Como dimensionar a IA para sua empresa

Jeffrey Erickson | Estrategista de Conteúdo | 9 de fevereiro de 2024

Seu negócio será afetado pela inteligência artificial. Para que a IA trabalhe a seu favor e não contra você, será necessário levar as iniciativas além da fase piloto e para as operações diárias.

Os pioneiros estão mostrando o caminho: eles usam IA para aumentar a velocidade e a precisão dos processos de contas a pagar e a receber, gerar resumos de conteúdo jurídico e outras pesquisas, além de adicionar uma camada de garantia a tarefas essenciais, como a leitura de raios X. Esses líderes usam a IA para detectar fraudes em meio a milhões de transações financeiras e tomar decisões extremamente rápidas em armazéns de ritmo acelerado e em chão de fábrica exigentes. Eles usam chatbots com IA para lidar com chamadas de suporte cada vez mais complexas e orientar os vendedores sobre o melhor próximo passo para cada cliente.

E isso é apenas o começo.

Para cada uma dessas vitórias, no entanto, a organização teve que trabalhar através de um processo de ampliação, reunindo ferramentas e pessoas e fazendo os ajustes técnicos e culturais necessários para que a IA funcionasse no mundo real.

Abaixo, analisaremos as muitas facetas do desafio de ampliar a IA para os negócios.

O que é IA escalável?

IA escalável é a capacidade de usar algoritmos de machine learning (ML) ou serviços de IA generativa para executar tarefas diárias em um ritmo que acompanhe a demanda dos negócios. Isso exige que os algoritmos e os modelos generativos tenham a infraestrutura e os volumes de dados necessários para operar na velocidade e na escala necessárias. Além disso, a IA escalável requer dados de muitas partes da empresa que sejam integrados e completos o suficiente para fornecer aos algoritmos as informações necessárias para obter os resultados desejados.

Igualmente importantes são as pessoas que estão preparadas para usar os resultados da IA em seu trabalho. Com todos esses requisitos em vigor, a IA escalável pode ajudar as operações de negócios a se moverem com mais velocidade, segurança, precisão, personalização e até mesmo criatividade.

Principais conclusões

  • O dimensionamento da IA pode melhorar bastante uma ampla variedade de operações de negócios.
  • O sucesso envolve muitas partes funcionais nas áreas de gerenciamento de dados, ciência de dados e gerenciamento de processos de negócios. Elas geralmente são classificadas como operações de machine learning (MLOps).
  • Os MLOps podem incluir a criação e o treinamento de modelos de ML ou o treinamento de algoritmos atuais ou de grandes modelos de linguagem (LLMs) para atingir uma meta comercial.
  • As empresas precisam considerar a segurança e a privacidade de dados e os relatórios regulatórios à medida que aplicam a IA nas operações diárias.

Por que é tão difícil dimensionar a IA?

O dimensionamento da IA exige investimento e compromisso. Isso requer novas habilidades e tecnologias, grande capacidade de computação e mudanças na forma como sua organização opera. Dimensionar a IA é mais do que construir e treinar modelos, mas integrá-los em aplicações de nível de produção que são executadas em escala e fornecem aos usuários corporativos recursos de monitoramento e geração de relatórios.

Há seis grandes desafios a serem superados no seu caminho para a IA dimensionada:

  1. Dados: os dados são a força vital da IA. Refere-se às informações usadas para treinar algoritmos de ML, bem como às informações que esses algoritmos digitalizam para fornecer resultados. Os dados que os modelos de ML usam são apresentados em muitos formatos. Eles podem residir nas linhas e colunas de um banco de dados relacional e também em documentos de texto, imagens, vídeos ou redes sociais.

    Adquirir, organizar e analisar conjuntos de dados geralmente em massa exige experiência em gerenciamento de dados e investimentos em ferramentas e serviços de nuvem, como um data lakehouse escalável baseado em nuvem. A segurança e a privacidade dos dados são as principais preocupações de qualquer IA em escala. Os dados devem ser protegidos contra ameaças externas e internas, assim como dados confidenciais armazenados por qualquer empresa. As equipes de operações de IA têm uma responsabilidade adicional: garantir que as informações confidenciais nos dados de treinamento não apareçam nos resultados da IA.

