Perspectives
Introdução: Muito rápido, muito cedo?
A IA é a tecnologia do momento e o futuro previsível, mas as especialistas da Thoughtworks que atuam no campo estão pedindo cautela. Quer estejam ansiosos para capturar oportunidades ou apenas responder à versão de negócios da pressão dos colegas, algumas organizações estão apressadas para adotar a IA sem primeiro estabelecer a base necessária para usá-la produtiva ou considerando como ela se integrará aos fluxos de trabalho para gerar valor para suas partes interessadas.
“Os membros do conselho, porque eles ouvem muito sobre o exagero da IA, podem estar pressionando a gerência a fazer algo para que possam anunciar investimentos em IA para a mídia e os acionistas”, observa Christine Welsch, Diretora de Mercado, Automotivo e Manufatura da Thoughtworks. “Em outros lugares do negócio, algumas equipes, especialmente aquelas em organizações que trabalham com tecnologia legada, podem ficar entediadas com o status quo e ansiosas para explorar algo novo. Esses são exemplos de apenas duas forças que apoiam falsos começos.”
A boa notícia é que adotar a IA não precisa ser uma decisão brusca, e que mesmo neste estágio relativamente inicial, há exemplos positivos a seguir. Caminhos claros para a produtividade e a realização orientadas por IA já foram percorridos por empresas líderes como o BMW Group na Alemanha, que trabalhou em estreita colaboração com as equipes da Thoughtworks para aprimorar sua capacidade de fornecer soluções baseadas em IA adotadas por clientes internos e externos. Quais são as lições, baseadas em sua experiência, você pode compartilhar com outras organizações quando se trata de aplicar IA para criar resultados significativos e desafios enfrentados ao longo do caminho?
O uso eficaz da IA e os problemas que a impedem acabam se tornando dados. As organizações podem ter dificuldades para obter ou gerenciar os dados necessários para fornecer uma base sólida para a IA, ou podem nem mesmo ter certeza de que eles existem, considerando o volume esmagador e a complexidade dos dados com os quais a empresa média agora deve lidar.
Muitas montadoras, como empresas de outros setores, geram dados como um subproduto de suas atividades, desde vendas até produção e suporte ao cliente, mas raramente viram a necessidade de fazer algo com isso até recentemente.
Aproveitar os dados nunca foi uma prioridade nas empresas de manufatura, mas é algo que todas precisam aprender agora. A IA é um alerta, porque as empresas agora percebem que há oportunidades de negócios que não estão aproveitando.
Aproveitar os dados nunca foi uma prioridade nas empresas de manufatura, mas é algo que todas precisam aprender agora. A IA é um alerta, porque as empresas agora percebem que há oportunidades de negócios que não estão aproveitando.
“O aproveitamento de dados nunca foi uma prioridade nas empresas de manufatura, mas é algo que todos precisam aprender agora”, diz Welsch. “A IA é um alerta, porque as empresas agora percebem que há oportunidades de negócios que não estão aproveitando.
Embora seja positivo que os dados sejam mais amplamente entendidos como um ativo, a conscientização também levantou mais questões sobre se os dados têm qualidade suficiente para servir como base para insights e previsões geradas por IA. É fácil entender por que essa é uma importante fonte de preocupação, especialmente em funções não tecnológicas, onde pode haver menos certeza sobre de onde os dados vêm ou como eles têm sido usados.
Uma proporção significativa de lideranças em tecnologia e negócios é cética em relação à qualidade dos dados de sua organização
Problemas como esses apontam para a necessidade de uma plataforma robusta onde os dados de alta qualidade são analisados, integrados e facilmente acessíveis como pré-requisito para uma estratégia de IA bem-sucedida capaz de fornecer resultados de negócios no longo prazo. Isso não é necessariamente tão complexo ou tão caro quanto muitas organizações esperam, mas a experiência de empresas como o BMW Group mostra que o processo precisa ser mapeado e abordado deliberadamente.
Com base nas visões e na experiência prática dos especialistas do BMW Group e do Thoughtworks, esta edição especial da Perspectives irá explorar como criar uma plataforma escalável, econômica e pronta para o futuro para serviços e produtos conectados baseados em IA que atendam às prioridades organizacionais e promovam a fidelidade do cliente.
i. Colocando os ativos de dados em uso
Um dos primeiros a adotar, o BMW Group embarcou em sua iniciativa de plataforma de IA de veículos conectados em 2021, quando ficou claro que as demandas por recursos e funções de veículos inteligentes, tanto de clientes quanto dentro da organização, estavam aumentando.
Oliver Gruber, Chefe das Funções de IA e Dados de Veículos Conectados do BMW Group, explica que muitas unidades de negócios queriam desenvolver soluções baseadas em IA, mas enfrentaram uma alta barreira técnica à entrada. Isso ressaltou a necessidade de acesso a dados para machine learning com relação à privacidade de dados, ferramentas de engenharia de dados e oportunidades para operar e monitorar modelos de machine learning. Uma plataforma de IA foi vista como a única maneira de derrubar a barreira e começar a usar a IA de verdade.
Outra motivação importante foi superar o desafio de executar a IA em escala. O BMW Group teve que operar seus modelos de aprendizado de máquina e IA em todo o mundo e disponibilizá-los para toda a sua frota de carros conectados. Esse foi um desafio significativo para as equipes de ciência de dados, pois elas não só tinham que desenvolver e treinar modelos de machine learning, mas também ser capazes de dimensioná-los e executá-los na produção.
