Apesar do hype em torno do AI, as empresas ainda enfrentam desafios significativos para alcançar o sucesso nessa área. O artigo destaca a abordagem errada das empresas ao construir soluções de AI e sugere uma abordagem mais eficaz.
O AI é um tópico em alta no mundo empresarial, mas a realidade é que apenas 15% dos projetos de ML das empresas são bem-sucedidos, de acordo com a McKinsey. Por que, então, as empresas ainda estão investindo bilhões em AI? A resposta está na abordagem. A estratégia mais comum é olhar para conjuntos de dados e demonstrar uma maneira de modelá-los, o que causa problemas porque a solução proposta é desenvolvida em um silo, ignorando as realidades operacionais da empresa.
Para obter sucesso em seus esforços de AI, as organizações devem caminhar de trás para frente, começando pelo problema e não pela solução. É necessário identificar os desafios reais e que possuem a maior prioridade de negócios e, a partir daí, quebrar as soluções propostas em etapas menores.
Um dos principais desafios é a escolha do problema certo. Os objetivos do departamento de AI / data science podem ser insignificantes em comparação com os desafios de negócios ao seu redor. É importante alinhar os objetivos do departamento com as metas organizacionais para selecionar os problemas certos para o ML resolver. Para uma estimativa de ROI verdadeiramente crível, os tomadores de decisão precisam envolver as equipes financeiras, jurídicas e de atendimento ao cliente.
Outro desafio é estimar o ROI. Muitas empresas ignoram os custos secundários ou terciários do AI ao estimar o retorno do investimento. As soluções de ML geralmente envolvem mais do que apenas custos de desenvolvimento. As empresas também devem considerar os custos de manutenção e infraestrutura, requisitos de treinamento, conformidade regulatória e custos de engenharia.
Por fim, a construção da confiança é um desafio significativo. As previsões impulsionadas pelo AI nem sempre são fáceis de serem compreendidas pelos tomadores de decisão. Para ganhar a confiança da equipe, é necessário transparência e explicabilidade. As explicações precisam fazer sentido para os gerentes, que podem não ter formação em ciência de dados, e precisam fornecer evidências convincentes para apoiar suas conclusões.
