Como gerenciar projetos de IA: do ponto de vista à solução pronta para execução

A questão de saber se a IA permite ou não que as empresas simplifiquem seus processos e as ajudem a fornecer soluções proativas foi respondida e eliminada pelo mundo digital.

Dificilmente existe uma indústria operante no mundo hoje que esteja alheia ao alto potencial de receita e valor que oferece a inteligência artificial. Um fato declarativo que é evidente nas tendências promissoras da tecnologia de IA para 2020 e posteriores.

Essa adoção rápida, enquanto por um lado trouxe muitos benefícios para empresas e usuários finais, por outro lado está em um estágio muito nativo. Ou seja, as empresas ainda precisam encontrar casos de uso concretos e eficácia de retorno. Essa combinação de nascença e benefícios deu origem a uma série de dúvidas sobre como gerenciar seus projetos de IA .

Vendo como a complexidade está no centro das soluções de gerenciamento de projetos de IA, é importante entender os meandros do gerenciamento de projetos de IA .

Neste artigo, respondemos a todas as perguntas e elementos sobre como nós, na Appinventiv, realizamos o gerenciamento de projetos de IA e as etapas que seguimos para transformar com sucesso uma Prova de Valor (POV) em soluções e serviços de IA eficientes .

Índice

1. Como um projeto de IA é diferente dos projetos tradicionais?
2. Dividindo a IA em duas categorias distintas
3. Um pequeno desvio: entendendo os pilares do sucesso do projeto de IA
4. Os desafios do desenvolvimento de projetos de IA: por que os projetos de IA falham
5. Respondendo à pergunta do momento: como gerenciar seus projetos de IA
6. Perguntas frequentes sobre as etapas do gerenciamento de projetos de IA

Como um projeto de IA é diferente dos projetos tradicionais?

O gerenciamento de projetos de IA exige uma abordagem diferente quando os paralelos são traçados entre eles e o gerenciamento tradicional de projetos de aplicativos móveis. Ou seja, as diferenças entre projetos de IA e projetos tradicionais de TI são múltiplas.

O processo tradicional de desenvolvimento de aplicativos móveis é uma solução especificada. Sempre que fica difícil especificar uma solução, os resultados tornam-se incertos e arriscados. Este tipo de desenvolvimento se enquadra na programação top-down.

Por outro lado, no caso de Prova de Valor (POV) de projetos de IA , uma abordagem de baixo para cima é seguida. Nesse caso, a IA tira conclusões de suas próprias regras e processos de trabalho com um extenso conjunto de dados.

O cenário de desenvolvimento de IA também tende a abrir várias oportunidades à medida que o ciclo amadurece. Ou seja, para que um projeto seja considerado completo, ele precisa passar por várias etapas de exploração e acertos e tentativas. Embora o resultado da abordagem seja quase sempre favorável à alta receita, geralmente leva a um alto custo de desenvolvimento e prazos de desenvolvimento estendidos.

A última parte da questão sobre como gerenciar seus projetos de IA está em tornar o gerenciamento de mudanças uma parte integrante do processo Agile. O princípio em que os gerentes de programa de IA geralmente trabalham é rápido, em que a ideia é explorar rapidamente e falhar logo no início de uma abordagem errada, em vez de em um estágio posterior do processo de desenvolvimento.

Dividindo a IA em duas categorias distintas

A primeira parte do planejamento do seu projeto de IA começa com nossa equipe entendendo a categoria à qual ele pertence. A categoria um trata de projetos de natureza comum, como traduzir um idioma em outro ou converter imagens em palavras. A categoria dois é mais complexa. Ele lida com tarefas como detectar batimentos cardíacos ou monitorar o sono.

As duas categorias exigem duas soluções distintas – a incorporação de uma IA existente ou a criação de soluções personalizadas de gerenciamento de projetos de IA .

Soluções de Inteligência Artificial existentes

Há uma série de eventos em que a inclusão da IA ​​se tornou comum e mainstream. Ou seja, existem ferramentas prontas que nossos engenheiros precisam apenas para integrar a IA nos aplicativos . Algumas das plataformas que nossa equipe geralmente usa incluem Microsoft Azure AI, Google AI Platform e Amazon Machine Learning, etc.

Soluções personalizadas de inteligência artificial

Caso haja um projeto complexo em mãos, como recentemente criamos um aplicativo de saúde orientado por rede neural que forneceu aos usuários informações sobre sua saúde com base em sua voz, temos que recorrer ao desenvolvimento de soluções personalizadas de IA. Para facilitar o processo, o Android 11 usará sua nova Neural Networks API 1.3, como um esforço para que seus aplicativos de Machine Learning funcionem sem problemas nos dispositivos.

