A revolução da inteligência artificial não está chegando, já está aqui e exige que as empresas repensem os processos de negócios para maximizar o poder da inteligência artificial (IA) para expandir as capacidades humanas.
Assim, todo aquele que se interessa por tecnologias modernas está ouvindo digitalização, big data e a penetração da inteligência artificial em diferentes áreas de nossa vida e trabalho. Não é nenhum segredo que a vida da IA aos poucos foi surgindo ao nosso redor: em nossos bolsos, bolsas, carros e casas, onde nossos gadgets e vários assistentes eletrônicos "vivem". De acordo com os principais especialistas no campo da inteligência artificial, essas tecnologias estão passando agora por uma terceira onda, finalmente escaparam dos laboratórios de pesquisa e estão rapidamente se tornando "um elemento-chave para a transformação dos negócios" [1].
Em minha publicação, gostaria de compartilhar a experiência adquirida na industrialização de um projeto baseado em IA e formular cinco, em minha opinião, condições essenciais e vitais para sua implementação bem-sucedida.
1. Uma equipe com uma mentalidade comum
Nas primeiras fases do projeto, quando ocorre o trabalho de pesquisa, o estudo dos dados disponíveis, a familiaridade com o processo tecnológico, a geração de ideias e hipóteses, os representantes comerciais e os desenvolvedores devem se tornar uma única equipe com um entendimento comum dos objetivos e tarefas para ser resolvido. É importante desde as primeiras fases do projeto que se torne próprio da equipa unida, para que cada um dos seus participantes compreenda e partilhe a responsabilidade pelas suas acções e pelo resultado global.
Como mostra a prática de implantação de projetos na indústria metalúrgica, as mais produtivas são as equipes que incluem especialistas de departamentos afins da empresa: trabalhadores da produção, tecnólogos, economistas, especialistas em TI e dados. É absolutamente certo que o desenvolvimento de um projeto é impossível sem funcionários que utilizarão diretamente o serviço digital: devem posteriormente tornar-se “product owners”.
Caso contrário, verifica-se que os gestores de empresas e tecnólogos, cuja responsabilidade direta é melhorar a eficiência dos processos de produção, consideram a introdução de serviços digitais como um meio para atingir seus objetivos e estão altamente motivados em tais iniciativas. E o lado da exploração, as pessoas que trabalham diretamente na produção com suas próprias mãos, tratam isso como a imposição de controles adicionais ou complicação adicional dos processos de produção já conhecidos e bem estabelecidos. Ou, por exemplo, a equipe de desenvolvimento, o lado da operação e os tecnólogos desenvolveram em conjunto um conjunto de hipóteses e até mesmo realizaram experimentos que confirmaram sua confiabilidade, mas pode vir a ser impossível sua implementação técnica por falta de dados necessários ou fontes de sinal.
É assim que eles descrevem sua abordagem para a implementação de soluções digitais em uma das maiores empresas industriais da Rússia. O trabalho das equipes começou com o fato de os operários da produção serem solicitados a identificar seus problemas e desejos: quem tem o que "dói", quem precisa do que para seus próprios planos. Todos os colaboradores têm metas que estão vinculadas à nossa estratégia. Por exemplo, entendemos como um laminador específico deve operar em cinco anos, qual deve ser a qualidade dos produtos, consumo de matéria-prima, paradas, etc., para que a estratégia nesta área seja implementada. E cada equipe que trabalha com uma unidade específica sabe quais resultados deve alcançar. É claro que atingir essas metas não é fácil, ou todas as empresas seriam igualmente eficazes e lucrativas. Portanto, a equipe de produção responde prontamente,se ele receber ajuda para resolver problemas específicos.
As equipes discutem em quais áreas problemáticas ou de alto potencial as ferramentas digitais podem ajudar e formulam hipóteses sobre como isso pode ser feito.
