Como saber quando a IA é a solução certa

A adoção da IA está em ascensão. De acordo com uma pesquisa recente da McKinsey, 55% das empresas usam inteligência artificial em pelo menos uma função e 27% atribuem pelo menos 5% do lucro antes de juros e impostos à IA, muito disso na forma de economia de custos.

Como a IA transformará drasticamente quase todos os setores em que atua, não é surpresa que fornecedores e empresas estejam procurando oportunidades para implantar a IA em todos os lugares que puderem. Mas nem todo projeto pode se beneficiar da IA e tentar aplicar a IA de forma inadequada pode não apenas custar tempo e dinheiro, mas também azedar funcionários, clientes e líderes corporativos em futuros projetos de IA.

Os principais fatores para determinar se um projeto é adequado para IA são o valor comercial, a disponibilidade de dados de treinamento e a prontidão cultural para a mudança. Veja como garantir que esses critérios estejam alinhados para o projeto de IA proposto antes que sua incursão na inteligência artificial se torne um custo irrecuperável.

Comece com a solução mais simples possível

Os cientistas de dados, em particular, gravitam em torno de uma abordagem de IA em primeiro lugar, diz Zack Fragoso, Gerente de Ciência de Dados e IA da rede de pizzarias Domino’s, que tem mais de 18.000 locais em mais de 90 países ao redor do mundo. Mas você não pode aplicar IA em todos os lugares.

Apesar de ser uma linha de negócios muito tradicional, a Domino’s vem adotando mudanças – especialmente durante a pandemia. Os clientes agora têm 13 maneiras digitais de pedir pizzas, e a empresa gerou mais de 70% das vendas por meio de canais de pedidos digitais em 2020. Isso abriu muitas oportunidades para cumprir a promessa da IA.

A chave para a Domino’s na aplicação da IA, diz Fragoso, tem sido uma abordagem simples. “No final das contas, a solução simples funciona mais rápido, tem melhor desempenho e podemos explicá-la aos nossos parceiros de negócios”, diz ele. “A explicação é uma grande parte disso – quanto mais as pessoas entendem as ferramentas e métodos que usamos, mais fácil é obter adoção”.

A abordagem em si é simples: se há um problema de negócios que precisa ser resolvido, a Domino’s analisa a solução mais simples e tradicional e, então, “se subirmos a partir daí, precisa haver um valor agregado no desempenho do modelo”, diz Fragoso.

Por exemplo, prever quanto tempo leva para cozinhar uma pizza e colocá-la em uma caixa é simples. “Nós extraímos isso diretamente de nossa pesquisa de operações. Você pode ligar os tempos do forno”, diz ele. Mas há alguns problemas que só podem ser resolvidos com IA, acrescenta, como os que exigem reconhecimento de imagem ou processamento de linguagem natural.

Por exemplo, no ano passado, a Domino’s realizou um programa de fidelidade que recompensava os clientes por comer pizza – qualquer pizza, de qualquer pizzaiolo. “Construímos um classificador de pizza usando milhões de fotos de diferentes tipos de pizza e o colocamos em um aplicativo”, diz Fragoso.

Esse projeto ofereceu dois tipos de valor comercial. Primeiro, melhorou a experiência do cliente, diz ele. Em segundo lugar, criou uma coleção de imagens de pizza que a empresa usou para detectar a qualidade e a temperatura da pizza. “Foi um projeto de IA de círculo completo realmente ótimo”, diz ele.

Um projeto de IA mais prático que a Domino’s empreendeu foi um preditor destinado a melhorar a precisão de seu rastreador de pizza, pois os clientes querem saber exatamente quando devem ir à loja para pegar sua comida ou quando esperar que a entrega chegue, diz Fragoso. Adicionar machine learning à tradicional codificação if-then do rastreador de pizza da Domino’s resultou em um aumento de 100% na precisão, diz ele.

Ao construir o modelo, a Domino’s manteve seu princípio mais simples. “A primeira iteração foi um modelo de regressão simples”, diz ele. “Isso nos aproximou. Em seguida, um modelo de árvore de decisão, onde poderíamos observar mais facetas. Então, na verdade, mudamos para uma rede neural porque poderíamos capturar algumas das mesmas variáveis da árvore de decisão, mas a rede neural produz a resposta mais rapidamente. Queremos que a experiência do cliente no site seja realmente rápida”.

Há um lugar para o machine learning, diz Sanjay Srivastava, Diretor Digital da Genpact, principalmente quando uma empresa procura construir processos que melhoram continuamente com base na experiência. Mas às vezes tudo o que é necessário é uma correlação simples, que pode ser obtida a partir de modelagem estatística básica.

“Práticas de dez anos em torno de florestas aleatórias e outros kits de ferramentas estatísticas podem fornecer a resposta muito mais rápido e muito mais barato do que construir uma equipe inteira de MLOps em torno disso”, diz Srivastava. “Você precisa saber quando recorrer às técnicas existentes que são muito mais simples e muito mais eficazes”.

