Revelando um inovador quadro e matriz de planejamento para pesquisa e desenvolvimento em IA
A rápida ascensão da inteligência artificial (IA) para pesquisa e desenvolvimento (P&D) abriu uma infinidade de casos de uso em diferentes áreas de atuação e negócios. Podemos aproveitar os benefícios gerais da IA e, com o nível certo de planejamento de projetos, alcançar melhorias significativas no desempenho dos negócios. Estes são tempos empolgantes para a IA. Também são tempos de contradição: para cada história sobre sucessos sem precedentes, há outras que expressam preocupações sobre os riscos de consequências não intencionais. Queremos desenvolver a IA para melhorar nossas vidas. Mas também queremos nos proteger contra os aspectos negativos. Então, como podemos construir melhores ferramentas para viver melhor e usá-las para prevenir catástrofes? No mundo moderno, o melhor momento para fazer isso é durante o planejamento de pesquisa e desenvolvimento. Precisamos de maneiras de orientar nosso pensamento e planejamento inovador. Aqui, estamos oferecendo uma dessas possibilidades.
O quadro de transformação de IA recursivo “Mais 3P”
A definição de um algoritmo recursivo busca continuamente dividir o problema que o software está tentando resolver em instâncias menores do mesmo problema. Em vez de uma solução para o problema, o quadro de transformação de IA “Mais 3P” que propomos pretende ser uma abordagem abrangente e disciplinada para o desenvolvimento de soluções. O termo “3P” refere-se aos três domínios considerados na orientação de P&D: Previsão, Personalização e Precisão.
Previsão:
A análise de dados preditiva ajuda a garantir que as organizações possam, em tempo quase real, prever condições, tendências, resultados e comportamentos de forma mais precisa, levando a um planejamento e tomada de decisão proativos e informados. Ao considerar como aplicar IA em qualquer campo, as simulações preditivas são as primeiras que vêm à mente. De fato, ao capturar os sinais e padrões nos mecanismos subjacentes e na lógica de eventos passados ou de um determinado fenômeno, os algoritmos podem antecipar (ou prever) eventos semelhantes no futuro próximo ou distante.
Vale destacar a importância de prestar atenção à capacidade do modelo de prever eventos únicos, singulares ou novos resultantes das simulações, seja de forma autônoma ou com a supervisão de especialistas humanos (SMEs) no campo ou setor industrial em questão. Essas previsões também podem ajudar a identificar potenciais riscos ocultos — por exemplo, discriminação tecnológica e impacto ambiental — dentro da opacidade dos algoritmos que impulsionam as simulações, novamente com a supervisão de SMEs.
Personalização
A personalização, por outro lado, indica um potencial para customizar serviços, produtos e experiências adaptados a usuários individuais (consumidores, clientes e/ou parceiros da cadeia de valor), com base em dados demográficos, preferências e comportamentais, a fim de aprimorar a oferta de produtos ou serviços, a satisfação e a lealdade. Nas últimas décadas, a coleta e o processamento cada vez melhores de dados permitiram a coleta em tempo real e a curadoria automatizada de conjuntos de dados que podem ser usados para treinar a IA.
Além disso, os avanços nos modelos de IA possibilitam recomendações altamente personalizadas ou modificações concretas na entrega de produtos e serviços em geral. Essa capacidade aumentada de personalização traz novas oportunidades de negócios ao melhorar o design, a produção e a entrega de produtos e serviços mais personalizados aos clientes.
Como adotar a abordagem do quadro de transformação de IA recursivo 3P
Esperamos processos de negócios, trabalho ou produção mais preditivos, mais personalizados e mais precisos ao empregar abordagens formais de design e pensamento sistêmico que antecipem e considerem plenamente as oportunidades de transformação por meio da inteligência artificial.
Uma abordagem baseada em casos de uso deve ser aplicada ao adotar o quadro 3P, fazendo as seguintes perguntas: Quais são as oportunidades de transformação de negócios previstas? Quais são os problemas que podem ser antecipados? Quais são os riscos e ameaças?
Apresentamos a Matriz de Transformação de IA Mais 3P, conforme ilustrado na Figura 1, que exibe uma lista de todas as tarefas para cada um dos três Ps. Aqui estão os passos para construir e usar uma matriz de planejamento de transformação de IA:
1. Liste todas as tarefas em que a IA já está sendo, será ou poderá ser aplicada.
2. Para cada tarefa, liste como essa tarefa pode se tornar mais precisa e/ou mais preditiva e/ou mais personalizada.
3. Identifique tarefas que tenham formas substancialmente semelhantes ou comuns de se tornarem mais alinhadas a cada dimensão do P.
4. Identifique as tarefas que têm maior influência na precisão, previsão e personalização para identificar aquelas que trarão os maiores benefícios para o negócio.
