Gartner:Futuro da IA ​​e os desafios

O aprendizado de máquina e a inteligência artificial estão chegando perto do estágio de expectativas infladas de pico em um ciclo de hype.

Em um webinar, o analista diretor do Gartner, Peter Krensky, descreveu o estado atual do aprendizado de máquina e da inteligência artificial, nos próximos cinco anos, e alguns dos desafios que provavelmente afetarão a adoção, o desenvolvimento e a implantação.

De acordo com Krensky, ML e IA estão chegando perto do pico de expectativas infladas em um ciclo de hype. A realidade aumentada e virtual já atingiu o 'vale da desilusão', que segue o pico, e os veículos autônomos e drones passaram do pico, mas ainda não atingiram o fundo do ciclo.

Dito isso, ainda há uma grande quantidade de indústrias inexploradas para IA e ML. “Apenas 40% dos melhores desempenhos veem a inteligência artificial como um divisor de águas”, disse Krensky. “Então, há muito espaço verde dentro de muitos tipos diferentes de organizações, mesmo indústrias inteiras que estão apenas mergulhando os pés no que é possível com o aprendizado de máquina.”

Um dos fatores a favor do desenvolvimento contínuo de IA e ML é o alinhamento entre conceitos acadêmicos, científicos e corporativos. Mais de 90% do setor escreve algoritmos e plataformas de IA e ML em Python, muitos usam as mesmas bibliotecas de código aberto (Apache, TensorFlow) e a mesma infraestrutura de nuvem (AWS, Azure).

Esse alinhamento leva a uma maior sinergia em todo o setor, o que pode ser valioso ao recrutar talentos no futuro.

Em todo o setor, há uma migração constante para a nuvem, enquanto cerca de 30 a 45% continuam executando IA ou ML no local. Em muitos casos, Krensky acredita que as organizações estão gastando muito na construção do programa de IA ou ML, evitando alternativas mais baratas, como modelos pré-treinados e infraestrutura em nuvem, quando os resultados seriam semelhantes.

“Temos que nos acostumar com a infraestrutura de aprendizado de máquina na nuvem e um conjunto em constante evolução de componentes proprietários e de código aberto como o novo normal”, disse Krensky. “Todo ano há uma nova estrutura de código aberto que não estávamos falando cerca de dois anos atrás e agora estamos falando o tempo todo.”

Analisando como a IA é implementada, o Gartner tem quatro modelos:

• Passe o bastão – A IA trabalhará na parte tediosa da tarefa e o operador humano concluirá o resto.
• Simbiose – A IA é capaz de cobrir as fraquezas de um ser humano, por exemplo, processando grandes quantidades de dados em segundos.
• Augmented analytics – A IA é usada como um treinador ou guia para o operador humano, fornecendo análises ou insights dos dados. Um exemplo disso pode ser um projeto recente de IA que sugeriu palavras ou frases ausentes em gravuras gregas antigas.
• Verificação de integridade – A IA executa a maioria das funções, mas tem um operador humano em espera para observar erros. Por exemplo, um bot de suporte ao cliente que passa casos difíceis para um humano.

Em uma pesquisa do Gartner, a maioria dos líderes de negócios disse que as habilidades da equipe foram o principal desafio para a adoção de IA e ML, com 56%. Krensky mencionou no webinar que a maioria dos desenvolvedores de ML é jovem, tem menos de cinco anos de experiência e está no trabalho há menos de dois.

Além disso, o Gartner vê o sucesso de um projeto como tendo vários membros da equipe com diferentes conhecimentos. Cientistas de dados, engenheiros de dados, especialistas em ML e especialistas em domínio têm um papel distinto a desempenhar no desenvolvimento de um projeto de IA ou ML, mas frequentemente as organizações contam com engenheiros de dados com amplo conhecimento.

O segundo maior desafio foi entender os benefícios e usos da IA. No webinar, Krensky recomendou que as organizações precisem gerenciar corretamente o projeto de IA e não investir em todas as áreas, concentrando-se em algumas zonas-chave que fazem sentido financeiro.

O escopo e a qualidade dos dados são o terceiro maior desafio e que Krensky acredita que deve estar no topo da lista. Sem gerenciamento de dados adequado, verificações de qualidade e governança de dados, um projeto de IA ou ML tem muito mais probabilidade de falhar.