Perspectives
Introdução: Muito rápido, muito cedo?
Em sua urgência de avançar ou até mesmo acompanhar, algumas organizações estão lançando iniciativas de IA em terreno instável. Mais do que a tecnologia de próxima geração, a IA precisa ser apoiada por uma visão clara e uma plataforma robusta que forneça acesso imediato a dados cuidadosamente analisados e altamente utilizáveis para criar produtos que gerem valor comercial.
Nesta edição da Perspectives, as especialistas da Thoughtworks e um dos principais lideranças por trás da plataforma de IA de veículos conectados do BMW Group compartilham suas opiniões e recomendações sobre a construção de uma base escalável, econômica e pronta para o futuro para IA aplicada que alcança grandes coisas, tanto para as pessoas usuárias internos quanto para os clientes da organização.
Uma proporção significativa das lideranças de tecnologia e de negócios é cética em relação à qualidade dos dados de sua organização
![Um gráfico de barras horizontal mostrando a porcentagem das lideranças de negócios que se sentem céticos sobre a qualidade dos dados de sua organização, com 57% das lideranças de dados e análises, 53% das lideranças de TI, 45% dos líderes de marketing, 42% das lideranças de vendas e 40% das lideranças de serviços se sentindo céticos. Um gráfico de barras horizontal mostrando a porcentagem das lideranças de negócios que se sentem céticos sobre a qualidade dos dados de sua organização, com 57% das lideranças de dados e análises, 53% das lideranças de TI, 45% dos líderes de marketing, 42% das lideranças de vendas e 40% das lideranças de serviços se sentindo céticos.](/content/dam/thoughtworks/images/photography/inline-image/insights/perspectives/per_inline_edition31_pt-br_tech_leaders_sceptical_orgs_data_quality.jpg)
![Um gráfico de barras horizontal mostrando a porcentagem das lideranças de negócios que se sentem céticos sobre a qualidade dos dados de sua organização, com 57% das lideranças de dados e análises, 53% das lideranças de TI, 45% dos líderes de marketing, 42% das lideranças de vendas e 40% das lideranças de serviços se sentindo céticos. Um gráfico de barras horizontal mostrando a porcentagem das lideranças de negócios que se sentem céticos sobre a qualidade dos dados de sua organização, com 57% das lideranças de dados e análises, 53% das lideranças de TI, 45% dos líderes de marketing, 42% das lideranças de vendas e 40% das lideranças de serviços se sentindo céticos.](/content/dam/thoughtworks/images/photography/inline-image/insights/perspectives/per_inline_edition31_pt-br_tech_leaders_sceptical_orgs_data_quality_mobile_pt_br.jpg)
Fonte: Salesforce
i. Colocando os ativos de dados em uso
A entrega de resultados comerciais tangíveis deve ser o objetivo principal de qualquer iniciativa de IA, e isso exige que as organizações priorizem casos de uso que representem melhorias significativas para a base de clientes, antes de criar uma base de dados pronta para IA que torne essas melhorias possíveis.
No BMW Group, fornecer atendimento proativo ao cliente foi o princípio que orienta o design da plataforma de IA da empresa, que agora permite que equipes de toda a empresa desenvolvam, mantenham e operem casos de uso de IA, e reduzam o tempo de lançamento no mercado de aplicativos de IA que melhoram a maneira como os clientes interagem e se sentem sobre seus veículos – e a marca do BMW Group.
![](/content/dam/thoughtworks/images/photography/quote-image/insights/perspectives/christine-welsch-3.png)
As empresas que estarão na líderança de seus segmentos serão aquelas que realmente entendem seu mercado e como os produtos de dados farão a diferença no comportamento do público consumidor ou no desejo pelo produto ou serviço.
As empresas que estarão na líderança de seus segmentos serão aquelas que realmente entendem seu mercado e como os produtos de dados farão a diferença no comportamento do público consumidor ou no desejo pelo produto ou serviço.
ii. Elementos técnicos para uma base ideal
Embora a configuração específica de uma plataforma pronta para IA ou aprendizado de máquina possa variar entre as organizações, plataformas eficazes compartilham várias características principais, sendo que a principal delas é a capacidade de acessar e fazer uso de dados de alta qualidade de forma consistente.
Uma vez que uma base de dados de qualidade esteja em vigor, a usabilidade se torna um determinante fundamental do sucesso da plataforma no longo prazo, pois até mesmo as melhores equipes enfrentarão desafios com treinamento e manutenção de modelos, e com a introdução de inovações à produção.