5. Reitere essa matriz ao longo do tempo enquanto avança na transformação de IA do processo-alvo.
6. Conte as histórias do que deu certo, do que deu errado e do que aconteceu em seguida.
Figura 1:
A Matriz de Transformação em IA Mais 3P
| Tarefa #1 | Tarefa #2 | Tarefa (…) | |
| Mais preciso | |||
| Mais preditivo | |||
| Mais personalizado |
Durante o processo de planejamento da matriz, é útil lembrar que este é simplesmente um mecanismo de orientação de P&D para o desenvolvimento de modelos. Quanto mais simples, melhor. Isso permite que as equipes de desenvolvimento apliquem ativamente e de forma iterativa a Matriz Mais 3P para tomar decisões de planejamento cada vez mais inteligentes e eficazes.
A promessa de desempenho transformador para os negócios e retorno sobre o investimento
Um quadro e matriz simples significam que podem ser aplicados de forma mais rigorosa. Na sua simplicidade, nos detalhes bem pensados e no rigor, reside seu poder como uma importante ferramenta de planejamento. A melhoria de desempenho no contexto da Matriz do Quadro 3P também pode significar melhorias no planejamento para contenção e mitigação de riscos negativos, como discriminação tecnológica, por exemplo, tecno-racismo e vieses algorítmicos.
Isso é possível ao medir os níveis de coeficiente “mais” em cada um dos domínios 3P e seus estágios evolutivos ao longo do tempo. De fato, ser mais preciso, mais personalizado e mais preditivo em relação às medidas de referência reforça os conceitos de projeto como uma questão de ciência e engenharia.
As equipes de desenvolvimento tecnológico e os líderes empresariais devem colaborar. Eles precisam colaborar em cada etapa para projetar, desenvolver, testar e operacionalizar. As operações subjacentes de aprendizado de máquina e/ou de inteligência artificial generativa, aplicadas aos modelos algorítmicos em desenvolvimento, exigem a liderança empresarial para ajudar a garantir que os objetivos do modelo, em termos de “Mais 3P IA”, atendam a todos os critérios de design representados na matriz.
Caso contrário, os sistemas podem não funcionar corretamente, resultando em um impacto negativo no desempenho dos negócios e no retorno sobre o investimento da empresa. Uma governança inadequada pode, inclusive, resultar em consequências indesejadas, como o desenvolvimento de modelos de IA imprecisos (relaxados). A Matriz Mais 3P IA, em sua melhor aplicação, evita esse problema.
Visão de futuro
O Quadro de Transformação Mais 3P IA é uma abordagem proativa para a melhoria contínua de processos que incentiva voluntariamente a participação total e comprometida de designers, desenvolvedores (incluindo cientistas de dados e engenheiros de processos) e líderes empresariais.
Essa matriz deve ser planejada e implementada com máxima fidelidade, como um assunto de “missão crítica”, para garantir que esses sistemas de software atendam a rigorosas diretrizes de desempenho, especificações e políticas e salvaguardas de governança necessárias, todos voltados para alcançar uma verdadeira transformação de negócios liderada por IA.
A Matriz do Quadro Mais 3P IA deve, provavelmente, liderar o desenvolvimento de um caso de negócios para os modelos de projeto de IA propostos. Isso pode se aplicar especialmente em organizações maduras de desenvolvimento de software corporativo. O que for incluído na matriz e devidamente listado e descrito informará os critérios do caso de negócios. Para uma startup de IA ou empreendimento em estágio inicial, o Quadro 3P pode representar uma maneira clara e fácil de entender para apresentar a todos os stakeholders qual é o foco principal do negócio.
Ao buscar a Transformação por IA dentro de uma organização, é útil visualizá-la através da lente desse Quadro, pois ele demonstra como a organização pode se capacitar para aproveitar ao máximo a IA. Quanto mais rápido isso puder ser plenamente articulado e demonstrado à liderança, mais rapidamente a vantagem competitiva poderá ser alcançada.
Além disso, delinear como a empresa pode evoluir para se tornar uma organização Mais 3P dentro do caso de negócios, juntamente com um Quadro de Transformação de IA 3P aplicado, fornece uma narrativa direta sobre o impacto da IA. Essa narrativa vai além dos ganhos esperados de crescimento, lucratividade e eficiência. Ela transmite de forma poderosa o valor comercial da IA, ressoando com todos os stakeholders—funcionários, clientes, parceiros da cadeia de valor e investidores—ao demonstrar melhorias tangíveis nas operações comerciais e nos resultados.
Incorporar uma governança eficaz
Demonstrar uma governança algorítmica eficaz e quase à prova de falhas no Quadro de Transformação de IA 3P é crucial, pois aborda diversos desafios, como privacidade de dados, soberania, considerações éticas e salvaguardas, além da conformidade regulatória. Ao integrar a governança algorítmica, a organização pode mitigar os riscos associados à IA enquanto otimiza seus benefícios.
Essa governança deve ser dinâmica, evoluindo conforme as capacidades de IA e as normas sociais mudam, para garantir que a transformação seja inovadora, continuamente responsável e sustentável.
