Melhores resultados de negócios ao operacionalizar a inteligência artificial em escala

A inteligência artificial (IA) está impulsionando um novo normal para empresas em todos os setores. Os varejistas podem, por exemplo, usar a IA para prever pedidos de compra em dados históricos de estoque para impulsionar decisões inteligentes de reabastecimento. As equipes de suporte ao cliente podem usar a IA para responder automaticamente e encaminhar tíquetes de suporte ao cliente de alta prioridade para as equipes certas. Há um mundo de possibilidades em que você pode usar a IA, e especificamente o ML, para gerar resultados práticos de negócios.

De acordo com a Deloitte Insights, 83% dos adotantes iniciais de IA corporativa tiveram um retorno positivo sobre o investimento (ROI) de projetos em produção. Isso inclui exemplos como a implementação de software corporativo de terceiros usando IA, uso de chatbots e assistentes virtuais e mecanismos de recomendação para plataformas de comércio eletrônico. Oitenta e três por cento das empresas pesquisadas planejavam aumentar os gastos com IA em 2019. Das empresas que investem em IA, 63% adotaram ML.

Construir uma estratégia para usar IA e ML de forma pragmática para atingir as metas de negócios é uma das principais prioridades de muitas empresas. Para muitos, o principal desafio para operacionalizar o ML com sucesso é entender, planejar e executar o gerenciamento de uma implantação holística de ML em toda a organização.

Principais considerações para operacionalizar ML

A maneira "certa" de lidar com o ciclo de vida da ciência de dados difere de uma organização para outra. Muitas tentativas foram feitas para codificar e padronizar os procedimentos do ciclo de vida da ciência de dados. No entanto, nenhuma abordagem incorpora as necessidades de cada empresa.

Adotar uma estratégia sustentável e sustentável para dados e ciência de dados é um exercício em constante evolução, distinto para cada empresa. Como as necessidades, a estrutura e os recursos de cada empresa são únicos, as partes interessadas de toda a empresa devem ser consultadas para criar um modelo de ML flexível e escalável e executar uma estratégia holística de ciência de dados.

Os desafios operacionais e as mudanças nas práticas de infraestrutura e desenvolvimento que cada empresa deve abordar serão diferentes.

É fundamental que sua organização leve em consideração sua cultura, sistemas e necessidades ao definir e evoluir o ciclo de vida da ciência de dados. Ter uma estrutura básica para apresentar entre as equipes ajuda a desenvolver uma base comum para comunicação enquanto você continua desenvolvendo e evoluindo sua operacionalização de ML.

Vamos percorrer uma estrutura padrão que pode ajudar sua organização a dar os primeiros passos em sua jornada de ML.

Fase um:defina seu problema

No centro de qualquer iniciativa de ML estão duas questões:

1. Que problema você está tentando resolver?

2. Por que você acredita que o ML e uma melhor compreensão de seus dados podem ajudá-lo a resolver o problema em questão?

As respostas a essas perguntas dependem de como sua empresa pensa sobre estratégia e avalia problemas de negócios.

Durante a primeira fase, os principais interessados ​​devem se reunir para definir o escopo inicial do problema e seus requisitos.

Fase dois:entenda seus dados

Qual é a história dos seus dados? De onde vêm seus dados e quantas fontes de dados são relevantes para ajudá-lo a resolver seu problema de negócios específico?

Durante esta fase, as empresas se concentram em:

• 
  Mapeamento de fontes de dados relevantes e os ambientes em que vivem (esses ambientes podem ser locais ou na nuvem, configurados como um data warehouse, data lake ou plataformas de dados de streaming)
  
• 
  Definir quais pipelines de dados existem atualmente e quais pipelines de dados precisam ser criados para validação, limpeza e exploração de dados
  
• 
  Compreender com que frequência os dados são atualizados
  
• 
  Entendendo a confiabilidade dos dados
  
• 
  Avaliando considerações e requisitos de privacidade de dados
  
• 
  Habilitar a exploração de dados por meio de visualizações, propriedades estatísticas de dados brutos e transformados, etc.
  

Entender seus dados não é tarefa fácil. É importante abordar esta fase de forma iterativa. À medida que você descobre mais sobre seus dados, pode descobrir problemas que afetam sua capacidade de resolver o problema, o que pode exigir ainda que você redefina ou redefinir o problema da fase um.

Fase três:construir o modelo de ML

Depois de ter os dados prontos, é hora de seus cientistas de dados criarem um modelo de ML. As etapas comuns para criar um modelo de ML robusto incluem:

• 
  Recursos de extração e engenharia (inclui binning, branqueamento de dados e aplicação de transformações estatísticas)
  
• 
  Selecionando recursos
  
• 
  Treinar o modelo (inclui dividir os dados em qualquer número de conjuntos de dados de treinamento, validação cruzada e validação)
  
• 
  Ajustando hiperparâmetros
  
• 
  Avaliação do modelo
  
• 
  Validando a significância estatística
  

O desenvolvimento de um modelo requer feedback contínuo das partes interessadas do negócio. Por exemplo, o problema de negócios pode exigir uma afinidade com a sensibilidade em relação à especificidade. Da mesma forma, você pode trocar um desempenho preditivo leve (por exemplo, pontuação F1) pelo desempenho operacional do modelo (por exemplo, previsões mais rápidas) ou explicabilidade do modelo.

O objetivo do cientista de dados é construir um modelo que use dados para contar uma história clara relacionada ao problema de negócios. À medida que o problema evolui e os requisitos mudam, a abordagem de modelagem também deve evoluir para atender ao contexto atual.

Fase quatro:implantar um modelo em evolução

Construir o modelo inicial é apenas o começo da jornada de ML. A implantação de um modelo em evolução é um passo crucial para a criação de valor de longo prazo para a organização.

A implantação de um modelo em evolução requer:

• 
  Servindo o modelo (tornando o modelo altamente disponível e escalável horizontalmente)
  
• 
  Gerenciando versões de modelo (incluindo rollbacks e implantações canário/desafiador)
  
• 
  Retreinar o modelo (modificar ou construir um novo modelo à medida que novos dados entram no sistema)
  
• 
  Monitoramento do modelo (acompanhamento de métricas operacionais e de experiência do usuário nos tempos de atendimento e treinamento)
  

Monitorar dados e desvios de modelos, exigir especialização de um modelo para casos de uso direcionados dentro da organização e manter pipelines de dados (entre outros itens de manutenção) são essenciais para o sucesso contínuo de um modelo.

Os requisitos de toda a empresa e do setor podem evoluir rapidamente e impactar as fontes e entradas de dados. Por exemplo, governança e conformidade em escala são considerações que abrangem todo o ciclo de vida da ciência de dados.

A conformidade com os regulamentos — como o Regulamento Geral de Proteção de Dados da União Europeia (UE) (GDPR) — exige um nível mais profundo de rastreabilidade nas camadas de versão de dados, versão de modelo e entrada de modelo. A criação de uma estratégia para responder a essas mudanças e requisitos do setor por meio de dados pode ajudar as empresas a continuar aproveitando o ML para gerar melhores resultados de negócios, como crescimento de receita, redução de custos e redução de riscos.

O que vem a seguir?

Operacionalizar o ML de maneira flexível, sustentável e escalável requer muitas etapas e considerações além do escopo de alto nível do que descrevemos neste blog. O diabo está nos detalhes.

Em nosso próximo blog, vamos nos aprofundar em considerações técnicas, desafios que podem surgir de uma implementação ad-hoc de um sistema de ML em larga escala e como o UiPath ajuda a enfrentar desafios comuns para clientes corporativos.