Machine Learning e Inteligência Artificial são os assuntos do momento e por uma razão simples: estão transformando drasticamente o mundo. Devido a quão promissoras são essas tecnologias e a quantidade de benefícios que elas já oferecem, muitas empresas estão dispostas a usá-las para a transformação de seus negócios. E esse é o tema principal deste artigo: as 4 Fases de Um Projeto de Inteligência Artificial.
Embora Aprendizado de Máquina e Inteligência Artificial estejam relacionados, não são a mesma coisa, e vale a pena entender as diferenças entre os dois conceitos. Inteligência Artificial (IA) é o conceito de sistemas computacionais que são capazes de realizar tarefas que normalmente só humanos poderiam fazer, como tomada de decisão, percepção visual, reconhecimento de fala e assim por diante. O Aprendizado de Máquina (Machine Learning), por sua vez, é uma sub-área da IA. Ao processar grandes quantidades de dados, algoritmos de Machine Learning revelam conexões entre vários fatores e constroem modelos analíticos que podem ser usados para fazer previsões quando recebem novos dados. Embora existam muitas formas de construir aplicações de IA, Machine Learning é o estado da arte atual neste tipo de aplicação.
O Futuro é Agora
Machine Learning certamente tem muito a oferecer. Cada vez mais a tecnologia se torna difundida em nossas vidas, à medida que começa a ser amplamente adotada por muitas empresas em diferentes setores.
Com a promessa de automatizar tarefas rotineiras, além de oferecer insights criativos, as indústrias em todos os setores, desde seguradoras até operadoras de plano de saúde, estão colhendo os benefícios. As plataformas de vendas on-line aproveitam os algoritmos de Machine Learning para sugerir aos seus clientes o que eles podem querer comprar, baseando-se em seu comportamento on-line. Machine Learning vem sendo usado também por profissionais de Marketing – os chatbots de aprendizado de máquina provam ser eficientes em gerar mais leads e em fornecer uma melhor experiência ao cliente.
As empresas estão ganhando vantagem competitiva com soluções baseadas em IA, que agora são usadas para fazer previsões precisas e gerar insights de negócios. Os recursos avançados de reconhecimento de voz e imagem foram adotados por aplicativos móveis cada vez mais fáceis de usar. Isso não é mais uma promessa ou um futuro distante. Isso está acontecendo agora, já é uma realidade.
Fases do Projeto
Um projeto de Inteligência Artificial depende, em primeiro lugar, do trabalho que está sendo feito para desenvolver um produto. O trabalho de desenvolvimento é geralmente dividido em várias fases. Ter uma ideia geral das fases do projeto pode ajudá-lo a fazer uma estimativa aproximada do custo. O roteiro de aplicação a seguir foi considerado útil para o desenvolvimento de sistemas baseados em algoritmos de Machine Learning.
1. Fase de Descoberta e Análise
O objetivo desta fase é realizar um estudo de viabilidade e estabelecer os objetivos do negócio e do projeto.
O trabalho em um projeto começa com a análise dos processos de negócios formais, ativos de dados e métricas atuais do cliente. Nesse estágio, a equipe do projeto define os fatores de sucesso (melhorias de métricas esperadas), pilha tecnológica aplicável, cronograma e orçamento e reflete tudo isso na documentação correspondente.
No final, as partes descobrem se o conceito de IA é ou não possível e, se for, definirão o escopo do trabalho necessário para o próximo passo, ou seja, o desenvolvimento de protótipos.
Se todos os dados, processos e métricas necessários estiverem disponíveis no formato requerido, a fase levará em média 5-7 dias úteis. Normalmente fazemos isso sem custo para o cliente.
2. Fase de implementação e avaliação do protótipo
O próximo passo é dedicado à implementação de um protótipo baseado em IA. Esse passo é extremamente importante para calcular os custos do desenvolvimento da IA.
Um protótipo é um modelo de negócios criado para testar a viabilidade e a prova de conceito. Pode ser um mock-up limitado, baseado em texto ou desenho, ou um protótipo baseado em código mais sofisticado, dependendo da complexidade do projeto e das ferramentas (geradores de tela, programas de simulação de aplicativos ou ferramentas de design) com as quais ele foi criado. Protótipos são mostrados e discutidos com os clientes.
A prototipagem é uma ótima técnica que permite aos profissionais de software validar os requisitos e as opções de design. Os protótipos são rápidos e baratos de produzir e flexíveis de ajustar. Os riscos e custos associados às implementações de software são drasticamente reduzidos, pois os requisitos são bem discutidos desde o início, antes do início do desenvolvimento.
Estamos nos esforçando para tornar essa etapa o mais barata possível, normalmente os custos de protótipo são de cerca de US $ 25.000 (dólares americanos), incluindo estimativa para o MVP ou outro próximo estágio necessário.
3. Produto Mínimo Viável (MVP)
A principal diferença do protótipo e do MVP é que o último é um produto viável, enquanto o primeiro é mais uma representação visual de software.
