Escalando IA para Ganhos Reais de Negócio: Estratégias Comprovadas para Sucesso Operacional

Inteligência artificial (IA) está impulsionando uma nova normalidade para negócios em diversas indústrias. Varejistas podem, por exemplo, usar IA para prever pedidos de compra com base em dados históricos de estoque para impulsionar decisões inteligentes de reabastecimento. Equipes de suporte ao cliente podem usar IA para responder automaticamente e encaminhar tickets de suporte de alta prioridade para as equipes certas. Há um mundo de possibilidades onde você pode usar IA, e especificamente ML, para impulsionar resultados práticos de negócios.

Segundo Deloitte Insights, 83% dos primeiros adotantes empresariais de IA viram retorno positivo sobre investimento (ROI) de projetos em produção. Estes incluíam exemplos como implementação de software empresarial de terceiros usando IA, uso de chatbots e assistentes virtuais, e motores de recomendação para plataformas de e-commerce. Oitenta e três por cento das empresas pesquisadas planejavam aumentar gastos em IA em 2019. Das empresas investindo em IA, 63% haviam adotado ML.

Construir uma estratégia para usar pragmaticamente IA e ML para alcançar metas de negócios é prioridade máxima para muitas empresas. Para muitas, o principal desafio para operacionalizar ML com sucesso é entender, planejar e executar gerenciamento de uma implantação holística de ML em toda a organização.

Principais considerações para operacionalizar ML

A maneira 'certa' de abordar o ciclo de vida da ciência de dados difere de uma organização para outra. Muitas tentativas foram feitas para codificar e padronizar procedimentos de ciclo de vida de ciência de dados. No entanto, nenhuma abordagem incorpora as necessidades de todas as empresas.

Abraçar uma estratégia sustentável e sustentável para dados e ciência de dados é um exercício em constante evolução, distinto para cada empresa. Como as necessidades, estrutura e capacidades de cada empresa são únicas, stakeholders de toda a empresa devem ser consultados para construir um modelo ML flexível e escalável e executar uma estratégia holística de ciência de dados.

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

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

Vamos percorrer um framework padrão que pode ajudar sua organização a começar sua jornada de ML.

Fase um: Defina seu problema

No cerne de qualquer iniciativa de ML estão duas perguntas:

1. Qual problema você está tentando resolver?

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

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

Durante a fase um, principais stakeholders 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, empresas focam em:

• Mapear fontes de dados relevantes e os ambientes em que vivem (tais ambientes podem ser on-premises ou na nuvem, configurados como data warehouse, data lake ou plataformas de streaming de dados)

• Definir quais pipelines de dados existem atualmente e quais pipelines de dados precisam ser construídos para validação, limpeza e exploração de dados

• Entender com que frequência dados são atualizados

• Entender a confiabilidade dos dados

• Avaliar considerações e requisitos de privacidade de dados

• Habilitar exploração de dados através de visualizações, propriedades estatísticas de dados brutos e transformados, etc.

Entender seus dados não é tarefa pequena. É importante abordar esta fase iterativamente. À medida que você descobre mais sobre seus dados, pode descobrir problemas que impactam sua capacidade de resolver o problema, o que pode exigir ainda mais que você redefina ou reescopo o problema da fase um.

Fase três: Construa o modelo ML

Uma vez que você tem os dados prontos, é hora de seus cientistas de dados construírem um modelo ML. Passos comuns para construir um modelo ML robusto incluem:

• Extração e engenharia de features (inclui binning, data whitening e aplicação de transformações estatísticas)

• Seleção de features

• Treinamento do modelo (inclui divisão dos dados em qualquer número de conjuntos de treinamento, validação cruzada e validação)

• Ajuste de hiperparâmetros

• Avaliação do modelo

• Validação de significância estatística

Desenvolver um modelo requer feedback contínuo de stakeholders de negócios. Por exemplo, o problema de negócios pode exigir afinidade com sensibilidade versus especificidade. Você pode similarmente trocar leve desempenho preditivo (ex: F1 score) por desempenho operacional do modelo (ex: 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 requisitos mudam, a abordagem de modelagem também deve evoluir para servir o contexto atual.

Fase quatro: Implante um modelo em evolução

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

Implantar um modelo em evolução requer:

• Servir o modelo (tornar o modelo altamente disponível e horizontalmente escalável)

• Gerenciar versões do modelo (incluindo rollbacks e implantações canary/challenger)

• Re-treinar o modelo (modificar ou construir um novo modelo à medida que novos dados entram no sistema)

• Monitorar o modelo (rastrear métricas operacionais e de experiência do usuário em tempos de servir e treinar)

Monitoramento de deriva de dados e modelo, exigindo especialização de modelo para casos de uso intra-organizacionais direcionados, e manutenção de pipelines de dados (entre outros itens de manutenção) são críticos para o sucesso contínuo de um modelo.

Requisitos empresariais e da indústria podem evoluir rapidamente e impactar 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.

Conformidade com regulamentações — como o Regulamento Geral de Proteção de Dados (GDPR) da União Europeia (UE) — requer um nível mais profundo de rastreabilidade nas camadas de versionamento de dados, versionamento de modelo e entradas de modelo. Construir uma estratégia para responder a essas mudanças e requisitos da indústria através de dados pode ajudar empresas a continuar aproveitando ML para impulsionar melhores resultados de negócios, como crescimento de receita, redução de custos e diminuição de risco.

O que vem a seguir?

Operacionalizar ML de maneira flexível, sustentável e escalável requer muitos passos e considerações além do escopo de alto nível que delineamos neste blog. O diabo está nos detalhes.

Em nosso próximo blog, mergulharemos mais fundo em considerações técnicas, desafios que podem surgir de uma implementação ad-hoc de um sistema ML de grande escala e como a UiPath ajuda a enfrentar desafios comuns para clientes empresariais.