Tecnologia de AI: quando construir e quando comprar

A Inteligência Artificial (AI) está rapidamente se tornando um imperativo comercial. Seja para melhorar a eficiência, encontrar novas oportunidades de negócios, acompanhar – ou superar a concorrência –, empresas de todos os setores estão explorando os benefícios comerciais da AI, com a adoção triplicando apenas no ano passado.

Para algumas empresas, isso significa construir sistemas de Inteligência Artificial do zero. Mas encontrar o talento certo é algo difícil e caro, e em 85% dos casos, os projetos de IA têm uma alta probabilidade de falha, segundo a Gartner. Mesmo quando um projeto funciona, um fornecedor comercial pode em breve sair com algo melhor, a um custo menor, com atualizações regulares, mais integrações e interface do usuário mais intuitiva. Ou seu patrimônio suado de DIY (faça você mesmo) de AI pode se tornar supérfluo quando um novo recurso de Inteligência Artificial em que você está trabalhando estiver incluído como um recurso gratuito ou como upgrade para uma plataforma que sua empresa já usa.

O uso de um produto comercial, por outro lado, pode facilitar a rápida experimentação com muitas tecnologias diferentes de AI e com investimento mínimo. E, para ter sucesso com a Inteligência artificial, o volume é importante, diz Rob Thomas, gerente geral da IBM Data e Watson AI da IBM.

“Eu encorajo os clientes a fazer 100 pilotos de AI”, diz Thomas. “Nem um, nem dois, mas 100. Metade deles não vai funcionar, mas a metade desse trabalho pode realmente valer a pena”.

Já existem ferramentas comerciais no mercado que são leves e levam apenas algumas semanas de investimento, diz ele. Além disso, a ideia de AI embarcada – Inteligência Artificial que vem embutida em outras plataformas e sistemas – está decolando, explica.

Veja o que levar em consideração ao decidir se deseja recorrer a soluções prontas de Inteligência Artificial ou criar a sua própria.

Garantindo viagens leves
A Autoridade de Aeroportos da Grande Toronto vê quase 50 milhões de passageiros por ano pelo Aeroporto Pearson de Toronto, o maior e mais movimentado do Canadá. Mas das 49 mil pessoas que trabalham no aeroporto, apenas 1.600 estão concentradas em empregos de gerenciamento, operacionais e tecnológicos.

Um desses trabalhos é cuidar dos quiosques de emissão de bilhetes, usados pelos passageiros para check-ins mais rápidos. Quando um quiosque falha ou fica sem papel, ele envia um alerta. Infelizmente, demorou, em média, uma hora e 12 minutos desde o momento em que o alerta foi recebido até o momento em que ele voltou a ser executado.

Isso foi um problema, diz John Thompson, diretor associado de prestação de serviços de informação da autoridade aeroportuária. Saber quando uma máquina vai quebrar, ou ficar sem papel ou tinta, não é um cálculo simples. Algumas máquinas estão mais ocupadas do que outras, ou obtém diferentes níveis de uso em diferentes momentos do dia. Então, o aeroporto decidiu procurar análises inteligentes para uma correção.

“Com a análise preditiva, sabemos quando uma máquina fica sem papel, então chegamos lá mais rápido – mesmo antes do papel sair”, diz ele.

Mas o aeroporto não tem recursos para construir as  suas próprias ferramentas a partir do zero, segundo o executivo. “Nós não construímos nada por conta própria. Eu não acho que ninguém lhe agradece por desenvolver seu próprio software.”

No ano passado, o aeroporto entrou em operação com o Symphony Summit AI, um sistema baseado em nuvem para tíquetes internos de suporte de TI, que levou alguns meses para ser implementado e configurado para o fluxo de trabalho do aeroporto.

Thompson diz que começar com um pequeno projeto provou ser uma boa maneira de entrar na AI.
“Se você tentar executá-lo como um big bang, geralmente não funcionará bem”, diz ele. “Vá devagar. Tente fazer um ponto da tecnologia de cada vez. Meu lema é ir devagar para ir rápido.”

Ascensão da AI pronta
A experiência da Autoridade de Aeroportos da Grande Toronto representa a incursão da maioria das empresas na Inteligência Artificial, já que muitas companhas estão optando por comprar em vez de construir, diz a analista do Gartner, Svetlana Sicular. “Está ficando muito claro que o ‘faça você mesmo’ não funcionará. É difícil encontrar habilidades, e o atrito é muito alto porque todos estão caçando as mesmas pessoas.”

Enquanto isso, os fornecedores de plataformas estão incorporando cada vez mais a Inteligência Artificial em seus sistemas, tornando a tecnologia disponível com o apertar de um botão. Além disso, os fornecedores que criam ferramentas de AI em suas plataformas já têm acesso a um conjunto extremamente grande de dados de treinamento muito bem organizados.