Um MVP é um produto real com um conjunto de recursos básicos e funcionais desenvolvidos com base nas descobertas do protótipo. Um MVP trabalha com os dados reais do cliente e é exposto a um pequeno grupo de clientes reais como a primeira versão mínima da solução definitiva do produto. Seu feedback é muito relevante, pois é muito mais barato modificar o sistema neste estágio do que quando ele está totalmente desenvolvido. Os custos médios de MVP variam entre US $ 35 mil e US $ 100 mil, dependendo do tamanho total do projeto e da complexidade.
4. Lançamento do Produto
Na última fase, o produto com um conjunto completo de recursos predefinidos é desenvolvido e lançado no mercado. Os passos anteriores colocam muita ênfase na elicitação e validação de requisitos, portanto, nesta etapa, o produto final é feito com riscos mínimos. O custo desta fase é geralmente estimado durante os estágios anteriores. Sim, podemos tentar pular algumas etapas para reduzir o preço de desenvolvimento, mas isso diminuirá significativamente a qualidade do projeto.
Fatores Que Podem Afetar o Projeto
O processo de desenvolvimento de um sistema baseado em Machine Learning possui uma série de características distintas que determinam os custos finais de desenvolvimento da solução de Inteligência Artificial. Vamos listar algumas delas.
Problemas de Dados
O desenvolvimento de um sistema de Machine Learning confiável depende não apenas de excelente codificação – é frequentemente a qualidade e quantidade dos dados de treinamento que desempenham um papel fundamental.
Em primeiro lugar, grandes conjuntos de dados representativos são necessários para capturar razoavelmente os relacionamentos que podem existir entre recursos de entrada e entre recursos de entrada e recursos de saída. Se não houver dados suficientes, há opções como coletar mais dados ou usar fontes de dados externas. Outra solução é usar métodos de aumento de dados (Dataset Augmentation) para aumentar artificialmente o tamanho da amostra.
Um outro requisito é que os dados devem ser fáceis de trabalhar – devem ser bem organizados e armazenados no formato adequado. Embora às vezes não seja o caso, algumas atividades preparatórias (por exemplo, processos ETL) são necessárias.
O próximo fator é se os dados estão estruturados ou não. É mais fácil (consequentemente mais barato) trabalhar com dados bem estruturados. Em muitos casos, os dados estruturados estão sujeitos a limpeza, organização, conversão de tipo de dados, trabalho com valores ausentes, extremos e inesperados, lidando com exceções e erros óbvios e assim por diante (a lista completa de métodos de transformação de dados não é abordada neste artigo, mas pode ser encontrada aqui).
Embora, na prática, um grande número de empresas tenha dados não estruturados (por exemplo, arquivos de texto ou pdf), ou dados semi-estruturados (por exemplo, XML, e-mail), há toda uma classe de algoritmos de Machine Learning criados para usar esse tipo de dado e, normalmente, o custo desses projetos é um pouco maior.
Independentemente do tipo e da condição dos ativos de dados da empresa, existem maneiras de aumentar o valor deles.
Desempenho do Algoritmo Requerido
O desempenho do algoritmo é outro fator-chave de custo efetivo, pois muitas vezes um algoritmo de alta qualidade requer uma rodada de sessões de ajuste, o que aumenta os custos finais.
É importante notar que a suficiência de desempenho varia de acordo com o objetivo comercial do cliente e o custo da previsão incorreta. Um corretor aproveitaria o sistema, que produz 55% das previsões corretas, pois já permite ganhar dinheiro. Mas um sistema de 90,9% de precisão, que visa definir os resultados dos testes em uma doença com tratamento letal para pacientes falso-positivos, não é de todo satisfatório.
Por que precisamos nos preocupar com a velocidade de processamento de dados e o desempenho do algoritmo para entender quanto custa utilizar soluções de IA? A resposta é simples: todos os aplicativos modernos são baseados em dados e são usados para o processo de aprendizado. Portanto, se seus dados estiverem sendo processados lentamente, levará mais tempo para treinar o algoritmo. E tempo é um dos recursos mais preciosos (e caros) atualmente.
Conclusão
Se apenas alguns anos atrás, gigantes da web, como Google, Microsoft e Facebook, podiam construir softwares baseados em Machine Learning, agora um grande número de empresas também pode fazer isso. Graças ao surgimento de várias ferramentas, bibliotecas e frameworks para a construção de software baseado em Machine Learning, a tecnologia está se tornando mais disponível para as empresas.
Os preços para projetos de IA são calculados para cada caso em particular. Considerando como exemplo um projeto de detecção de fraude em operadoras financeiras, o preço varia entre ~ 100k a 300k (em dólares americanos). Os números diferem muito na prática – tudo depende do escopo e da complexidade do projeto, dos requisitos do cliente e do sistema e de outros fatores mencionados anteriormente.
Machine Learning e IA oferecem uma grande oportunidade para aqueles que pensam em empreender, oferecendo consultoria, principalmente por conta da falta de profissionais qualificados no mercado.
David Matos
Referências:
Formação Inteligência Artificial
Machine Learning com R e Python
Artificial intelligence in business
Artificial intelligence in business: Separating the real from the hype
How Is Artificial Intelligence Changing The Business Landscape?
Para 64% das empresas a Inteligência Artificial traz vantagem competitiva, diz a Deloitte
2 thoughts on “4 Fases de Um Projeto de Inteligência Artificial”