Conclusão
Um plano de transformação de IA bem elaborado, visto pela lente do “3P”, pode conferir vantagens substanciais para as organizações. Ao aplicar rigorosamente as estratégias do Quadro de Transformação de IA 3P, as organizações podem obter melhorias significativas na eficácia e eficiência operacionais, no desempenho dos negócios, no retorno sobre o investimento e em vantagens competitivas – tudo isso governado por práticas robustas e recursivas de desenvolvimento e gerenciamento algorítmico que protegem contra riscos potenciais.
Fonte:
Periódico European Business Review, novembro-dezembro de 2024
Sobre os autores:
Aurélie Jean, PhD, cientista computacional, empreendedora e autora. Aurélie Jean possui quase 20 anos de experiência em ciência computacional aplicada a uma ampla gama de disciplinas. Após 11 anos de pesquisa acadêmica, Aurélie atualmente lidera duas empresas, incluindo uma startup de tecnologia avançada em IA voltada para a detecção precoce do câncer de mama. Ela é autora de diversos livros de não ficção sobre ciência algorítmica que se tornaram best-sellers, além de ser colunista nas áreas de ciência e tecnologia. Aurélie leciona ciência algorítmica em programas de educação executiva e é pesquisadora associada na Hult Business School e na The Digital Economist. Ela também atua como investidora e membro do conselho de diversas empresas nos Estados Unidos e na França.
Dr. Mark Esposito é professor de economia e políticas públicas com nomeações na Hult International Business School e na Universidade de Harvard. Ele também atua como professor adjunto de Políticas Públicas na McDonough School of Business da Universidade de Georgetown.
Na Harvard, ele é cientista social afiliado ao Centro para Desenvolvimento Internacional da Harvard Kennedy School, ao Instituto para Ciências Sociais Quantitativas (IQSS) da Universidade de Harvard, ao Davis Center para Estudos da Eurásia, e é professor afiliado do Berkman Klein Center para Internet e Sociedade em Harvard.
Ele cofundou a empresa de pesquisa em aprendizado de máquina Nexus FrontierTech e a startup educacional The Circular Economy Alliance. Também cofundou o The Chart ThinkTank e a The AI Native Foundation. Foi classificado pelo Thinkers50 em 2016 como um dos 30 principais pensadores emergentes em negócios no mundo e foi indicado para o prêmio Breakthrough em 2019 e para o prêmio Strategy em 2023. Mark possui doutorado pela École des Ponts Paris Tech e vive e trabalha entre Boston, Genebra e Dubai.
Terence Tse é um educador, autor e palestrante reconhecido mundialmente. É professor de Finanças na Hult International Business School e cofundador da Nexus FrontierTech, uma empresa de IA. Também é professor visitante na ESCP Business School e na Cotrugli Business School. Seu último livro coautorado, The Great Remobilization: Strategies and Designs for a Smarter Global Future, foi indicado para o prêmio Strategy do Thinkers50 em 2023.
Terence coescreveu dois best-sellers na Amazon, The AI Republic e Understanding How the Future Unfolds. O modelo DRIVE apresentado neste último recebeu indicação para o prêmio CK Prahalad Breakthrough Idea do Thinkers50. Terence também é autor do livro Corporate Finance: The Basics, que está atualmente na segunda edição. Ele já apareceu em diversas plataformas de mídia, além de ter conduzido workshops e prestado consultoria para marcas globais. Terence possui doutorado pela Cambridge Judge Business School e tem experiência em bancos de investimento e consultoria.
Danny Goh é um empreendedor em série e educador com impacto significativo nos campos de inovação, sustentabilidade e transformação digital. Atualmente, é especialista em Empreendedorismo na Saïd Business School, da Universidade de Oxford, e atua como Senior Fellow no Centro de Política e Competitividade da École des Ponts Business School.
Danny também leciona sobre empreendedorismo e transformação digital em diversas universidades, incluindo a ESCP e a École des Ponts Business School. Ele oferece sua expertise como consultor e jurado em programas de aceleração de startups e tecnologia, incluindo Microsoft Accelerator, Startupbootcamp IoT e LBS Launchpad.
Danny é um palestrante requisitado e já apresentou em conferências importantes, como TEDx, eventos da Comissão Britânica e BCGx. Coescreveu o best-seller internacional da Amazon, The AI Republic: Building the Nexus Between Humans and Intelligent Automation, junto com Dr. Mark Esposito e Dr. Terence Tse. Ele também é cofundador da AI Native Foundation e do The Chart Thinktank, uma organização sem fins lucrativos e apartidária sediada em Londres. Essas organizações colaboram com entidades globais, incluindo as Nações Unidas e diversos governos, para promover o uso de tecnologia na quarta revolução industrial.
Como fundador e CEO da Nexus FrontierTech, Danny lidera um laboratório de pesquisa em IA que utiliza tecnologias de visão computacional e processamento de linguagem natural (NLP) para criar soluções de transformação digital para empresas de todos os setores. O laboratório já ajudou com sucesso as 100 maiores empresas da Fortune, como HSBC, UBS, MUFG e Toyota, bem como órgãos governamentais no Reino Unido e em Cingapura, a integrar IA em suas operações, impulsionando assim o crescimento dos negócios e mantendo uma vantagem competitiva em um cenário digital em constante evolução.