  2. Processos: o dimensionamento da IA é um processo iterativo que envolve pelo menos três grupos:

    1. Especialistas em cada operação de negócios relevante, seja atendimento ao cliente, logística de envio, design de produto, radiologia ou contabilidade.
    2. A equipe de TI, que integra, protege e padroniza os dados operacionais e constrói o poder computacional e as redes necessárias.
    3. A equipe de ciência de dados, que cria recursos de ML, seleciona o modelo e ajusta os parâmetros até que a IA esteja pronta para implementação e ampliação. Os especialistas em operações comerciais trabalharão em conjunto com os cientistas de dados para garantir que os resultados da IA ​​estejam em conformidade com as diretrizes. As equipes devem investigar a geração aumentada de recuperação (RAG), que fornece uma maneira de otimizar a saída de um LLM com base nos dados da organização sem modificar o próprio modelo subjacente.

  3. Ferramentas: o conjunto de ferramentas usadas para dimensionar a IA tem três tipos: as que os cientistas de dados usam para criar modelos de ML, aquelas que a equipe de TI usa para gerenciar dados e dar suporte a algoritmos que exigem muita computação e outras que ajudam os empresários a usar os resultados da IA em suas tarefas diárias. A criação de um único modelo de ML pode exigir dezenas de sistemas especializados, geralmente montados por profissionais de ciência de dados a partir de uma ampla variedade de ferramentas proprietárias e de código aberto.

    Mais recentemente, as empresas de tecnologia organizaram ferramentas de ciência de dados, gerenciamento de dados e operações de IA em plataformas integradas para dimensionar a IA. O esforço é popularmente chamado de operações de machine learning, ou MLOps, e inclui ferramentas para criar, manter e monitorar a IA, bem como relatar os resultados às partes interessadas e aos reguladores internos.

  4. Talento: a experiência necessária para projetar, treinar e implementar modelos de ML leva tempo para ser adquirida, por isso é difícil encontrar pessoas com profundo conhecimento na área de IA e contratá-las tem um alto custo. É por isso que, até agora, os gigantes da tecnologia estão construindo plataformas de IA e grandes organizações com conhecimento de tecnologia que estão dispostas a pagar pela experiência em IA.

    Agora, no entanto, as plataformas MLOps estão disponíveis como serviços de nuvem, e os LLMs estão disponíveis por meio de chamadas de API. Isso está abrindo a IA para mais empresas. Ainda haverá necessidade de experiência em gerenciamento de dados e ciência de dados, mas os serviços de IA disponíveis por meio de provedores de nuvem podem aliviar a pressão da necessidade de contratar pessoas com profundo conhecimento em desenvolvimento de modelos de IA.

  5. Escopo: quando a IA não estiver mais no projeto piloto e for mais amplamente aplicada aos negócios, até que ponto ela deverá ser ampliada? O ideal é que a iniciativa de IA seja ampla o suficiente para gerar benefícios operacionais notáveis, seja nos prazos de entrega, na experiência do cliente ou em outros resultados mensuráveis. Porém, os esforços iniciais em IA em escala não devem ser tão complexos ou ter um impacto direto na receita a ponto de você querer desistir caso encontre dificuldades, em vez de arriscar a interrupção dos negócios. Comece em pequena escala, em uma pequena escala, em áreas onde os problemas não causarão muitos danos. O escopo das iniciativas de IA se tornará mais ambicioso à medida que a experiência e a confiança crescerem em sua organização.

  6. Tempo: quase 80% dos projetos de IA nunca vão além da prova de conceito, de acordo com a CompTIA, e aqueles que têm sucesso levam de três a 36 meses, dependendo do escopo e da complexidade. Esse tempo é gasto na seleção e implantação de modelos, bem como no monitoramento dos resultados da IA em um ambiente controlado.

    Os tomadores de decisão de negócios também precisam considerar o tempo e o esforço necessários para fornecer os dados de que um sistema de IA de grande escala precisa. Os cientistas de dados e as equipes de TI precisarão adquirir, integrar, armazenar, preparar e transmitir dados por meio de algoritmos de machine learning e monitorar os resultados. Uma lista crescente de ferramentas e bibliotecas de código aberto, bem como software de automação e serviços em nuvem podem ajudar a acelerar esse ciclo. À medida que o campo amadurece, as ferramentas também.

Por que a IA escalável é tão importante?