Uma área comum em que a IA costuma apresentar uma solução, mas geralmente é um exagero, é nos chatbots, diz ele: “Em alguns cenários, faz sentido. Mas em 90% dos cenários você conhece as perguntas que serão feitas porque você pode olhar para as perguntas que foram feitas nos últimos três anos e saber a resposta para cada pergunta. Acontece que 90% dos chatbots podem se safar com simples pares de perguntas e respostas”.

Dados históricos: a chave da IA para prever resultados futuros

Qualquer conjunto finito de dados pode ser ajustado a uma curva. Por exemplo, você pode pegar os números vencedores da loteria dos anos anteriores e criar um modelo que os teria previsto perfeitamente. Mas o modelo ainda não será melhor em prever ganhos futuros porque o mecanismo subjacente é completamente aleatório.

A pandemia de Covid-19 tem sido um excelente exemplo de como isso acontece na vida real. Não havia como prever onde os bloqueios levariam ao fechamento de fábricas, por exemplo. Como resultado, as empresas viram um declínio nos ganhos de receita que viram em muitas áreas, de acordo com a pesquisa sobre o estado da IA da McKinsey.

Por exemplo, 73% dos entrevistados viram aumentos de receita em estratégia e finanças corporativas no ano passado, enquanto apenas 67% o fizeram este ano. A diferença foi ainda mais gritante no gerenciamento da cadeia de suprimentos. No ano passado, 72% viram aumentos de receita nessa área, mas apenas 54% o fizeram este ano.

“A característica fundamental da IA ou machine learning é que você está usando o histórico para informar”, diz Donncha Carroll, Sócio da Prática de Crescimento de Receita da Axiom Consulting Partners. “Você está casado, acorrentado, algemado pela história. A IA é boa em circunstâncias em que a história provavelmente se repetirá – e você está bem com a história se repetindo”.

Por exemplo, diz ele, alguns de seus clientes tentaram usar a IA para prever receitas futuras. Mas, muitas vezes, a receita é influenciada por fatores que não podem ser previstos, que não podem ser controlados e para os quais a empresa não possui dados. E se alguns desses fatores tiverem um impacto externo nos resultados, isso pode prejudicar todo o modelo.

“Então não faz sentido escolher a IA”, diz ele. “Você vai investir centenas de milhares de dólares em uma solução que pode se tornar imediatamente irrelevante por uma mudança em uma variável?”

A IA ainda pode ter um papel aqui, diz ele, ajudando a modelar vários cenários ou em revelar insights que podem não ser aparentes. “Sua probabilidade de sucesso aumenta se seu foco for mais estreito”.

A IA também ficará aquém se a própria presença da IA alterar o comportamento do sistema. Por exemplo, se a IA é usada para filtrar discursos de ódio, as pessoas aprendem rapidamente quais padrões a IA procura e escrevem as coisas para que passem pelos filtros.

“As melhores mentes do mundo têm tentado resolver esses problemas e não tiveram sucesso”, diz Carroll.

O sócio da Kearney, Bharath Thota, já trabalhou com um conglomerado global de produtos e bens de consumo de mais de US$ 30 bilhões. A equipe de liderança do CFO queria uma melhor visibilidade das métricas financeiras do conglomerado para que pudessem ver se seu crescimento estava subindo ou descendo. O processo existente era que eles obtivessem PDFs de relatórios 30 dias após o encerramento do período do relatório.

A equipe de ciência de dados aplicou a IA para prever como seriam os números. “Eles tinham boas intenções”, diz Thota. “Eles queriam fornecer à liderança uma visão futurista”.

O erro que eles cometeram foi nos dados financeiros que estavam alimentando o algoritmo. Os analistas financeiros que alimentavam esses dados tiveram que fazer muitas suposições e, portanto, o conjunto de dados acabou contendo muitos vieses individuais.

“A liderança estava animada”, diz Thota. “Eles tinham algo voltado para a frente, não voltado para o retrovisor. Mas quando o trimestre terminou, e eles olharam para essas previsões, eles estavam completamente errados.”

Todo o projeto levou meses, diz Thota. “Eles tiveram que descobrir como construir essa coisa, fazer a arquitetura, pesquisar plataformas de IA, fazer tudo funcionar em conjunto.”

Quando um projeto como esse falha, as pessoas perdem o interesse e a confiança na IA, diz ele. Para essa empresa em particular, a solução foi simplesmente criar para a equipe de liderança do CFO um painel financeiro que fornecesse as métricas de que precisavam, quando precisavam.

Eventualmente, diz Thota, alguma IA também foi usada, na forma de geração de linguagem natural, para fornecer automaticamente insights importantes sobre os dados aos executivos em termos simples em inglês.

“Foi um problema de visibilidade”, diz ele. “E havia uma solução simples para fornecer essa visibilidade.”

O desafio dos dados

A maioria dos projetos de IA requer dados. Bons dados, dados relevantes, dados devidamente rotulados e sem vieses que distorceriam os resultados.

Por exemplo, uma empresa que deseja manter os gatos fora de um galinheiro pode optar por instalar uma câmera e uma tecnologia de reconhecimento de imagem para detectar a entrada de gatos. Mas o sucesso depende de ter um conjunto de treinamento adequado.

