Maioria das organizações já usa (ou está avaliando) Inteligência Artificial na produção

17/04/2020

Pesquisa divulgada pela empresa norte-americana O’Reilly mostrou que os esforços de IA estão amadurecendo do protótipo à produção, mas o suporte da empresa e a lacuna de habilidades de Inteligência Artificial (IA) e Machine Learning (ML) continuam sendo obstáculos.

Oitenta e cinco por cento das organizações respondentes está avaliando a IA ou usando-a na produção, embora muitas aplicações ainda sejam muito primitivas, segundo o estudo, que também aponta que mais da metade das organizações entrevistadas está na fase “madura” da adoção da IA (usando a IA para análise/produção), enquanto cerca de um terço ainda está avaliando a tecnologia.

A maior parte do uso da IA está em pesquisa e desenvolvimento – citada por pouco menos da metade de todos os entrevistados – seguida pela TI, citada por pouco mais de um terço.

Outra área funcional de alto uso é o atendimento ao cliente, com pouco menos de 30% de participação. Duas áreas funcionais – marketing/publicidade/RP e operações/instalações/gerenciamento de frota – têm uma participação de cerca de 20%.

Sobre a pesquisa 

O estudo contou com 1.388 entrevistas, com representantes de 25 setores diferentes, com “Software” como a maior vertical distinta. A amostra está longe de estar carregada de tecnologia: a única outra categoria explícita de tecnologia – “Computadores, Eletrônicos e Hardware” – representa menos de 7% da amostra. A categoria “Outros” compreende 12 setores separados.

Vinte e seis por cento dos entrevistados estão em cargos executivos (26%), quase 30% se identificam como cientistas de dados, engenheiros de dados ou AIOps, ou gerentes. Mas mais de 70% deles trabalham em funções de tecnologia.

Cerca de metade das organizações respondentes atuam na América do Norte, sobretudo nos Estados Unidos, o restante do grupo é dividido entre Europa Ocidental (23%) e Ásia (15%), e uma menor porcentagem (15%) na América do Sul, Europa Oriental, Oceania e África.

Desafios comuns à adoção da IA 

A aquisição e retenção de habilidades específicas da IA continuam sendo um impedimento significativo à adoção na maioria das organizações. Este ano, pouco mais de um sexto dos entrevistados citou a dificuldade em contratar/manter pessoas com habilidades em IA como uma barreira significativa à adoção da tecnologia em suas organizações. Ainda assim, essa não é a maior lacuna para o impedimento para adoção da tecnologia, segundo a pesquisa.

Quase 22% dos entrevistados identificou a falta de apoio institucional como o maior problema. Segundo o relatório, em uma análise mais detalhada dos dados é possível identificar que os executivos selecionam uma cultura não favorável com menos frequência (15%) do que os profissionais e gerentes (23%) que responderam à pesquisa.

Os entrevistados das empresas que estão avaliando a IA têm muito mais probabilidade de citar uma cultura não favorável como a fortaleza principal da adoção da IA, de acordo com o relatório.

Por outro lado, os adotantes de IA têm cerca de um terço a mais de chance de citar problemas com dados ausentes ou inconsistentes. “Vimos em nossa pesquisa ‘State of Data Quality in 2020’ que os projetos de ML e IA tendem a ter problemas de qualidade de dados ocultos ou latentes, considerando o resultado de que as organizações que estão usando ML e IA têm maior probabilidade de identificar problemas com a qualidade ou integridade dos seus dados”, diz o estudo.

Escassez de habilidades  

A falta de profissionais que dominam habilidades como modelagem de machine learning e ciência de dados liderou a lista de lacunas mais críticas de habilidades específicas de ML e AI em suas organizações, citada por quase 58% dos entrevistados.

O desafio de entender e manter um conjunto de casos de uso de negócios chegou ao número dois, citado por quase metade dos participantes. A engenharia de dados foi selecionada por quase 40% dos entrevistados como a área de prática para a qual existe maior carência de habilidades.

A consistência dos resultados ano a ano indica que a falta mais crítica de habilidades não pode ser facilmente resolvida, segundo a análise. O cientista de dados, por exemplo, é uma criatura híbrida: idealmente, que deve possuir não apenas conhecimentos teóricos e técnicos, mas também conhecimentos práticos de negócios específicos de domínio.

Gerenciamento de risco 

Os resultados da pesquisa sugerem que todas as organizações – especialmente aquelas com práticas de IA “maduras” – estão atentas aos riscos inerentes ao design e uso das tecnologias de ML e AI. Resultados/previsões inesperadas foram o fator de risco mais comum, citado por quase dois terços dos praticantes de IA maduros – e por cerca de 53% dos que ainda avaliam a tecnologia.

Entre os adotantes maduros, a necessidade de controlar a interpretabilidade e a transparência dos modelos de BC foi o segundo fator de risco mais comum (citado por cerca de 55%); por outro lado, uma opção diferente – justiça, preconceito e ética foi o fator de risco número 2 entre as empresas que ainda avaliavam a IA (40%). Ele também é alto (terceiro fator) com profissionais maduros de IA (48%).

