7 maneiras de tornar a empresa mais ampla confortável com inteligência artificial

O desafio é colocar as pessoas em primeiro lugar em todo e qualquer projeto de IA. Os profissionais de IA fornecem recomendações para a construção de uma cultura centrada nas pessoas, mas orientada por IA.

Como as pessoas encarregadas de projetar, construir e implantar inteligência artificial – de engenheiros de dados a desenvolvedores – reconhecem, a IA é um mecanismo poderoso para amplificar o conhecimento humano, habilidades e eficiência. Mas como os defensores da IA podem empregar a IA para corrigir uma cultura corporativa moribunda ou tóxica? Esse é provavelmente o desafio mais vexato com lançamentos de IA.

Empresários e especialistas na linha de frente da revolução da IA reconhecem que essa é uma tecnologia de obstáculos que sozinha não pode resolver, “A IA não pode resolver problemas onde já existem problemas subjacentes, como a cultura de uma empresa ou a falta de confiança de uma base de clientes”, diz Stephan Baldwin,fundador do Assisted Living Center. “Estes são fomentados por princípios que moldam o funcionamento interno e externo cotidiano de uma empresa.”

Um dos desafios, aponta Baldwin, nós “modelos de Inteligência Artificial atuam com base em dados históricos, o que significa que eles são propensos a vieses que nós humanos tivemos ao coletar informações. Às vezes, um processo automatizado não leva em conta as pessoas que governa.”

O desafio, então, é colocar as pessoas em primeiro lugar em todo e qualquer projeto de IA. Os praticantes de IA fazem as seguintes recomendações para a construção de uma cultura centrada nas pessoas, mas orientada por IA:

Estender a propriedade e a responsabilidade pela IA além do departamento de TI. A IA precisa ser uma iniciativa empresarial, com todas as partes envolvidas. “A implantação bem-sucedida e produtiva da IA é um esforço multifuncional muito além da ciência de dados”, diz o Dr. Michael Wu,estrategista-chefe de IA da PROS. “As equipes estendidas precisam variar do lado técnico, envolvendo operações de TI e nuvem para segurança e governança de dados, até o lado empresarial, envolvendo gestão de mudanças, treinamento para educação, adoção, melhores práticas.”

Reconheça que a IA é simplesmente código. Não é uma misteriosa arte negra capaz de enganar os humanos. “A IA não é mais mágica, e as empresas agora parecem entender isso”, diz Beerud Sheth,co-fundador e CEO da Gupshup. “A IA não está tentando substituir os humanos, mas permitir uma conversa mais humana que tenha o poder de automação e inteligência que uma máquina poderia ter.”

Alvo de IA para áreas onde é mais impactante. As melhores partes da empresa para promover e lançar IA varia muito entre as indústrias, ressalta Wu. “Mas o tema comum é que as organizações devem ter uma fonte confiável de dados limpos e ricos como subproduto das operações normais de negócios”, diz ele, “Por exemplo, empresas com grandes centros de suporte muitas vezes mantêm um bom registro operacional das incidências e resoluções. Os dados de transação em organizações de vendas tendem a ser bastante limpos, pois são necessários para boas práticas contábeis. Esses dados continuarão a alimentar sua IA/ML enquanto aprendem. Por outro lado, embora as organizações de marketing também tenham muitos dados, muitas vezes são mais barulhentos e muitas vezes requerem limpeza antes de serem usados na produção de IA e ML.”

A Sheth vê a maior atividade dentro do suporte ao cliente, a descoberta de produtos e os departamentos voltados para funcionários em organizações de clientes. “Um progresso considerável na análise de idiomas e no aprendizado de máquina permitiram um tempo de retorno rápido para consultas de suporte”, diz ele. “A previsão baseada em IA e o gerenciamento de contexto permitem que mecanismos precisos de descoberta sejam expostos através de interfaces mais simples, como chats. Os mecanismos de cognição baseados em Machine Learning tornam a resolução de consultas e a resolução de problemas de suporte relacionados à política precisas e fáceis de implantar em canais seguros, como equipes de MS e aplicativos web progressivos.”