Embora o dimensionamento da IA seja difícil, os líderes de negócios estão apostando que os desafios e os custos iniciais eventualmente serão compensados pelos ganhos dos negócios. De acordo com McKinsey, a IA adicionará cerca de US$ 13 trilhões à economia global até 2030. Existem vários motivos. Primeiro, para aproveitar a IA, mais empresas assumirão projetos de "transformação digital", onde poderão usar seus dados para se tornarem mais inovadoras e competitivas na economia digital. A IA aumentará essas vantagens competitivas e levará a mais inovações. As empresas que já dimensionaram a IA veem benefícios, incluindo maior satisfação do cliente e produtividade da equipe, bem como uso mais eficiente de ativos, como navios, caminhões, equipamentos de manufatura e depósitos.

Como dimensionar a IA para sua empresa

Trazer a IA para o mundo difícil e turbulento das operações de negócios pode ser assustador, mas vale a pena para o projeto certo. Comece com a ciência de dados, onde as bibliotecas de algoritmos de machine learning podem ser personalizadas para atender aos seus objetivos de negócios. Esse também é um bom conselho se você estiver usando APIs para acessar e treinar grandes modelos de linguagem fornecidos por empresas como a OpenAI e Cohere.

O próximo passo é encontrar e ingerir os conjuntos de dados nos quais sua IA será treinada. Eles podem consistir em dados internos ou externos ou uma combinação de ambos. Para que a IA funcione em um ambiente de negócios, reúna as partes interessadas e os defensores, sejam eles do atendimento ao cliente, financeiro, jurídico ou de qualquer outro departamento. Esses defensores trabalharão com a equipe de ciência de dados, para que os treinadores entendam como é o dia a dia dos departamentos alvo. Esses defensores trabalharão com seus colegas ou parceiros para ajudar a se preparar para o processo orientado por IA e pressionar por ampla adoção quando for lançado. Com modelos de ML, fluxos de dados e processos de negócios alinhados, é hora de dimensionar a IA em seus negócios.

Ao reunir cinco elementos-chave, as organizações podem obter os muitos benefícios de uma iniciativa bem-sucedida de inteligência artificial.

Esta imagem mostra 5 chaves para uma iniciativa de inteligência artificial bem-sucedida:

  • Dados corretos: os dados devem ser cuidadosamente obtidos, padronizados e integrados.
  • Projeto certo: escolha um objetivo que possa ser alcançado, com valor quantificável.
  • Patrocinadores certos: encontre patrocinadores que trabalharão ao seu lado no projeto.
  • Relatórios corretos: garanta segurança, conformidade e KPIs comprováveis que demonstrem sucesso.
  • Plataforma certa: crie ferramentas de ciclo de vida de IA para que tudo funcione em conjunto.

7 melhores práticas para dimensionar a IA

Ampliar o uso da IA em um processo de negócios traz muitos desafios. A seguir estão as melhores práticas estabelecidas para ajudar você a alcançar o sucesso:


1. Foco no ciclo de vida dos dados

Antes que os cientistas de dados possam criar modelos de ML e a empresa possa dimensionar esses modelos, deve haver uma estrutura de dados que integre e atualize as fontes de dados e forneça um formato seguro e padronizado.


2. Padronize e simplifique o MLOps

Escolha uma plataforma de MLOps que se adapte aos conjuntos de habilidades das suas equipes de ciência de dados e operações de ML e que combine com a sua infraestrutura de TI ou com a do seu principal provedor de nuvem.


3. Crie uma equipe de IA colaborativa e multidisciplinar

As iniciativas de IA abrangem disciplinas e departamentos. Reúna as partes interessadas de toda a empresa para ajudar.


4. Escolha projetos iniciais que provavelmente terão sucesso

Trazer a IA para qualquer processo de negócios é um esforço complexo. Comece com um projeto que proporcione resultados rápidos e seja um precursor de outros mais ambiciosos. Considere criar um centro de excelência em IA para ajudar a garantir o sucesso.


5. Plano de governança e capacidade de comunicação

Escolha ferramentas para gerenciamento de dados, ciência de dados e operações de negócios que tenham governança incorporada. Entenda as regulamentações relevantes de segurança e privacidade e crie conformidade e capacidade de notificação em seu processo.


6. Rastreie modelos de ponta a ponta

Procure recursos que possam ajudar a monitorar a velocidade e o custo de seus resultados de IA, bem como o raciocínio por trás deles e seu valor para os usuários finais.