A Salesforce, por exemplo, possui um vasto universo de informações rotuladas e categorizadas, que pode analisar as buscas por tendências e padrões e, então, disponibilizar as análises mais comuns ou mais solicitadas para seus clientes.

Os fornecedores também se beneficiam de economias extremas em escala. Eles podem se dar ao luxo de contratar talentos muito especializados para desenvolver e melhorar seus modelos de AI. E eles são dados realmente importantes, diz Sicular.

“No longo prazo, os dados são a maior parte do aprendizado de máquina para empresas”, diz ela. “É por isso que empresas como o Google são tão bem-sucedidas. Elas entendem como obter dados para aprendizado de máquina e como interpretá-lo.”

As companhias individuais, por comparação, estão limitadas aos dados que eles próprios coletam ou a quais conjuntos de dados de treinamento estão disponíveis para compra.

As ferramentas comerciais também oferecem outras vantagens, diz Steve Herrod, diretor administrativo da General Catalyst Partners, uma empresa de capital de risco sediada em San Francisco, e ex-CTO da VMware. Por exemplo, é mais fácil encontrar funcionários familiarizados com ferramentas comerciais do que aqueles que podem usar sistemas desenvolvidos internamente. Além disso, os fornecedores também oferecem treinamento gratuito ou de baixo custo em suas plataformas.

“É sempre preferível usar ofertas prontas quando estão disponíveis e são suficientes para o trabalho”, diz ele. “A cada mês que passa, teremos cada vez mais softwares de AI prontos, deixando as necessidades de construir sua própria para um espaço menor e muito mais de nicho”.

Quando construir a própria ferramenta
A compra de ferramentas prontas para uso de AI pode ser rápida e conveniente, mas há momentos em que uma empresa não tem escolha a não ser construí-la do zero. Isso inclui casos em que os dados, ou os modelos, são extremamente sensíveis ou proprietários, ou quando ferramentas comerciais simplesmente não estão disponíveis.
Por exemplo, a EnergySavvy, uma organização de software focada no setor de serviços públicos, criou algoritmos proprietários para analisar os padrões de uso de energia dos clientes de serviços públicos.

“Temos prestado serviços a clientes de concessionárias há quase dez anos e isso nos deu uma compreensão profunda de como seus programas são executados, como eles segmentam seus dados e como obter insights a partir deles”, diz Kalpana Narayanaswamy, vice-presidente de engenharia da empresa.

Resolver seus problemas requer uma compreensão do funcionamento interno das empresas de serviços públicos, diz ela. “E você tem que saber como aplicá-lo. É aí que a magia acontece”.

Para fazer isso, a empresa construiu uma organização de ciência de dados com um forte foco na especialização do setor. A plataforma de análise em si é construída sobre tecnologias de código aberto, diz ela. Como resultado, o EnergySavvy é capaz de ir além dos insights básicos, do direcionamento básico e da personalização básica disponível em outros lugares, diz ela.

O componente AI também é essencial para o crescimento dos negócios da empresa e é um diferencial importante.
Em geral, é difícil fazer isso com um sistema de comercial, pronta para uso, quando a tecnologia de AI de uma empresa é um diferencial.

Esse foi o caso da Dialpad, uma provedora de serviços VoIP empresariais baseada em San Francisco. A empresa construiu o seu sistema VoiceAI do zero, explica o diretor de estratégia Dan O’Connell, embora sistemas comerciais de reconhecimento de fala e processamento de linguagem natural estivessem disponíveis.
“Nós estaríamos usando uma API, que seria mais lenta, menos precisa e mais cara”, diz.

A Dialpad acabou contratando seus próprios especialistas em processamento de linguagem natural e reconhecimento de fala e cientistas de dados, diz ele. “E algumas pessoas com PhDs em neurociência computacional”.

Ao construir uma solução a partir do zero, a empresa também foi capaz de oferecer recursos exclusivos. Além da transcrição de chamadas em tempo real, por exemplo, ela também conta com coaching em tempo real, análise de sentimentos e notas inteligentes ao vivo e itens de ação.

“Isso dá às equipes uma oportunidade inexplorada de adotar uma abordagem científica para entender e atuar nas conversas”, aponta.

‘Tome cuidado, comprador’
Nem toda empresa precisa construir a sua própria tecnologia de Inteligência Artificial, diz Brandon Ebken, CTO da Insight, empresa de consultoria em tecnologia e integração de sistemas baseada em Tempe. “Mas quanto mais próximo você estiver dos seus principais processos de negócios, com o potencial de transformar a experiência do cliente, maior a probabilidade de fazer algum tipo de personalização”, diz ele.

