ARTIGO
IA a tortuosa jornada do laboratório para o mundo real V Cezar Taurion VP Estratégia e Inovação Cia Técnica
enho observando algo preocupante. Percebo que a maioria dos protótipos (PoC – Proof of Concept) de sistemas de aprendizado de máquina (ML – Machine Learning) que saem bombasticamente na mídia e em eventos não chegam a entrar realmente no estágio de produção. Com base na minha experiência, acredito que menos de 20% dos projetos de ML chegam à produção.
O resultado é que apesar de resultados impressionantes nos labs, apenas algumas empresas desenvolveram os recursos de ML em escala para trazer um valor agregado real para os seus negócios. O que vejo são chatbots, a maioria dos quais nem é minimamente “inteligente”! Não que o chatbot não seja interessante para o negócio, mas me parece apenas um arranhão na potencialidade de exploração da IA. As PoCs são geralmente realizadas com algoritmos relativamente simples, usando os dados de treinamento que estejam disponíveis ou rotulados internamente. O objeti-
6464| INTELLIGENT | INTELLIGENT AUTOMATION AUTOMATION
vo principal é mostrar que o algoritmo pode ser treinado para lidar com um caso de uso específico, com uma quantidade pequena de dados de treinamento. Caso tenha sucesso, o projeto segue para a fase de produção. Uma PoC bem-sucedida não é garantia de que a solução será escalonada, mas é um bom começo! Uma sugestão: na minha opinião, as organizações devem investir em várias PoCs antes de irem para produção, porque precisam aprender sobre potencial de ML, melhorar sua cultura de dados e se educar em projetos de ML e suas características. Sair do primeiro PoC e entrar direto em um problema complexo para resolver por meio de ML, é uma excelente maneira de falhar. Não subestime a curva de aprendizado em ML! O estágio de produção representa um nível muito mais alto de complexidade para os projetos de IA. Agora você não está mais tentando provar que a solução funciona, mas que ela pode se integrar à infraestrutura de tecnologia e processos