Um pequeno desvio: entendendo os pilares do sucesso do projeto de IA

Nossa jornada com a Inteligência Artificial começou em 2019. Levamos um prazo de entrega estendido para entender que o segredo para o sucesso de um projeto de IA está em dois pilares – pessoas e dados. Somente na presença dos dois pilares, a IA é capaz de melhorar a experiência do cliente em sua totalidade.

Começamos trazendo especialistas de diferentes seções às quais o aplicativo aderiu – independentemente de terem ou não conhecimento técnico. Era necessário alimentar dados específicos de domínio no algoritmo para tornar o sistema de IA eficiente e imparcial.

A próxima parte – o segundo pilar – foram os dados. Os dados, quando não armazenados corretamente ou quando não em sua totalidade, são totalmente inúteis. Agora, existem dois tipos de dados que uma empresa ejeta – estruturados (como data de nascimento, endereço etc.) e dados não estruturados (faturas, gravações de voz, e-mails etc.). No processo de gerenciamento de projetos de IA, você deve considerar os dois tipos de dados.

Existem certas etapas pelas quais um dado deve passar para se tornar um que possa ser usado para aprendizado profundo ou Inteligência Artificial. Aquelas em que nossa equipe de engenheiros de dados trabalha quando desenvolvemos soluções de Inteligência Artificial (IA) para scale-ups e clientes corporativos .

Quanto mais rápido os dados encontrarem um lugar nessa pirâmide, que é baseada nas necessidades da hierarquia de Maslow , mais rápido seu projeto de IA começará a girar e maior será a possibilidade de engenheiros trabalharem na modelagem em vez de manter o foco na filtragem de dados.

O resultado de nossa jornada de exploração foi uma compreensão dos diferentes problemas que surgem ao responder o que cria uma valiosa solução de IA . Deixe-nos combater esses problemas antes de orientá-lo nas etapas de gerenciamento de projetos de IA de forma que sua Prova de Valor (POV) reflita no sistema final.

Os desafios do desenvolvimento de projetos de IA: por que os projetos de IA falham

Se nos sentarmos para fazer uma lista de quais desafios as empresas enfrentam ao implementar a IA , a lista será muito extensa. Mas, no cerne de tudo o que faz a Prova de Valores falhar , estão duas causas principais – expectativas desalinhadas e recursos insuficientes de gerenciamento de dados. As causas que impedem as empresas de ganhar dinheiro com IA .

Expectativas desalinhadas

Na maioria das vezes, a maioria dos projetos de IA não vê a luz do dia devido ao desalinhamento associado às expectativas. A causa raiz dos desafios da inteligência artificial nos negócios geralmente surge devido às expectativas elevadas de curto prazo de uma tecnologia que opera inerentemente em um modo de longo prazo.

O próximo exemplo de expectativas desalinhadas pode ser visto nas empresas, assumindo que sua solução baseada em IA será precisa o suficiente para atender a diferentes percepções do usuário. Por exemplo, no caso de um aplicativo de streaming de música, assumir que a “próxima música” que sua IA está sugerindo é exatamente o que o usuário acredita pertencer ao gênero é uma área problemática. Esta é a razão pela qual as empresas costumam usar a palavra 'pode' ao apresentar produtos ou serviços nos quais seus usuários possam estar interessados, em seguida.

Gerenciamento de dados ineficiente

A IA tende a tomar decisões erradas com base em conjuntos de dados errados. O problema nas soluções de gerenciamento de projetos de IA surge quando os dados estão incorretos ou incompletos – em suma, não preparados para se encaixar no modelo de IA.

Para que um sistema de IA funcione conforme o esperado, é necessário ter dados refinados que o sistema possa usar para aprender e analisar padrões. Quando criamos um conjunto de dados pronto para IA, nosso foco é principalmente dividir as informações estruturadas e não estruturadas seguindo a estratégia moderna de coleta de dados .

Respondendo à pergunta do momento: como gerenciar seus projetos de IA

1. Identificando o Problema

O primeiro passo para nós quando se trata de gerenciar projetos de IA é identificar o problema. Começamos fazendo duas perguntas aos nossos parceiros: “o que você está disposto a resolver?” e "qual é o resultado desejado para você?"

Ao estabelecer uma declaração de problema, é importante entender que a IA em si não é uma solução, mas um meio/ferramenta para atender à necessidade. Observando isso, escolhemos várias soluções, que podem ser construídas com a ajuda da IA ​​e não serem dependentes dela.

2. Testando o Ajuste da Solução do Problema

Esta etapa, idealmente, responde como iniciar um projeto de IA . Antes de iniciarmos o processo de desenvolvimento do projeto de IA, primeiro é importante testar e ter certeza de que as pessoas estão dispostas a pagar pelo que você está construindo.

Testamos o ajuste da solução do problema por meio de várias técnicas, como a abordagem lean tradicional e o Product Design Sprint .

