Obter valor comercial da AI: mapear a solução para os negócios.

Nesse caso, é provável que seja necessário combinar vários modelos e componentes para chegar a uma solução útil para o utilizador. Isoladamente, o problema (e as expectativas do cliente) pode não se enquadrar perfeitamente no formato "entrada de dados/saída de inferências" da IA tradicional ou no formato "solicitação/resposta" da IA genérica. Por conseguinte, a compreensão do problema de negócios é fundamental, transformando a lacuna (que é atualmente uma misteriosa caixa negra) em algo que possa ser compreendido e implementado.

Não existe uma solução única para isto, e cada caso é diferente, mas uma abordagem útil para projectos de AI em geral pode ser

1. Compreender e documentar a funcionalidade da ferramenta ou sistema desejado e qualquer interface de utilizador.
2. Documentar os dados disponíveis.
3. Dividir em elementos que possam ser resolvidos por modelos de IA (ML, processamento de linguagem natural, visão computacional ou IA Generativa).
4. Para as restantes lacunas, podem ser combinadas várias abordagens para as resolver?
5. Podem ser criadas regras que resolvam o problema com êxito?
6. Se ainda subsistir uma lacuna, pode esta ser preenchida por um ser humano que efectue uma tarefa no âmbito da solução, talvez assistido pelas opções do sistema de IA? Para resolver essa lacuna, a situação ideal seria poder aprender/codificar os comportamentos do ser humano que está integrado no sistema (uma abordagem semelhante pode ser utilizada para aumentar um modelo com fraco desempenho).

Ao longo da jornada de mapeamento da lógica de negócios, precisamos de estar conscientes do valor que os diferentes elementos trazem, e de quanto dinheiro e tempo estão disponíveis. Normalmente, vale a pena criar um mapa de valor: quais são as tarefas que são valiosas para os negócios e difíceis de automatizar versus aquelas que consomem muito tempo e podem ser facilmente automatizadas utilizando abordagens de AI.

Utilizando o exemplo de uma solução de AI para automatizar o marketing, depois de selecionar casos de utilização valiosos, identificámos que poderia ser criado um modelo para prever a rotatividade dos clientes. Isto enquadra-se firmemente na IA tradicional (ML), mas a mesma abordagem poderia ser aplicada se a tecnologia fosse IA Generativa. Deixando de lado os pormenores da construção de tal modelo, este parece funcionar bem, na medida em que pode prever com sucesso se um consumidor é suscetível de abandonar o negócio (mesmo a avaliação do desempenho de um modelo depende da aplicação do negócio, e isto deve ser previamente acordado com os acionistas relevantes). Partindo do princípio de que as considerações de engenharia foram abordadas com sucesso, como a integração com os dados e a infraestrutura existente (o esforço necessário nunca deve ser subestimado num projeto), temos ainda de garantir que esse modelo acrescenta realmente valor ao negócio.

Voltando ao tema do nosso artigo anterior, também queremos garantir que não trabalhamos no vácuo. Por isso, para garantir que o resultado final tem o impacto desejado e antecipado, em vez de ser visto como uma solução à procura de um problema, é necessário continuar a trabalhar com os acionistas seniores e os utilizadores finais para garantir que isso realmente acontece. Neste caso de negócios, depois de trabalhar com os acionistas relevantes, a forma de trazer valor para os negócios pode ser disponibilizar os resultados do modelo aos profissionais de marketing da empresa, para que possam visar especificamente os indivíduos com maior probabilidade de abandono do negócio.

Uma consideração fundamental para os utilizadores que interagem com os resultados dos modelos ML é garantir que estes lhes sejam úteis. Por exemplo, é provável que seja integrado num tipo de IU de marketing, mas então qual seria a apresentação útil dos dados? É improvável que as probabilidades de 0,0-1,0 façam sentido e sejam valiosas por si só, mas que tal alto/médio/baixo, ou até mesmo o top N ou top N% com maior probabilidade de rotatividade. Como se pode ver, é necessário tomar decisões ao longo de todo o processo, em estreita colaboração com os acionistas relevantes, para garantir que o projeto atinge um resultado útil.

A apresentação dos resultados do modelo aos profissionais de marketing de uma forma que lhes seja útil permite-nos demonstrar o valor do modelo e obter a adesão do utilizador (o que pode levar a uma maior automatização ou à sua integração numa solução de ponta a ponta). Isto ilustra bem as vantagens de trabalhar em estreita colaboração com os utilizadores e os acionistas seniores, não só para validar o valor da solução, mas também para servir de ponto de verificação que pode levar a um aumento do âmbito do projeto ou a um maior investimento.

Utilizando o exemplo de um departamento de marketing que pretende incorporar a IA para automatizar os seus processos, explorámos a forma como um modelo de IA - neste caso de negócios - pode ser considerado para incorporação nos processos de negócios existentes. Especificamente, para que seja útil e utilizável pelos utilizadores finais e, em última análise, para que possa trazer valor comercial. No próximo artigo, e último, consideramos alguns dos aspectos práticos de levar o nosso projeto de AI de uma conceção para uma solução funcional.