7. Use as ferramentas certas

Para dimensionar a IA em seus negócios, você precisará de uma coleção de ferramentas que facilitem o trabalho dos cientistas de dados com engenheiros de TI e para que ambos os grupos trabalhem com os empresários em questões de governança e conformidade de IA. As plataformas de ciência de dados baseadas em nuvem podem dar às equipes de cientistas de dados um lugar para criar, treinar, implementar e gerenciar modelos de machine learning e notebooks - ambientes computacionais interativos que combinam execução de código com visualização de dados e comentários textuais. A chave é fornecer espaços onde os treinadores possam experimentar modelos, desenvolvê-los e dimensionar seu uso.

Dimensione a IA com a Oracle

Quando você deseja dimensionar a IA em seus negócios, a Oracle Cloud Infrastructure (OCI) é uma escolha inteligente. Ela pode ajudar você a obter os benefícios da IA da maneira que faz mais sentido para sua empresa e que se adapte às suas necessidades. Você encontrará uma variedade de aplicações SaaS com modelos de ML integrados e serviços de IA disponíveis, bem como a melhor infraestrutura do setor para criar, treinar e implementar modelos de ML em escala. A Oracle também facilita o acesso a modelos de IA generativa baseados nos LLMs de última geração da Cohere.

Para cientistas de dados, uma plataforma de ciência de dados totalmente gerenciada ajuda a criar, treinar, implementar e gerenciar modelos de machine learning usando Python e outras ferramentas de código aberto. A Oracle oferece uma infraestrutura baseada em JupyterLab para experimentar modelos, desenvolvê-los e ampliar o treinamento de modelos com GPUs NVIDIA e treinamento distribuído. O OCI Supercluster é ideal para treinar IA generativa, incluindo aplicações de conversação e modelos de difusão.

Com a OCI, você pode levar os modelos para a produção e mantê-los atualizados com os recursos de MLOps, como pipelines automatizados, implementações de modelos e monitoramento de modelos. Entre em contato com a Oracle hoje mesmo ou experimente esses serviços gratuitamente.

A IA de nível de consumidor pode atrair a maior parte da atenção, mas as empresas estão implementando ativamente IA e ML. As plataformas de tecnologia e os processos de negócios estão emergindo rapidamente para ajudar a ampliar a IA corporativa, permitindo que mais projetos passem da prova de conceito para a produção em larga escala. Os desafios permanecem, mas as empresas que os superarem alcançarão maior eficiência, precisão, segurança de dados, personalização e inovação.

Estabelecer um centro de excelência em IA antes do início do treinamento específico da organização aumenta a probabilidade de sucesso. Nosso ebook explica o porquê e oferece dicas sobre como construir um CoE eficaz.

Como dimensionar perguntas frequentes sobre IA

Como você dimensiona um produto de IA?

Dimensionar um produto de IA é um esforço de equipe que envolve partes interessadas de toda a organização. Isso inclui especialistas em ciência de dados, gerenciamento de dados e profissionais de TI e pessoas com profundo conhecimento dos processos de negócios nos quais o produto de IA será usado. Muitas vezes, uma plataforma de MLOps ajudará a reunir esse grupo para projetar, treinar, implementar e ajustar algoritmos de ML.

Como você dimensiona um produto de IA?

A ampliação de uma startup de IA se baseia na tomada antecipada das decisões corretas sobre aquisição de dados, modelos de ML ou LLMs e infraestrutura de computação, seja on-premises ou baseada na nuvem. As startups precisam adquirir um grande número de GPUs para treinar grandes conjuntos de dados e executar infraestrutura de IA complexa com o desempenho e a confiabilidade para fornecer resultados em tempo hábil.

Qual é a escalabilidade de um sistema de IA?

Um sistema de IA escalável tem velocidade e precisão suficientes para o mundo turbulento das operações comerciais. Esses sistemas vão além do estágio experimental ou de prova de conceito e podem ser dimensionados para atender grupos de usuários.

O que é dimensionamento de IA?

O dimensionamento é o termo dado a qualquer serviço de computação intensiva que possa crescer para atender às necessidades do negócio. Se mais recursos de computação forem exigidos por uma aplicação, a infraestrutura de TI que oferece suporte à aplicação deverá ser ampliada para atender a demanda. Em alguns casos, o dimensionamento também se refere ao dimensionamento quando a infraestrutura não é necessária. Por exemplo, algumas aplicações têm picos sazonais ou trimestrais em uso. Uma infraestrutura de nuvem escalável pode ser ampliada para atender a essas necessidades e, em seguida, reduzida para que a empresa não pague por uma infraestrutura que não esteja usando.