Investigue e pressione pelas tecnologias mais impactantes.” Otimização de preços, manutenção preditiva e tecnologias de IA conversacional são mais impactantes porque os dados necessários para treinar e continuar a abastecê-los à medida que aprendem tendem a ser abundantes”, diz Wu. “Sua implantação também não requer uma grande mudança na operação do negócio. Além disso, como há muitos fornecedores oferecendo essas soluções, o custo total de propriedade é relativamente baixo em comparação com o impacto na receita que essas tecnologias são capazes de impulsionar.” Sheth vê o maior potencial de PNL multilíngue, aprendizado de máquina e IA preditiva.

Garanta a equidade na IA através de maior transparência. Para obter aceitação e suporte para a IA em toda a empresa, os resultados entregues precisam ser o mais justos e livres de viés possível. “Transparência e equidade são essenciais para o sucesso de uma IA porque geram confiança informando tanto funcionários quanto clientes sobre como eles estão sendo governados”, diz Baldwin. “Há muitos exemplos de IA não funcionando corretamente, e como empresa, a última coisa que você quer é não ser capaz de explicar por que um erro aconteceu.” Ainda assim, mais precisa ser feito nesse sentido, diz Wu. “Muitas indústrias que começam a alavancar a IA estão mais focadas em fazer com que sua IA funcione e alcançar o ROI positivo primeiro com os dados limitados que possuem. Para essas indústrias, a equidade não é uma prioridade imediata, embora seja rotineiramente parte das narrativas corporativas. Embora todos falem em priorizar a ética e a justiça da IA, nem todos toma medidas subsequentes para combater o viés.”

Incentive a conscientização e o treinamento para IA justa e acionável entre gestores e funcionários de TI. Os líderes e funcionários de TI também devem receber mais treinamento e conscientização para aliviar o viés da IA, insiste Sheth. “A IA é tão boa quanto os dados que fornecemos a ela. Uma vez que os humanos são responsáveis pelos dados de treinamento, há uma boa chance de que nossos algoritmos de IA possam ser corrompidos com viés humano ou refletir qualquer tipo de outro padrão desfavorável detectado ao longo do tempo. Podemos determinar vários modelos que podem ajudar a tomar decisões melhores e justas, mas, juntamente com esses líderes empresariais, devem estar cientes desses desafios e tomar decisões certas para ajudar a eliminar o viés em relação aos dados.”

Incentive a conscientização e o treinamento para IA justa e acionável em todos os níveis da organização. A IA pode ser um esforço corporativo, mas os líderes de TI podem liderar o caminho para garantir que a IA entregue como deveria. “O treinamento e a educação para líderes de TI e funcionários é um bom começo, mas muitas vezes não suficiente”, diz Wu. “Aliviar o viés de IA deve ser o trabalho de todos, assim como a segurança de dados, pois é semelhante à ética empresarial de uma empresa.”

Ao mesmo tempo, acrescenta, “os funcionários muitas vezes precisam ter algum incentivo para motivá-los a exibir novos comportamentos profissionais antes de se tornarem de segunda natureza. Esses incentivos nem sempre têm que ser relacionados com o governo. Por exemplo, a gamificação empresarial pode ser empregada para impulsionar a conscientização e o interesse na mitigação de viés de IA. Ele pode ser uma alavancagem dentro de uma empresa para gamificar a conscientização sobre a questão do viés de IA, impulsionar comportamentos positivos que ajudam a identificar esses vieses e até mesmo crowdsource para soluções em potencial.”

A revisão regular dos resultados da IA também é obrigatória para o sucesso, diz Sheth. “Na verdade, essa tem sido uma das lições difíceis para as empresas de IA ter sempre humanos em loop.” Ele recomenda “revisões regulares de resultados de IA selecionados aleatoriamente, certificando-se de que todos os estratos estejam adequadamente representados em amostragem aleatória. Os usuários finais podem nem sempre ter tempo e inclinação para dar feedback para resultados de IA abaixo do oótimo. Avalie ativamente e regularmente o desempenho de seus modelos. O feedback dos revisores é automaticamente alimentado de volta para a próxima rodada de treinamento de modelos. Essa prática impede que os modelos fiquem obsoletos e irrelevantes.”