African American adult student working in computer class. Line of man and women in casual sitting at table, using desktops, typing. Staff training concept
A qualidade dos dados que alimentam os projetos de inteligência artificial das corporações volta à mesa esta semana, durante a Conferência Gartner Data & Analytics, que ocorre em 28 e 29 de abril em São Paulo. Durante o evento, os analistas da consultoria se encontram com executivos de diferentes perfís, mas com um objetivo único: identificar caminhos para a criação de projetos eficientes de IA.
CONTEÚDO RELACIONADO – Gartner afirma que líderes de data & analytics devem usar a inteligência coletiva para impulsionar valor aos negócios
A resposta está, novamente, na precisão da informação manipulada por IA. Sem uma base de dados limpa, pouco se avança, segundo os analistas da consultria. Uma tarefa hercúlea, considerando a imensidão de dados acumulados pelas corporações ao longo do tempo. Mas, calma, há uma saída. Ao invés de apostar todas as fichas em projetos baseados em Large Language Models (LLMs), os negócios estão vendo mais eficiência em projetos que seguem o conceito de Small Language Models ou Domain Specific Learning Models.
Simplificando: são bases focadas em um determinado setor, como farmacêutico, hotelaria, mineração, bancos etc., ou a uma área corporativa, a exemplo de financeira, chão de fábrica, ou mesmo RH. Os analistas defendem que modelos mais compactos e específicos não precisam de tandos dados e, portanto, correm menos risco de importar “sujeiras”.
Os analistas reforçam que sendo os dados fundamentais aos projetos de IA, é essencial que as empresas não importem “lixos”, sob pena de produzirem nada menos do que “lixo”, algo que as empresas consideram um desafio. Segundo o Gartner, 55% das empresas afirma ser dificil ter dados prontos para IA.
Por isto, a consultoria indica a implementação do que chama de “4As” – accessibility, availability, applicability e acceptance (acessibilidade, disponibilidade, aplicabilidade e aceitação). Este, segundo o Gartner, é o cenário ideal do dado para que ele esteja pronto para IA.
Jornada para os recursos de D&A
Os líderes de Data & Analytics devem garantir que estão usando uma variedade de ferramentas e tecnologias para construir seu stack de tecnologia quando se trata de soluções de IA.
Para alcançar essa adaptabilidade, os líderes de Data & Analytics devem:
- Criar um ecossistema modular e aberto: Atualize ou substitua os componentes da arquitetura para atender aos novos requisitos e às tecnologias que mudam rapidamente.
- Tornar os dados prontos para IA e reutilizáveis: Integre a confiança em FinOps, DataOps e PlatformOps para fazer a transição de um stack de tecnologia para um stack de confiança.
- Explore os agentes de IA: Utilize agentes dinâmicos que se adaptam às mudanças usando um ecossistema de dados pronto para Inteligência Artificial impulsionado por metadados ativos.
Jornada para os resultados de negócios
O Gartner aconselha os líderes de Data & Analytics a priorizarem o valor na demonstração dos resultados de negócios da Inteligência Artificial. “Demonstrar o valor da IA continua sendo uma das principais barreiras para a implementação”, diz Heizenberg. “Os líderes de Data & Analytics devem se concentrar em criar os níveis certos de confiança, com base no contexto, como o primeiro passo para mostrar o valor.”
Os líderes de Data & Analytics podem tomar as seguintes medidas para impactar positivamente os resultados de negócios:
- Estabelecer modelos de confiança: Dados confiáveis e de alta qualidade são essenciais para viabilizar uma empresa orientada por dados. No entanto, muitas iniciativas de IA fracassam devido à baixa qualidade dos dados. Os modelos de confiança analisam o valor e o risco dos dados e fornecem uma classificação de confiabilidade com base na linhagem e na curadoria.
- Monetizar as melhorias de produtividade: Os líderes de Data & Analytics devem considerar o valor e o impacto competitivo em relação ao custo total, à complexidade e ao risco.
- Comunicar o valor de D&A: Considere todos os custos, incluindo gerenciamento de dados, governança e gerenciamento de mudanças.
Jornada para a mudança de comportamento
Concentrar-se na governança de dados, na comunicação de valor e no aumento da análise é vital, mas abordar o aspecto humano é crucial para o sucesso da Inteligência Artificial.
“A IA está transformando tudo, e espera-se que as pessoas também se transformem”, destaca Heizenberg. “Mas as pessoas não são iguais, e nos envolvemos com dados e analytics de maneiras diferentes.”
Para estabelecer a base da cultura adequada para adotar e utilizar da melhor forma a Inteligência Artificial, os líderes de Data & Analytics devem seguir as seguintes etapas:
- Estabelecer hábitos repetíveis: Priorize o treinamento e a educação com ênfase na alfabetização em dados e IA.
- Adotar novas funções e habilidades: Desenvolva funções que facilitem a adaptação aos requisitos de gerenciamento de mudanças da Inteligência Artificial Generativa (GenAI).
- Colaborar com outras pessoas: Trabalhe com equipes diversas, incluindo engenharia de segurança e de software, para obter uma integração fluida.
Os líderes de Data & Analytics podem saber mais sobre como avaliar sua própria eficácia usando o Gartner CDAO Effectiveness Diagnostic, uma ferramenta exclusiva que permite que os Chief Data & Analytics Officers (CDAOs) entendam sua eficácia como líderes e descubram seus pontos fortes e áreas de melhoria.
