A integração da IA à sua organização começa com a identificação de como as plataformas de IA, os modelos fundamentais, a IA generativa e o aprendizado de máquina (ML) se alinham com os principais objetivos. As empresas tendem a superestimar o impacto dos recursos de IA e subestimar a complexidade, o que requer que os líderes de dados e análises gerenciem as expectativas, ou correm o risco de enfrentar falhas custosas em projetos.²

"Se você é um líder de dados, pense nas demandas mais frequentes que suas equipes recebem e em como a IA poderia facilitar a vida dessas áreas de negócios", diz Ann Leach, Diretora de Gerenciamento de Produtos de Portfólio da IBM"Onde é possível integrar a IA para auxiliar na tomada de decisões, estabelecer processos e fluxos de trabalho mais eficazes ou disponibilizar informações à empresa que incentivem um pensamento voltado para o futuro?"

Para aproveitar ao máximo suas aplicações de IA, tenha em mente estas diretivas:

Conecte-se aos resultados de negócios

Trabalhe com liderança para atender aos objetivos gerais de negócios da sua organização. Tim Humphrey, Chief Analytics Officer da IBM, sugere que, ao considerar um caso de uso de IA com um líder de marketing, recursos humanos, cadeia de suprimentos, vendas ou gerenciamento de ativos, você deve perguntar para onde o líder está tentando levar essa função ou organização. Você precisa entender onde está agora e para onde deve ir. Humphrey acrescenta: "Se você não pode aplicar IA ao longo desse continuum de como é e deve ser, você não deve começar".

Faça o teste primeiro


Com a IA, teste provas de conceito até encontrar a solução certa. Em seguida, otimize-o. "Em vez de gastar muito tempo tornando tudo perfeito, sou grande entusiasta de muitas provas de conceito sendo realizadas até encontrar aquela que realmente tem potencial", diz Caroline Carruthers, CEO da Carruthers and Jackson e autora de The Chief Data Officer's Playbook.

Definir e rastrear metas

Defina KPIs que avaliam o sucesso de cada caso de uso. Digamos que o projeto seja sobre a identificação de fraude de cartão de crédito e você gostaria que a IA pegasse 95% dos casos fraudulentos. Acompanhar seu progresso com métricas permite que você mapeie e monitore os níveis de desempenho da IA e demonstre o valor da IA aos stakeholders.

Uma das partes mais desafiadoras do trabalho de um líder de dados é estabelecer formas rápidas e confiáveis de ir dos dados para insights. Você precisa dos dados certos para executar seu modelo, mas nem todos os dados são adequados para IA.


"A base de tudo começa com o conjunto de dados apropriado para um caso de uso específico, e sem isso, não há IA, ponto final," afirma Remus Lazar, vice-presidente de desenvolvimento de software, Data Fabric, IBM. Ele menciona o exemplo de uma companhia aérea que busca a IA preditiva para prever se os passageiros conseguirão realizar suas conexões de voos. "Se você só coletou dados sobre os passageiros que perderam suas conexões e não sobre aqueles que conseguiram embarcar em seus voos, então não são exatamente os dados corretos para usar. Sem os conjuntos de dados apropriados, você nunca poderá resolver o caso de uso."

Revise sua arquitetura de dados

Mais da metade das organizações apontam os dados como a causa para a estagnação de projetos de IA. Uma arquitetura de dados moderna, como uma estrutura de dados, oferece qualidade de dados integrada e recursos de governança de dados. Isso permite que seus cientistas de dados acessem os dados por conta própria, independentemente de onde estejam localizados, com todas as exigências de governança e privacidade aplicadas automaticamente. Essa abordagem oferece aos usuários dados confiáveis prontos para uso e acesso a fontes diversas em tempo real, com plena governança que abre caminho para agilidade e velocidade.

Impulsione seus modelos com dados confiáveis

Em um período de regulamentações em constante mudança e questões éticas complexas relacionadas à IA, você deve sempre se perguntar: qual é a governança em torno desses dados e podem eles ser usados para esse fim? A qualidade e a governança dos dados são essenciais para o dimensionamento bem-sucedido das soluções de IA. Considere as seguintes perguntas para as quais sua organização precisa de respostas antes de poder confiar nas decisões do algoritmo.


• Por exemplo, você precisa de dados externos ou internos?
• Você está usando dados históricos?
• Se sim, é ético segundo os padrões atuais?

É responsabilidade sua, como líder de dados, decidir quem controla os dados, quem pode acessar o software e os aplicativos de IA e quem deve ter acesso para garantir que as iniciativas de IA sejam eficazes.

Comprometimento com IA ética

As diretrizes para IA responsável incluem considerações como segurança, explicabilidade e viés. Se você estiver usando dados históricos para alimentar um modelo, certifique-se de que esteja alinhado com as éticas e sensibilidades atuais da sociedade. Por exemplo, as atitudes em relação ao gênero, raça, sexo, classe e idade são diferentes hoje do que eram na década de 1970. Usar um conjunto de dados desatualizado pode perpetuar o viés da IA, distorcendo os resultados desde o início. As organizações podem se destacar ao enfrentar questões éticas de forma estratégica, intencional e ponderada.

