CEZAR TAURION
computacionais. Também, nos projetos de IA garanta que as demandas de segurança, privacidade e ética estejam sendo adequadamente endereçadas, que os dados não embutem vieses que podem gerar mais dano que valor, e não esqueça que IA é uma solução embutida em algo maior, que provavelmente demandará modificações em processos de negócio. Uma estratégia de IA implica em investimentos e aceitação de riscos. Fazer economia é algo que vai cobrar seu preço. Parece piada, mas já ouvi executivos de empresas querendo reduzir a presença de cientistas de dados em projetos de IA para reduzir custos, bem como em uma ocasião tive o desprazer de ouvir um executivo de uma grande empresa dizer que quer investir em IA, mas o que o seu budget para o ano era de dez mil reais! “O que pode ser feito com este budget?”, ele perguntou e a resposta não poderia ser outra: “vá fazer um curso para entender o que é IA. Será a melhor maneira de aplicar este dinheiro”. A jornada para adoção de IA na organização não é uma corrida de 100 metros rasos, mas uma maratona. É um processo de aprendizado contínuo. À medida que você for obtendo experiência com projetos de IA vai aprender que os prazos para suas iniciativas de IA são muito mais incertos do que os que você está acostumado, como no desenvolvimento de software tradicional. Os sistemas de IA não podem ser desenvolvidos de forma linear, desenvolvidos de uma vez, testados e implantados. Normalmente, são necessários vários ciclos de treinamento para identificar uma combinação adequada
de dados, arquitetura de rede e ‘hiperparâmetros’ (as variáveis que definem como um sistema aprende). Essa dinâmica varia de acordo com o domínio e a natureza do problema e os dados disponíveis. Portanto, pode ser um desafio prever ou automatizar iniciativas de IA, a menos que sejam muito similares aos projetos que você já realizou anteriormente. Além disso, precisamos ter confiança que não temos anomalias. Diferentemente da computação programática onde o software responde diretamente ao desenvolvedor que coloca todas as instruções em linhas de código e caso a resposta não seja correta, você depura e conserta o código, a IA interpreta dados com seus algoritmos e daí toma suas decisões. Nos algoritmos não supervisionados, não sabemos se a resposta está certa ou errada, pois a resposta pode ser algo que nós humanos não havíamos percebido e a máquina identificou como um padrão e gerou sua decisão a partir desta constatação. A máquina pode gerar resultados surpreendentes, que nós jamais imaginaríamos. Antes de começar a jornada, analise a sua governança de dados. Se essa governança não existir, comece por aí. Um dos principais desafios para as iniciativas de IA é a disponibilidade de dados, em volume e qualidade. Algoritmos por mais sofisticados que sejam, não darão certo se não puderem ser treinados de forma adequada. Para isso serão necessários dados. Dados são o sistema circulatório de qualquer sistema de IA. Um dos princípios fundamentais da “data science” diz “os dados e capacidade de extrair conhecimento útil a partir deles, devem
ser considerados importantes ativos estratégicos”. Para aproveitar o potencial da IA você vai precisar de pessoal capacitado. E hoje temos um imenso desafio: escassez de talentos. A demanda por talentos em IA é crescente e existe um abismo entre demanda e oferta, com diversas funções disponíveis para cada profissional de IA verdadeiramente capacitado. A IA exige competências avançadas em matemática, estatística e programação. Mas, além das habilidades técnicas, cada vez mais os profissionais de IA devem ter conhecimento do domínio do negócio, para interpretar os dados adequadamente e fornecer recomendações relevantes; e experiência em engenharia de software, para desenvolver soluções que funcionem no mundo real. A combinação de competências técnicas, setoriais e de engenharia exigidas dos profissionais de IA limita o tamanho do pool de talentos. Você não vai encontrar todas estas habilidades em um só profissional, por isso constitua uma equipe multidisciplinar, com capacitações complementares. Lembre-se que formar talentos em IA não é tão fácil e simples como pegar um desenvolvedor Java, com pouca base matemática e tentar convertê-lo em um “ML engineer”. Aprender a escrever código Python não o transforma em um engenheiro de ML, apenas em um desenvolvedor Python. Projetos de IA não são projetos de tecnologia. São projetos de negócio que usam ferramentas probabilísticas, como algoritmos de deep learning, como componentes da solução. Uma