2. Transição para uma nova cultura de processos tecnológicos e de negócios
No decorrer de uma série de estudos nos últimos anos, os cientistas descobriram que “ao cometer o mesmo erro nas previsões, as pessoas são mais propensas a parar de confiar em um algoritmo do que em uma pessoa” [1].
Sim, as pessoas tendem a confiar mais na sua própria espécie, porque sabem como trabalhamos, porque entendem de maneira grosseira a lógica do comportamento umas das outras e podem facilmente imaginar-se no lugar de outra pessoa, projetar a situação.
Quando os gerentes de primeira linha e de nível médio foram questionados sobre o que os motivaria a confiar nos conselhos do sistema, 60 por cento escolheram a opção “Uma compreensão clara de como o sistema funciona e como ele gera conselhos”, 55 por cento - “Sistema com um acompanhamento comprovado registro ”, e 49 -“ Um sistema que explica sua lógica ”[2].
As empresas que estão fazendo um curso de digitalização e mudando para um novo nível de construção de processos tecnológicos e de negócios por meio da introdução de sistemas de IA enfrentam uma difícil tarefa de liderança para formar uma cultura corporativa que contribua para a compreensão dos objetivos, etapas e métodos de seus design e implementação. Alcançar esse objetivo não é fácil, já que muitas pessoas, especialmente aquelas que terão que interagir diretamente com a IA, muitas vezes estão preocupadas que as máquinas possam eventualmente tomar seu lugar e elas serão desnecessárias sem sua própria nave.
No ambiente de trabalho, é necessário formar a compreensão de que a inteligência artificial permitirá não se distrair com as tarefas individuais e visa não substituir os funcionários, mas ampliar suas capacidades, transferindo a funcionalidade para um novo patamar, facilitando o seu trabalho e a capacidade de se concentrar não em procedimentos de rotina, mas em coisas que realmente precisam de inteligência humana.
A equipe de desenvolvimento, por sua vez, deve dominar a linguagem da indústria, mergulhar o mais profundamente possível nos processos produtivos e tecnológicos.
É extremamente importante que as pessoas que usarão a IA diretamente compreendam os princípios básicos de sua estrutura e comportamento, possam fazer ajustes aos resultados de seu trabalho e se sentirem participantes ativos no desenvolvimento, para que tenham um senso de transparência e controle de o sistema. Idealmente, é claro, os sistemas de IA devem ser projetados de modo que expliquem suas decisões e ajudem as pessoas a manter alguma autonomia na tomada de decisões.
3. Experimentar com IA
Várias vezes em nossa prática, aconteceu que as equipes de produção que trabalhavam com nosso serviço não seguiam suas recomendações ou tentavam "enganá-lo" por terem medo de receber uma bronca de seus chefes por uma possível diminuição nos indicadores de eficiência produtiva e aumentaram custos de produção (por exemplo, aumento do consumo de energia).
Nas fases de teste a quente do sistema de IA, é importante criar o ambiente mais confiável dentro da equipe unida, é importante deixar claro para os experimentadores que um resultado negativo também é um resultado e às vezes é uniforme mais valioso do que um positivo. Aqui você precisa ser o mais honesto possível e não esconder a verdadeira situação. Em algum lugar, isso é comparável a uma consulta com um médico. O paciente nem sempre tem vontade de falar sobre todos os seus sintomas e anormalidades de saúde, ele esconde alguns, e posteriormente o tratamento se torna muito mais longo, caro e complicado.
O truque é se tornar uma “pequena startup” e aprender a experimentar rapidamente a digitalização no estilo startup. Sua regra usual é: "Se funcionar, vamos em frente, senão, experimente uma nova ideia." Cada uma dessas startups é um processo de várias etapas de elaboração e desenvolvimento de uma hipótese desde o nascimento, por meio da verificação e transformação em uma solução de trabalho, até que um efeito comercial seja obtido. Além disso, os funcionários que estão engajados em uma hipótese devem acompanhá-la do início ao fim [2].