Técnicas aplicáveis 

O aprendizado supervisionado continua sendo a técnica de ML mais popular entre todos os adotantes. Em 2019, mais de 80% dos adotantes maduros – e dois terços das organizações respondentes que avaliavam a IA – usaram. E em 2020, quase 73% das práticas de IA “maduras” identificadas a utilizam.

Em relação com a pesquisa anterior, com resultados publicados em 2019, o deep learning substituiu o supervised learning como a técnica mais popular entre as organizações que estão na fase de avaliação da adoção da IA.

O relatório indica que um pouco mais da metade das organizações respondentes que estão avaliando a tecnologia, afirmam estar usando mais deep learning (55%) do que supervised learning (54%). E quase 66% dos entrevistados que trabalham para adotantes de IA “maduros” dizem que estão usando o deep learning, tornando-o a segunda técnica mais popular do grupo maduro.

As ferramentas dominantes não estão ficando menos dominantes

O TensorFlow continua sendo, de longe, a ferramenta mais popular para uso em trabalhos relacionados à IA. Segundo o relatório, ele foi citado por quase 55% dos entrevistados em 2019 e 2020, o que confere uma consistência credível ao longo do tempo. O poder de permanência do TensorFlow também reforça o fato de que o deep learning e as redes neurais – com as quais está fortemente associado – estão longe de serem técnicas de nicho.

As ferramentas mais populares para o desenvolvimento da IA em 2019 foram novamente predominantes em 2020. No entanto, a pesquisa sugere que isso poderia ser uma função do que chamam de “fator Python”: quatro das cinco ferramentas mais populares para trabalhos relacionados à IA são Python – baseado ou dominado por ferramentas, bibliotecas, padrões e projetos do Python.

Destes, o TensorFlow, o scikit-learn e o Keras se mantiveram firmes, enquanto o PyTorch aumentou sua participação para mais de 36%. Isso acompanha o uso e as atividades de pesquisa na plataforma de aprendizado on-line O’Reilly, onde o interesse no PyTorch cresceu rapidamente a partir de uma base relativamente pequena. Nossa análise da atividade relacionada ao Python no O’Reilly também mostra que o Python está vendo um crescimento explosivo no desenvolvimento relacionado ao ML e à IA.

Governança de dados 

Pouco mais de um quinto das organizações respondentes implementou processos formais de governança de dados e/ou ferramentas para apoiar e complementar seus projetos de IA.

A boa notícia é que pouco mais de 26% dos entrevistados afirmam que suas organizações planejam instanciar processos e/ou ferramentas formais de governança de dados até 2021; quase 35% esperam que isso aconteça nos próximos três anos. A má notícia é que os adotantes de IA – bem como as organizações de todos os lugares – parecem tratar a governança de dados como um aditivo e não um ingrediente essencial.

Idealmente, a proveniência dos dados, a linhagem dos dados, as definições consistentes dos dados, o gerenciamento rico de metadados e outros itens essenciais de uma boa governança de dados seriam inseridos em um projeto de IA, não enxertados em cima dele, diz o relatório.

Aprendizados

Uma análise dos resultados da pesquisa mostra que algumas organizações podem se inscrever em seus próprios projetos de IA.

Se você não tem planos para avaliar a IA, é hora de pensar em atualizar. Com uma abundância de ferramentas de código aberto, bibliotecas, tutoriais etc., sem mencionar uma língua franca acessível – Python – a barra de entrada é realmente muito baixa.

Os projetos de IA estão alinhados com as tendências dominantes na arquitetura de software, infraestrutura e operações. Os recursos de IA podem ser decompostos em primitivas funcionais e instanciados como microsserviços – por exemplo, serviços de limpeza de dados que criam dados e geram estatísticas, executam desduplicação e correspondência difusa etc. – ou designs de função como serviço.

A IA é usada em todos os lugares, não apenas em P&D e TI. Uma grande parte dos entrevistados usa IA em serviços ao cliente, marketing, operações, finanças e outros domínios.

Treine sua organização também – não apenas seus modelos. O apoio institucional continua sendo a maior barreira para a adoção da IA. Se você acha que a IA pode ajudar, você deve gastar tempo explicando como, o porquê ela será benéfica e o que esperar.

Os riscos associados à implementação da IA são consistentes e agora melhor compreendidos. O resultado é que é mais fácil explicar aos executivos e partes interessadas o que esperar na implementação de projetos de IA.

“A adoção da IA está avançando rapidamente. A maioria das empresas que avaliavam ou experimentavam a IA agora a utilizam em implantações de produção. Ainda é cedo, mas as empresas precisam fazer mais para colocar seus esforços de IA em terreno sólido. Seja controlando fatores de risco comuns – viés no desenvolvimento de modelos, dados ausentes ou mal condicionados, tendência de degradação dos modelos na produção – ou instanciando processos formais para promover a governança de dados, os adotantes terão seu trabalho cortado para eles enquanto trabalham para estabelecer linhas de produção de IA confiáveis”, conclui o relatório.

Fonte: CIO.