E quanto mais cedo você começar, mais vantagem competitiva poderá colher, diz ele. “Eu não recomendaria sentar e esperar. A AI está aqui hoje. Não é mais ficção científica. Quase todos os nossos clientes têm algum tipo de iniciativa de AI. A transformação digital está sendo conduzida pela inteligência artificial – o cliente que espera vai ser passado por seus concorrentes, ou perder uma tremenda oportunidade”.

Outro caso de uso que pode exigir soluções internas é onde há considerações de privacidade, como nas indústrias financeiras e de saúde altamente regulamentadas.

Por exemplo, muitos mecanismos de tradução comercial exigem que os dados sejam enviados para a nuvem, diz Lauren Neal, diretora da Booz Allen Hamilton. Mas os usuários do governo e aqueles em setores regulamentados querem ter certeza de que seus dados estão seguros. “Eles preferem ter uma solução no local, bloqueá-la e torná-la segura. Mas não há muitas ferramentas de Inteligência Artificial disponíveis para esse modo”, diz ela.

Outras empresas também estão preocupadas com o aprisionamento de fornecedores, acrescenta. Isso é especialmente legítimo para companhias que usam ferramentas integradas de inteligência artificial de fornecedores de plataformas. “Existe a possibilidade de haver menos flexibilidade para eles”, afirma. E como a tecnologia está mudando tão rapidamente, ficar preso a uma versão de fornecedor de IA pode se tornar uma desvantagem.

O melhor dos dois mundos
Para a maioria das empresas, construir vs. comprar não é uma ou outra decisão. Em vez disso, elas compram quando podem e constroem quando não conseguem.

“Certamente fomos em ambas as direções”, diz Reuben Firmin, CTO da ExecVision, uma empresa que oferece coaching de vendas assistida por AI para clientes corporativos, incluindo Workday, Ondeck Capital e Paycor.
“Nós usamos ferramentas prontas para a análise de sentimentos e construímos nossas próprias para separação de falantes”, diz ele. “Onde há bibliotecas prontas, não reinventamos a roda”.

É importante fazer essa pesquisa no início do projeto para evitar o desperdício de esforço, diz ele. “Você pode realizar um projeto de aprendizado de máquina e descobrir em seis meses que há uma maneira mais barata e mais geral disponível para lidar com o mesmo projeto”.

Em particular, ele alertou que as empresas devem ter cuidado para não ignorar as opções tradicionais. “As estatísticas podem ser suficientes para muitos projetos”, diz ele. “E muitos engenheiros são atraídos pelo deep learning, mas ele não é necessário para todos os projetos que se enquadram na categoria de AI”.

Quando ferramentas comerciais estão disponíveis, as empresas podem precisar fazer integrações personalizadas ou adicionar código ou configurações especializadas.

“Não há nenhuma solução disponível que resolva todas as suas necessidades de Inteligência Artificial e desafios de negócios”, diz Herb Hogue, vice-presidente sênior da PCM, uma empresa de consultoria de tecnologia sediada em El Paso. “A maioria tem uma estrutura principal, aplicativos ou produtos SaaS, mas você ainda precisa modificá-los, aprimorá-los ou adequá-los aos seus negócios existentes. Isso é o que temos visto.”

A maioria dos principais provedores de nuvem, incluindo Amazon, Google, Microsoft e IBM, possui plataformas que facilitam a construção personalizada de modelos de sistemas com aprendizado de máquina e de AI, diz Brian Atkiss, diretor de análise da Anexinet, provedora de soluções digitais da Filadélfia.

Eles também oferecem componentes e APIs prontos para uso para funções comuns, como processamento de linguagem natural, reconhecimento de fala, reconhecimento óptico de caracteres e chatbots.

Muitas empresas têm dados internos suficientes para casos de uso, diz ele. “E os modelos serão mais precisos usando conjuntos de dados completamente personalizados para cada caso de uso versus dados genéricos e amplamente disponíveis usados em ferramentas prontas”.

Usar uma plataforma com muitas funcionalidades internas permite que a equipe de desenvolvimento da empresa se concentre no processo comercial e na experiência do usuário, diz Richard Salinas, diretor administrativo de automação de negócios da Sparkhound, uma empresa de consultoria digital baseada em Houston.

“Há um equívoco comum de que construir uma aplicação a partir do zero significa flexibilidade máxima”, diz ele.
Começar com uma base pré-construída leva você ao mercado mais rapidamente, diz ele. “E com o benefício adicional de tornar o aplicativo à prova do futuro, mantendo a tecnologia subjacente desacoplada e modular.”