A principal métrica para o desenvolvimento da hipótese deve ser o efeito negócio, para o qual é importante construir um modelo de cálculo logo no início do projeto, enquanto a cada etapa esse modelo é atualizado. Fontes inicialmente óbvias de efeito para uma hipótese podem revelar-se pouco promissoras, mas no curso da implementação, novas idéias podem aparecer e o resultado será alcançado devido a elas.
4. A importância de uma entrega de dados simplificada e completa
Em primeiro lugar, deve-se notar que a qualidade dos dados desempenha um papel crítico em sistemas de inteligência artificial. Essencialmente, os dados são o combustível para a inteligência artificial. A maior parte do tempo e do esforço é gasta na coleta e estudo de um conjunto de dados adequado para a formação e teste de hipóteses. A experiência diz que cerca de 80 por cento do tempo necessário para implementar iniciativas de IA é a extração, entrega e pré-processamento de dados, construção de recursos e não a compilação dos algoritmos em si. É necessário explicar ao cliente empresarial como é importante montar um conjunto de dados de alta qualidade e por que leva tanto tempo para criá-lo.
Em nossa experiência, nos estágios iniciais do projeto, não haverá nenhum dado ou seu volume será limitado tanto em termos de profundidade de armazenamento quanto de discrição, eles terão um grande número de lacunas e um baixo nível geral de qualidade. E você terá que trabalhar com isso: descobrir como construir modelos operando com dados incompletos, como interpretar de forma otimizada os de baixa qualidade.
Em nossa prática, também houve casos em que tecnólogos ou trabalhadores da produção nos convenceram da inutilidade de uma série de dados tecnológicos, os quais, em sua opinião e experiência, não podem de forma alguma influenciar a formação de uma avaliação ou recomendação de um sistema de IA. No entanto, na prática, descobriu-se que foram esses, à primeira vista, dados não-alvo que ajudaram a IA a capturar a dependência mais sutil do processo tecnológico, e o poder preditivo do modelo aumentou justamente por causa deles .
Portanto, é importante, desde o início do projeto, preparar uma plataforma completa para a entrega suave e ininterrupta de dados, eles devem ser extensos, diversos, de alta qualidade e úteis. Em vez de construir cadeias para a entrega de dados individuais para testar uma hipótese específica, mas estabelecer um processo que o ajudará a configurar rapidamente o conjunto de dados necessário e ter potencial suficiente para aumentar a quantidade de informações entregues.
5. Corrida de longa distância
Para as empresas russas, o conceito de transformação digital está associado à introdução de aprendizado de máquina, análise de big data, inteligência artificial, robotização e realidade aumentada. Segundo os especialistas, o maior sucesso nessa direção é alcançado por aquelas empresas que a consideram não como um conjunto de iniciativas separadas, mas como um programa de digitalização abrangente que afeta toda uma gama de processos e mudanças inter-relacionados na empresa.
Os projetos de IA, como qualquer inovação, devem ser vistos como um negócio de risco. Nem todos os projetos darão frutos, menos ainda trarão benefícios tangíveis, mas vários projetos trarão retornos que cobrirão todos os custos muitas vezes.
Como consequência, é necessário evitar a eliminação precoce de conceitos aparentemente utópicos. A fuga de um homem ao espaço também pareceu por muito tempo uma utopia clássica, foi rejeitada como impossível ao nível da ciência.
Conclusão
Hoje, a inteligência artificial está penetrando rapidamente na maioria das áreas da indústria e dos negócios. A nova realidade da interação homem-máquina requer um repensar dos processos tecnológicos e de negócios previamente estabelecidos. A explosão digital já ocorreu e o universo digital está se expandindo agora. Aqueles que podem compreender as leis físicas do novo mundo, seguir a periferia da atual frente digital, não terão medo de experimentar e introduzir novas tecnologias, e passarão para um novo nível qualitativo de eficiência dos processos de negócios em seu campo de atividade .
Literatura
- +. / , ; . . , ; [. . . , . , . , . ]. – .: , , 2019. – 304 .
- .0. / : . . – .: «», 2019.-320 .