ou aumentar sua participação no seu mercado atual.
Os hackthons, maratonas para desenvolvimento de inovação tecnológica, normalmente promovidas por grandes empresas, como Nasa, Sebrae e Uber, é uma ótima forma de buscar ideais de fora para problemas internos.
- Melhorar
Neste passo damos início ao desenvolvimento da nossa solução de IA. Já conhecemos todos os dados disponíveis para o projeto das análises da etapa de medição, agora temos que avaliar a necessidade de novas variáveis para atingir o objetivo esperado.
Um ponto importante é definir os tipos de algoritmos que serão utilizados no projeto: supervisionados, não supervisionados e aprendizado por reforço.
Os algoritmos supervisionados, em sua essência, para a classificação dos dados preveem a existência de um rótulo e para a regressão preveem a existência de quantidade. Geralmente, usamos algoritmos de classificação para entender as chances de ocorrência de um evento, por exemplo, a probabilidade de chuva. Os algoritmos de regressão são utilizados para quantificar um cenário, por exemplo, qual a probabilidade de inundação de uma área se chover.
Existem vários algoritmos supervisionados e são utilizados dependendo do projeto, tais como: Logistic Regression; Random Forest; Softmax Regression; k-Nearest Neighbors; Naive Bayes; Support Vector Machines; Linear Support Vector Machines e Neural Network.
No aprendizado não supervisionado não existe nenhum tipo de rótulo, dando liberdade ao algoritmo para encontrar sozinho os padrões nas entradas fornecidas. Algoritmos de distância (euclidiana, Manhattan, cosseno, Jaccard e outros) e clustering são exemplos de algoritmos não supervisionados.
O aprendizado por reforço, os algoritmos interagem com um ambiente dinâmico para poder desempenhar seu objetivo, como por exemplo dirigir um veículo autônomo. Um exemplo de algoritmo de aprendizado por reforço é o Q-Learning que aprende a qualidade das ações e determina qual ação tomar em determinadas circunstâncias.
Depois de selecionado o algoritmo o próximo passo é treinar o modelo, inserindo os dados coletados e buscando a precisão do modelo definida. Para treinar os algoritmos e avançar no desenvolvimento são utilizadas linguagens de programação com Python, R, Java, Julia e C++, dependendo da necessidade do projeto.
- Controlar
O último passo do ciclo DMAIC é controlar os resultados da solução de IA. Para isto, é necessário definir critérios de controle como checklists, metas e estatísticas para servir como fonte de informação para o monitoramento da implementação da solução de IA.
A gestão do ciclo DMAIC para o desenvolvimento de uma solução de IA pode seguir o modelo de gerenciamento ágil de projetos, quebrando as atividades em sprints de duas a quatro semanas para avaliar melhor os resultados do projeto e permitir correções ao longo do desenvolvimento.
5. Os desafios do desenvolvimento de um projeto de IA
Um dos desafios é o desalinhamento das expectativas entre as áreas de negócios e a equipe do projeto de IA. É natural que os executivos de negócios comparem o desenvolvimento de um projeto de IA com outros projetos do cotidiano das empresas, como o desenvolvimento de um novo produto ou um novo software de aplicação. Entretanto, como vimos no início, as diferenças começam na abordagem de desenvolvimento, os projetos de IA usam uma abordagem bottom-up e, na maioria das vezes, os projetos tradicionais usam a abordagem top-down, implicando em diferenças de custos e prazos. Uma outra diferença é que os resultados de um sistema de IA são apresentados em forma probabilística. Por exemplo, no caso de um aplicativo de streaming de música o algoritmo de sugestão da próxima música indica a probabilidade de o usuário gostar da próxima música, não sendo possível afirmar com 100% de certeza.
Como em qualquer processo de tomada de decisão, precisamos de dados corretos para tomarmos decisões corretas, ele se aplicando em sistemas de IA. Para que os sistemas de IA funcionem conforme esperado é necessário ter dados refinados que o sistema possa usar para aprender e analisar padrões. O conjunto de dados para sistemas de IA deve considerar dados estruturados e não estruturados, seguindo uma estratégia robusta e eficiente de coleta de dados. Sem isto, e com dados insuficientes, os projetos de IA tendem a fracassar.
Para o desenvolvimento de uma plataforma de dados para IA é desejável que as empresas invistam em Data Lakes, armazenando os dados corporativos na sua forma bruta. Aqui se aplica o conceito de ELT (Extract, Load and Transformation) ao invés de ETL (Extract, Transformation and Load). A diferença é que os atuais Data Warehouses gravam dados consolidados de diversas fontes para fins pré-determinados, reduzindo oportunidades futuras de novas correlações de dados e limitando o desenvolvimento de projetos de IA.
