Gartner Prevê Próximo Capítulo da IA: Oportunidades, Riscos e Obstáculos de Adoção

Machine learning e inteligência artificial estão se aproximando do estágio de expectativas infladas do pico em um ciclo de hype.

Em um webinar, o analista diretor do Gartner, Peter Krensky, delineou o estado atual de machine learning e inteligência artificial, os próximos cinco anos e alguns dos desafios que provavelmente impactarão adoção, desenvolvimento e implantação.

Segundo Krensky, ML e IA estão se aproximando do estágio de expectativas infladas do pico em um ciclo de hype. Realidade aumentada e virtual já atingiram o "vale da desilusão", que segue o pico, e veículos autônomos e drones passaram do pico, mas ainda não chegaram ao fundo do ciclo.

Dito isso, ainda há uma grande quantidade de indústrias inexploradas para IA e ML. "Apenas 40% dos top performers veem inteligência artificial como um divisor de águas", disse Krensky. "Então, há muito espaço verde em muitos tipos diferentes de organizações, até mesmo indústrias inteiras que estão apenas colocando os pés no que é possível com machine learning."

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

Esse alinhamento leva a maior sinergia na indústria, o que pode ser valioso ao recrutar talentos no futuro.

Em toda a indústria, há uma migração constante para a nuvem, enquanto cerca de 30 a 45% continuam a rodar IA ou ML on-premises. Em muitos casos, Krensky acredita que organizações estão gastando demais construindo o programa de IA ou ML, evitando alternativas mais baratas como modelos pré-treinados e infraestrutura de nuvem, quando os resultados seriam similares.

"Temos que nos acostumar com infraestrutura de machine learning na nuvem e um conjunto em constante evolução de componentes proprietários e open-source como o novo normal", disse Krensky. "Todo ano há um novo framework open-source sobre o qual não falávamos dois anos atrás e agora falamos o tempo todo."

Olhando como IA é implementada, Gartner tem quatro modelos:

• Passar o bastão – A IA trabalha na parte tediosa da tarefa, e o operador humano completa o resto.
• Simbiose – A IA consegue cobrir fraquezas de um humano, por exemplo processando vastas quantidades de dados em segundos.
• Análise aumentada – A IA é usada como treinadora ou guia para o operador humano, fornecendo análises ou insights dos dados. Um exemplo poderia ser um projeto recente de IA que sugeriu palavras ou frases faltantes em gravuras gregas antigas.
• Verificação de sanidade – A IA realiza a maioria das funções, mas tem um operador humano em standby para vigiar 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 empresariais disse que habilidades da equipe era o principal desafio para adoção de IA e ML, em 56%. Krensky mencionou no webinar que a maioria dos desenvolvedores de ML são jovens, têm menos de cinco anos de experiência e estão em seus empregos há menos de dois.

Além disso, Gartner vê o sucesso de um projeto como tendo múltiplos membros da equipe com diferentes especializações. Cientistas de dados, engenheiros de dados, especialistas em ML e especialistas de domínio têm papéis distintos no desenvolvimento de um projeto de IA ou ML, mas frequentemente organizações dependem de engenheiros de dados com conhecimento amplo.

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

Escopo e qualidade de dados é o terceiro maior desafio e um que Krensky acredita que deveria estar no topo da lista. Sem gestão adequada de dados, verificações de qualidade e governança de dados, um projeto de IA ou ML é muito mais propenso a falhar.