Uma das melhores coisas sobre a tecnologia de IA é que é muito fácil criar uma versão de nível básico de uma solução usando humanos reais ou MVP. O benefício disso não é apenas a análise fácil de uma solução, mas também a garantia de tempo de que o produto realmente precisa de uma solução de IA.

3. Preparando e Gerenciando Dados

Tendo chegado ao ponto em que sabemos que existe uma base de clientes para sua solução e você tem a confiança de que a IA pode ser construída, iniciamos o gerenciamento de projetos de aprendizado de máquina coletando dados e gerenciando seu gerenciamento.

Começamos dividindo os dados disponíveis em formas estruturadas e não estruturadas. Embora o estágio seja bastante fácil quando estamos trabalhando com uma startup ou uma empresa que não possui vários dados, criar várias soluções de IA aplicadas para empresas é o que é complicado. Geralmente, as grandes empresas têm enormes dados de banco de dados proprietários que podem estar prontos para a IA e o que pode dificultar ainda mais é o fato de que os dados podem ser armazenados em silos.

Nossos engenheiros de dados começam organizando e limpando os dados, onde, em princípio, eles definem uma ordem cronológica e adicionam rótulos quando necessário.

4. Escolhendo o Algoritmo Certo

Embora, para manter a essência do artigo, não mencionaremos os aspectos técnicos dos algoritmos de IA aqui, mas o importante é saber que existem diferentes tipos de algoritmos, que variam de acordo com o aprendizado que você faz.

• Aprendizado Supervisionado

Em sua essência, a classificação prevê um rótulo e a regressão prevê a quantidade. Geralmente escolhemos algoritmos de classificação quando queremos entender as chances de ocorrência de um evento, por exemplo, a chance de chuva amanhã.

Por outro lado, usamos algoritmos de regressão quando temos que quantificar o cenário, por exemplo, quando queremos saber a chance de uma área se afogar.

Existem vários outros algoritmos que nossos engenheiros escolhem dependendo do requisito do projeto – classificação Naive Bayes, floresta aleatória, regressão logística e máquina de vetor de suporte.

• Aprendizado não supervisionado

A escolha do algoritmo seria muito diferente aqui, pois os dados não são organizados ou seguem um determinado tipo. Podemos usar algoritmos de agrupamento para agrupar objetos ou algoritmos de associação ao encontrar links entre objetos diferentes, etc.

5. Treinando os Algoritmos

Depois de selecionar o algoritmo, passamos ao treinamento do modelo no qual inserimos os dados no modelo, mantendo a importância da precisão do modelo em consideração.

Nossa equipe de engenheiros entende que definir o limite mínimo aceitável e aplicar a disciplina estatística são os principais passos para acelerar o desenvolvimento da IA , de uma forma que exige um mínimo de ajuste posterior.

Para treinar os algoritmos e dar os próximos passos de desenvolvimento, empregamos especialistas em tecnologia que são especialistas em Python, R, Java e C++. Dependendo das necessidades do projeto, também envolvemos especialistas que entendem Julia – a principal linguagem para desenvolvimento de aplicativos de aprendizado de máquina .

6. Implantação do Projeto

Geralmente, aconselhamos nossos parceiros a usar plataformas prontas, como Machine Learning as a Service, para suas necessidades de lançamento e implantação de produtos. Essas plataformas são desenvolvidas para simplificar e facilitar a Inteligência Artificial e auxiliar na fase de implantação de um projeto de IA . Eles também fornecem análises avançadas baseadas em nuvem que podem ser usadas para adicionar diferentes idiomas e algoritmos.

[Leia também: Considere etapas importantes para escrever um plano de projeto magistral]

Perguntas frequentes sobre as etapas do gerenciamento de projetos de IA

P. Como começar com inteligência artificial e aprendizado de máquina

Existem seis etapas cobertas no processo de gerenciamento de projetos de IA: identificação do problema, teste do ajuste da solução do problema, gerenciamento de dados, seleção do algoritmo certo, treinamento do algoritmo e implantação do produto na plataforma certa.

P. Qual é uma boa ideia para um projeto de inteligência artificial?

A IA obteve um escopo em vários setores. O que é necessário é encontrar um caso de uso que incorpore a tecnologia de forma que os dados gerados sejam organizados e convertidos em análises acionáveis. É importante ser realista sobre suas expectativas em relação às soluções de IA em termos de tratá-las como uma ferramenta que ajuda no avanço do seu serviço, em vez de se tornar um serviço em si.

P. Os projetos de IA são melhores do que os projetos tradicionais de TI?

Depende de situação para situação. De fato, existem alguns projetos que se saem melhor com a inclusão da IA, enquanto há outros aplicativos que se tornam desnecessariamente complexos com a integração da tecnologia. Em última análise, depende do caso de uso e de quão valorizado ele se tornaria com a inteligência artificial.