6. Como fazer um Projeto de IA Quick Win?
Como vimos anterior, as organizações desejam iniciar o desenvolvimento de projetos de IA devem selecionar projetos de melhoria que produzam resultados de curto-prazo. Uma sugestão é que o diretor das áreas de negócios patrocinei workshops internos para identificar problemas que possam ser resolvidos rapidamente com o uso de IA.
Um workshop de três dias é suficiente para criar protótipo de IA considerando que dados históricos estejam disponíveis em volume suficiente para as análises preditivas e classificações. Nos workshops podem ser utilizadas ferramentas de visualização de dados de código aberto, aprendizado de máquina e mineração de dados, que podem ser programadas sem a necessidade de codificação.
Segue a sugestão de programação do workshop:
1º Dia
- Preparação do projeto (3 horas)
- Formação das equipes (1 hora)
- Definição do problema a ser resolvido (4 horas)
2º Dia
- Entendimento profundo do problema apresentado pelos usuários (4 horas)
- Brainstorming para a solução do problema (3 horas)
- Projetar a solução (1 hora)
3º Dia
- Coleta dos dados (3 horas)
- Desenvolvimento do protótipo (3 horas)
- Teste pelos usuários (1 hora)
- Feedback da equipe (30 minutos)
- Encerramento (30 minutos)
Recomenda-se que os primeiros workshops sejam conduzidos por profissionais experientes para orientar e garantir as entregas dentro dos prazos, além de agregar conhecimento externo, dentro do conceito de inovação aberta.
7. Exemplo de justificativa para contratar um serviço especializado de desenvolvimento de projetos de IA
Segue um exemplo de redação de uma justificativa para a contratação de serviço externo especializado para o desenvolvimento de projetos de IA:
O objetivo é contratar um serviço especializado de desenvolvimento de projetos de inteligência artificial (IA) para acelerar a entrega dos benefícios, reduzir a curva de aprendizagem da equipe interna e implantar uma metodologia de gerenciamento ágil para projetos de IA.
Para reduzir custos e obter a flexibilidade exigida em projetos de IA, é recomendada a contratação de uma empresa focada em IA, formada por acadêmicos que possam treinar e transferir conhecimentos sem restrição, e com a possibilidade de obter incentivos fiscais previstos em Lei para os estímulos ao desenvolvimento científico, à pesquisa, à capacitação científica e tecnológica e à inovação. A Lei 1.196/05, concede incentivos fiscais às empresas que investem em pesquisa e desenvolvimento voltados à inovação tecnológica.
Trabalhar com Inteligência Artificial requer conhecimentos avançados de matemática e estatística. Os profissionais devem ter raciocínio analítico e criatividade para gerar insights para pensamentos “fora da caixa”.
O desafio atual formar equipes para desenvolver projetos de IA, devido à escassez de profissionais no mercado, nacional e internacional.
Usar processos tradicionais de recrutamento ou aguardar a formação de profissionais nesta área para iniciar os projetos de IA aumenta o risco de distanciamento dos concorrentes e, talvez, a retomada seja impossível no futuro.
A experiência do mercado mostra que é necessário um grande esforço em projetos de IA para a criação de uma base de dados confiável para treinamento e teste dos modelos de aprendizado de máquina.
A ideia é aproveitar este período para iniciar o treinamento da equipe e desenvolver modelos simples de IA com amostras reais de dados e ir sofisticando-os a partir da aquisição de mais dados, incluindo fontes externas ou novos dados gerados, a medida do necessário, para aperfeiçoar os modelos de aprendizado de máquina.
Desta forma, é possível reduzir o tempo, o custo de desenvolvimento do projeto e acelerar o treinamento dos membros do squad já utilizando dados reais. Para reduzir riscos e selecionar projetos que entreguem valor mais rápido, sugerimos incorporar na contratação dos serviços um workshop sobre inteligência artificial para identificar oportunidades de projetos de IA. O workshop será realizado com a participação de executivos e especialistas de negócios da empresa. Com uma lista de oportunidades de projetos será selecionado aquele que entregar benefícios no curto-prazo. Após uma avaliação e aprovação do projeto é formado o squad e inicia-se o projeto com mais chances de sucesso, custos reduzidos e incorporação de treinamento de funcionários.
8. Autor
Eduardo Fagundes é engenheiro, professor, pesquisador e empreendedor. Como executivo (C-Level) desenvolveu projetos de tecnologia na Alemanha, Argentina, Estados Unidos, Índia, Inglaterra e Itália.
No Brasil, lidera projetos complexos de engenharia elétrica e inteligência artificial para os setores de engenharia, manufatura e energia. Atua como coordenador acadêmico em projetos educacionais avançados de capacitação profissional.
Eduardo é fundador e CEO da nMentors, uma empresa de engenharia de dados.
LinkedIn: www.linkedin.com/in/efagundes