“Você precisará ter muitas fotos, e essas fotos precisarão ter rótulos sobre se eles têm gatos ou não”, diz Whit Andrews, Analista do Gartner, acrescentando que coletar esses dados é demorado e caro. E uma vez reunido tudo, a empresa poderá reutilizar o mesmo conjunto de dados para outros projetos?

Mas e se a empresa realmente precisar saber quantos gatos estão entrando no galinheiro? Então, esse conjunto de dados original de fotos também precisará ser rotulado com o número de gatos em cada foto.

“Talvez um gato não seja tão caro, mas uma manada de gatos é um problema”, diz Andrews.

Além disso, se apenas uma pequena porcentagem de imagens contiver vários gatos, obter um modelo preciso será substancialmente mais difícil.

Essa situação aparece com frequência em aplicações de marketing, quando as empresas tentam segmentar o mercado a ponto de os conjuntos de dados se tornarem infinitamente pequenos.

“Quase todas as empresas que conheço usam segmentação para direcionar o cliente”, diz Anand Rao, sócio e líder global de IA da PricewaterhouseCoopers.

Se eles coletarem dados esperando que sejam usados para uma finalidade e acabarem usando-os para outra, os conjuntos de dados podem não atender aos novos requisitos.

Por exemplo, se a coleta de dados for configurada para que haja um equilíbrio de pontos de dados de cada região dos Estados Unidos, mas a questão empresarial acabar sendo sobre as necessidades de um segmento demográfico muito restrito, todas as inferências serão inúteis. Digamos, por exemplo, se a empresa está interessada nos hábitos de compra de mulheres asiático-americanas em uma determinada faixa etária e há apenas um casal na amostra.

“Seja muito claro sobre qual decisão você deseja tomar com sua segmentação”, diz Rao. “Tente garantir que a amostragem que você está fazendo seja representativa, mas também capture suas perguntas”.

O problema de amostra ocorre em qualquer sistema tentando prever eventos raros. Por exemplo, se uma empresa está procurando exemplos de comportamento fraudulento, em um conjunto de dados de um milhão de transações, há um punhado de transações fraudulentas conhecidas – e um número igual ou maior de transações fraudulentas que foram perdidas.

“Isso não é muito útil para inferência”, diz Rao, acrescentando que isso acontece muito com a automação de processos de negócios quando uma empresa tem muitas pessoas realizando tarefas específicas todos os dias, mas não captura dados sobre como essas tarefas estão sendo realizadas ou não captura os dados certos necessários para treinar uma IA sobre como fazê-lo.

“Nesses casos, você deve construir um sistema para capturar essas informações”, diz ele. “Então, alguns meses depois, volte e construa o modelo”.

E para projetos que não precisam de dados, a IA não é o caminho certo a seguir. Por exemplo, alguns processos de negócios, como seguro e subscrição, são baseados em regras, diz Rao. “Você pode construir um sistema baseado em regras entrevistando especialistas e reunindo fórmulas tradicionais. Mas se você pode fazer isso com regras e scripts, não precisa de IA. Seria um exagero”.

Usar uma IA para esse projeto pode exigir mais tempo e a precisão pode não ser melhor, ou apenas um pouco melhor – ou você pode não precisar do desempenho aprimorado.

“Então você não terá o ROI porque está gastando tempo em um problema que já poderia ter resolvido”, diz ele.

Um erro de IA de US$ 300 milhões

Em novembro, a empresa imobiliária Zillow anunciou que estava baixando US$ 304 milhões em casas compradas com base na recomendação de seu serviço Zillow Offers, com inteligência artificial.

A empresa também pode precisar reduzir outros US$ 240 a US$ 265 milhões no próximo trimestre – além de demitir um quarto de sua força de trabalho.

“Em nosso curto mandato operando Zillow Offers, experimentamos uma série de eventos extraordinários: uma pandemia global, um congelamento temporário do mercado imobiliário e, em seguida, um desequilíbrio entre oferta e demanda que levou a um aumento nos preços das casas a uma taxa que foi sem precedentes”, disse o CEO da Zillow, Rich Barton, em uma teleconferência com investidores. “Não conseguimos prever com precisão os preços futuros das casas. … Poderíamos culpar essa volatilidade descomunal em eventos exógenos de cisnes negros, ajustar nossos modelos com base no que aprendemos e seguir em frente. Mas, com base em nossa experiência até o momento, seria ingênuo supor que previsões de preços imprevisíveis e eventos de interrupção não acontecerão no futuro”.

A IA aprende com o passado, diz Tim Fountaine, Sócio Sênior da McKinsey. “Se algo não aconteceu no passado, é impossível para um algoritmo prever isso”.

E as IAs não têm bom senso, acrescenta. “Um algoritmo de IA projetado para prever a produção de uma fábrica que nunca viu um incêndio antes não prevê que a produção despenque se houver um incêndio”.

Prever os preços dos imóveis é um uso interessante da IA, diz ele. “Mas você pode ver todo mundo se tornando um pouco tímido com esse tipo de aplicativo”.