Componentes de uma base de dados pronta para IA/ML
![Gráfico representando cinco círculos na ordem necessária para uma base de dados pronta para IA/ML. Primeiro, um data hub, depois ferramentas de exploração de dados, acessibilidade e usabilidade, experiência positiva do desenvolvedor e, finalmente, práticas de entrega contínua. Gráfico representando cinco círculos na ordem necessária para uma base de dados pronta para IA/ML. Primeiro, um data hub, depois ferramentas de exploração de dados, acessibilidade e usabilidade, experiência positiva do desenvolvedor e, finalmente, práticas de entrega contínua.](/content/dam/thoughtworks/images/photography/inline-image/insights/perspectives/per_inline_edition31_pt-br_components_of_AI-ML-ready_data_foundation_pt_br-gray.jpg)
![Gráfico representando cinco círculos na ordem necessária para uma base de dados pronta para IA/ML. Primeiro, um data hub, depois ferramentas de exploração de dados, acessibilidade e usabilidade, experiência positiva do desenvolvedor e, finalmente, práticas de entrega contínua. Gráfico representando cinco círculos na ordem necessária para uma base de dados pronta para IA/ML. Primeiro, um data hub, depois ferramentas de exploração de dados, acessibilidade e usabilidade, experiência positiva do desenvolvedor e, finalmente, práticas de entrega contínua.](/content/dam/thoughtworks/images/photography/inline-image/insights/perspectives/per_inline_edition31_pt-br_components_of_AI-ML-ready_data_foundation_mobile_pt_br.jpg)
Fonte: Thoughtworks
iii. Equilibrar o crescimento, os custos e manter padrões
À medida que as organizações começam a aproveitar suas bases de dados personalizadas prontas para IA de forma completa, a expansão ainda pode ser um esforço difícil e caro.
Como mostra a experiência do BMW Group, as equipes podem gerenciar o processo construindo uma configuração repetível que pode servir a vários casos de uso para colher economias de escala; conduzir uma avaliação hierárquica dos custos e compensações envolvidos em serviços gerenciados versus entregues internamente; e colocar proteções em vigor para reger a privacidade, segurança e desempenho dos dados. A automação é a chave para tornar isso possível e um fator decisivo na viabilidade contínua de uma plataforma.
![](/content/dam/thoughtworks/images/photography/quote-image/insights/perspectives/biplob-biswas-4.png)
O modelo híbrido que construímos para o BMW Group chega a esse ponto ideal, onde você pode escalar para o infinito, mas ao mesmo tempo, você não precisa gerenciar como a escala funciona.
O modelo híbrido que construímos para o BMW Group chega a esse ponto ideal, onde você pode escalar para o infinito, mas ao mesmo tempo, você não precisa gerenciar como a escala funciona.
iv. Cultivar a adesão e a educação contínua: Plataformas como um processo
Embora uma base de dados pronta para IA possa apresentar recursos inovadores e benefícios potenciais atraentes, o verdadeiro teste de seu valor está na medida em que é adotada e utilizada para desenvolver produtos que, por sua vez, são adotados pelos clientes.
As organizações podem buscar uma abordagem de várias trilhas para cultivar a adoção e a adesão, desde incentivar a propriedade de produtos de dados até implementar programas abrangentes de integração que atendam aos requisitos de diferentes grupos de pessoas usuárias. Em última análise, o engajamento contínuo é melhor servido por um toque humano, seja na forma de patrocínio executivo firme ou fóruns de diálogo para abordar preocupações que alimentam a resistência interna.
![](/content/dam/thoughtworks/images/photography/quote-image/insights/perspectives/fabian-nonnenmacher-3.png)
Também é necessário conhecimento para colocar em produção casos de uso de aprendizado de máquina, e só então eles podem criar valor. Equipes diferentes têm conhecimentos e origens muito diferentes, e o desafio é ensinar as pessoas usuárias a usar a plataforma para que possam aproveitá-la ao máximo.
Também é necessário conhecimento para colocar em produção casos de uso de aprendizado de máquina, e só então eles podem criar valor. Equipes diferentes têm conhecimentos e origens muito diferentes, e o desafio é ensinar as pessoas usuárias a usar a plataforma para que possam aproveitá-la ao máximo.
Perspectives na sua caixa de entrada
Insights de tecnologia e negócios para lideranças digitais.
Assine a Perspectives e receba os melhores podcasts, artigos, vídeos e eventos de nossas especialistas, além da nossa publicação digital.