A IA empresarial exige a mesma comunicação, estrutura e rigor comuns em áreas mais estabelecidas de uma organização. No entanto, o desenvolvimento de modelos com frequência acontece no laptop de um cientista de dados, e a orquestração é realizada manualmente ou de forma improvisada, utilizando código personalizado e scripts. É por isso que você precisa de operações de aprendizado de máquina (MLOps), que é o aplicativo de recursos de IA, como processamento de linguagem natural (NLP) e modelos de ML, para automatizar e simplificar fluxos de trabalho operacionais. E não perca os ganhos de eficiência que vêm com modelos de IA flexíveis e reutilizáveis, como modelos de base.

Acelere os fluxos de trabalho com eficiência

É útil ter um conjunto de melhores práticas para plataformas de IA empresarial que acelera e sincroniza a colaboração entre suas equipes de ciência de dados e o departamento de TI.

"Você deseja estabelecer os recursos para implementar automaticamente modelos edge de forma segura, em serviços web, solução de aprendizado de máquina e no hardware adequado, e justificar isso", afirma Steven Eliuk, Vice-Presidente de IA e Governança da IBM Global Chief Data Office. "Na IBM, estamos sempre buscando maneiras de permitir que os grupos coloquem seus modelos em produção mais rapidamente, mas de forma segura e governada", acrescenta Eliuk.

Resolva o erro humano

O MLOps automatiza processos manuais e ajuda a eliminar erros humanos custosos, reduzindo riscos e tornando a empresa muito mais ágil. Além de otimizar a produção, o MLOps auxilia os modelos a desempenhar como são projetados, promovendo confiança ao longo do ciclo de vida da IA. Isso ajuda você a responder perguntas críticas, como: no início, esses dados são tendenciosos? Ele tem amostras representativas suficientes no conjunto de dados? Quando você entra no desenvolvimento, está utilizando os algoritmos corretos, ou esses algoritmos perpetuarão vieses que já existem nos dados?

Veja como um líder de dados colocou os MLOPs em prática: “Temos nossos MLOPs constantemente verificando a qualidade, testando a qualidade de nossas previsões e a qualidade de nosso ML”, explica Peter Jackson, diretor de dados e operações da Outra. “Temos toda uma série de dashboards que fornecem relatórios à equipe de gerenciamento sênior, onde podemos ver a qualidade e o poder preditivo desses modelos. E se observarmos uma redução ao longo do mês, vamos analisar nossos programas de aprendizado de máquina e examinar as fontes de dados para entender por que não estão funcionando.

As organizações enfrentam sérios riscos à reputação de sua marca se seus modelos de IA forem tendenciosos ou inexplicáveis. Elas também podem enfrentar auditorias governamentais e multas milionárias por não atenderem a requisitos regulatórios complexos e variáveis. Todos esses problemas podem ter um impacto devastador nos relacionamentos com acionistas e clientes.

Conheça e confie em seu modelo de IA

Modelos de caixa-preta que não têm processos transparentes são uma preocupação crescente para as partes interessadas em IA. Esses modelos são construídos e implementados, mas não têm transparência. Nem sempre é fácil, mesmo para o cientista de dados, rastrear como e por que o modelo tomou a decisão. E com o aumento das regulamentações, como a lei da cidade de Nova York que regula o uso de IA na contratação e o projeto de Lei de IA proposto pela União Europeia, as empresas precisam se tornar mais hábeis rapidamente.


A governança da IA é o processo geral de direção, gerenciamento e monitoramento das atividades de IA nos processos de negócios. Os líderes de dados devem trabalhar em conjunto com os diretores de risco, diretores de conformidade e outros stakeholders importantes desde o início de um projeto de IA para criar um framework de governança de IA. Este framework deve delinear as melhores práticas da empresa para desenvolver, implementar e gerir modelos de IA e, em última análise, eliminar a caixa-preta.

Rastrear modelos de ponta a ponta

A governança de IA estabelece limites em cada etapa do ciclo de vida de IA e ML, incluindo a coleta de dados, a criação de modelos, a implementação, a gestão e o monitoramento. Essas proteções resultam em procedimentos mais transparentes e apresentam resultados compreensíveis aos stakeholders e clientes importantes A implementação da governança de IA do início ao fim ajuda a gerenciar melhor o risco e a reputação, aderir aos princípios éticos e proteger e expandir em conformidade com as regulamentações governamentais.

Um dos principais varejistas dos EUA recorreu à IBM para ajudar a resolver problemas de justiça em ferramentas e sistemas de recrutamento que rastreiam candidatos. Foi fundamental que esse empregador incorporasse justiça e confiança, incluindo a capacidade de identificar viés e explicar decisões em seu modelo de IA e ML usado para contratação. A empresa usou o IBM Cloud Pak® for Data para gerenciar consistentemente modelos habilitados para IA para precisão e justiça. Agora, a empresa está monitorando e mitigando proativamente o viés em seus processos de contratação.

Mostrar seu trabalho

A IBM também aplica essa abordagem internamente. "Se uma determinada regulamentação exige transparência ou explicabilidade, garantimos que o algoritmo ou a avaliação de impacto destaque esses detalhes, para que possamos ajustar rapidamente para cumprir continuamente as novas regulamentações sem afetar o negócio," diz Eliuk.

À medida que a IA passa da experimentação para a crítica aos negócios, as organizações estão vendo a necessidade de implementar proativamente a governança de IA para impulsionar IA transparente e explicável. A falta de proteções em torno da IA pode desviar os projetos de IA e desacelerar a inovação.