Apesar da grande expectativa do uso da Inteligência Artificial (IA) em todos os ramos de negócios, cerca de 90% dos experimentos que envolvem machine learning não saem da tela do computador. O dado consta em relatório da VentureBeat e aponta um verdadeiro paradoxo na área científica. 

Isso porque nove em cada dez executivos do segmento acreditam que a IA estará no centro da próxima revolução tecnológica, mas os cientistas de dados só conseguem produzir algo útil para as empresas em pouquíssimos experimentos. 

Mesmo com os bilhões de dólares direcionados aos estudos de modelos de aprendizado de máquina, a grande maioria para melhorar a experiência dos clientes, muitos investimentos estão tendo um retorno mais demorado do que a expectativa das companhias. 

Ilustração de machine learning
Projetos em machine learning ainda precisam superar vários desafios para ganharem mais eficiência dentro das empresas. Imagem: NicoElNino/Shutterstock

Assim, muitos líderes estão aumentando as pressões em busca de soluções mais efetivas e em um menor período de implantação, fazendo com que os cientistas de dados tenham uma certa sobrecarga da rotina. Mas há outros gargalos que precisam ser enfrentados para melhorar a efetividade dos experimentos referentes ao aprendizado de máquina.  

publicidade

Leia mais:

Falta de acesso aos dados   

Muitas empresas falham na coleta de dados pela deficiência na comunicação entre os setores, diferenças nos formatos e também variações na segurança e privacidade. 

Portanto, as empresas precisam facilitar essa integração, destinando dados bem apurados aos cientistas. 

Outro desafio é contar com uma equipe bem alinhada, multifuncional e que inclua cientistas de dados, engenheiros, DevOps, além de profissionais de outras funções com foco no cumprimento das etapas de um experimento. 

A terceirização precisa ser valorizada pelos gerentes, principalmente para acelerar o andamento de um projeto em fase inicial. 

Sofisticação com coerência 

Uma máxima na área de ciências de dados é não buscar sofisticação a todo custo. Afinal, se um modelo simples e barato resolver 80% das necessidades do cliente, podendo ser enviado em poucos meses, ele já é bem útil e terá impacto positivo na rentabilidade. 

Além disso, as empresas que conseguem desenvolver um modelo simples ganham experiência para criarem novos dispositivos mais complexos, ou seja, é possível evoluir, deixando os clientes 100% satisfeitos. 

Além dos fatores citados, outros aspectos que precisam de melhorias nos projetos de Inteligência Artificial seriam a maior conexão entre TI, engenharia e ciência de dados, maior aceitação dos projetos pelos executivos, aumento da produtividade e otimização do tempo. 

Dessa maneira, a revolução tecnológica esperada na próxima década necessitará de alguns ajustes no ambiente corporativo, principalmente para priorizar a eficiência nos modelos de aprendizado da máquina. 

Via: TNW

Já assistiu aos nossos novos vídeos no YouTube? Inscreva-se no nosso canal!