Essa plataforma de IA também precisava ser de “autosserviço”, pois permitia que as equipes dentro de uma organização desenvolvessem, mantivessem e operassem casos de uso de IA de forma relativamente independente.
É importante ressaltar que as equipes da Thoughtworks e do BMW Group tomaram medidas para garantir que a capacidade de entregar valor estivesse em foco desde o início.
“A primeira coisa necessária antes de iniciar qualquer projeto de IA ou produto de dados é o caso de uso”, diz Welsch. “Isso significa perguntar ‘Qual é o valor que obteremos com a implementação disso?’ Sem um caso de uso, é como um playground. Quaisquer esforços se tornam experimentos puros e o risco acaba como caixas de areia que não produzem nada que valha a pena um investimento sério.”
A primeira coisa necessária antes de iniciar qualquer projeto de IA ou produto de dados é o caso de uso. Isso significa perguntar “Qual é o valor que obteremos com a implementação disso?” Sem um caso de uso, é como um playground. Quaisquer esforços se tornam experimentos puros e o risco acaba como caixas de areia que não produzem nada que valha a pena um investimento sério.
A primeira coisa necessária antes de iniciar qualquer projeto de IA ou produto de dados é o caso de uso. Isso significa perguntar “Qual é o valor que obteremos com a implementação disso?” Sem um caso de uso, é como um playground. Quaisquer esforços se tornam experimentos puros e o risco acaba como caixas de areia que não produzem nada que valha a pena um investimento sério.
Por outro lado, “identificar um problema ou necessidade que poderia ser potencialmente resolvido com um produto de dados ou IA é o melhor ponto de partida, porque então haverá valor por trás disso”, ela acrescenta.
Infelizmente, isso nem sempre é tão simples quanto parece, o que significa que a IA pode ser a solução perene em busca de um problema. Especialmente quando se trata de GenAI, identificar os casos de uso corretos é citado como um grande obstáculo por pessoas usuárias e não usuárias, com mais da metade dos entrevistados em uma recente pesquisa da O’Reilly sobre a implementação da GenAI nomeando este como o maior desafio que enfrentam.
Conduzir um workshop de descoberta para debater livremente ideias e registrar aquelas consideradas mais relevantes pode ajudar as organizações a identificar possíveis casos de uso, avaliar a extensão das oportunidades e riscos associados a cada um e priorizar adequadamente. A chave é focar nos resultados concretos para clientes ou pessoas usuárias finais, e não se distrair com a vontade de criar valor a partir dos vastos armazenamentos de dados da organização por si só, destaca Welsch.
“Quando o cliente diz ‘Tenho muitos dados, o que posso fazer com eles?’ essa é a pergunta errada”, diz ela. “A pergunta deve ser ‘Tenho muitos problemas, quais deles posso resolver com dados?’ As empresas líderes nos 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 líderes nos 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 líderes nos 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.
Munido desses insights, uma base de dados pronta para IA posiciona as empresas para acessar e reutilizar rapidamente dados e modelos para atender aos casos de uso que priorizaram.
A plataforma de IA de veículos conectados do BMW Group, por exemplo, “permite que as pessoas cientistas de dados que trabalham em casos de uso de veículos conectados dentro da empresa interajam com quaisquer dados enviados pelos veículos e derivem suas ações a partir disso”, observa Fabian Nonnenmacher, Analista de Negócios da Thoughtworks.
Um dos principais casos de uso da plataforma de IA é o atendimento proativo ao cliente, ou seja, detectar ou prever as demandas de manutenção do veículo mesmo antes que elas apareçam. Isso é visto como um ativo enorme em termos de fornecer a melhor experiência ao cliente.
Essa capacidade de manutenção preditiva funciona rastreando vários indicadores-chave de desempenho do veículo, como a integridade das peças do veículo, e aciona alertas quando possíveis demandas de serviço são detectadas, observa Biplob Biswas, Engenheiro Líder de Dados e Aprendizado de Máquina da Thoughtworks. “Os motoristas não só recebem uma notificação sobre as demandas de serviço em seu aplicativo, mas são contatados proativamente pelo revendedor escolhido, para que possam ir ao centro de serviço antes que o problema se agrave.”
Outro exemplo de cuidado proativo no BMW Group é a capacidade de identificar com precisão não apenas a presença, mas a viabilidade das estações de carregamento para carros elétricos.
“Os motoristas de carros elétricos querem encontrar estações de carregamento com um certo nível de precisão, mas as informações que o BMW Group obtém dos operadores de ponto de carregamento nem sempre estão corretas”, diz Welsch. “Esse era o problema que a BMW Group queria resolver. Elas decidiram mapear dados de sensores de carros para informações fornecidas pelos operadores para validar essas informações e melhorar automaticamente a precisão dos dados.”
O uso de um conjunto anônimo de veículos para verificar a presença de uma estação de carregamento e se ela fornece a energia que o operador do ponto de carregamento documentou permite que o BMW Group mapeie e valide a infraestrutura de carregamento público mais rapidamente do que por meio de relatórios fornecidos pelas pessoas operadoras, observa Welsch.
Embora vantagens como essas possam não ser o único motivo pelo qual um consumidor opta por comprar carros do BMW Group em vez de outras marcas, elas podem definitivamente ser uma consideração importante. “Se uma pessoa conhecida que tem um veículo elétrico ficar irritada com o número de pontos de carregamento que precisa dirigir antes de encontrar um que realmente funcione e conte sobre isso, isso pode impedi-la de comprar um”, diz Welsch.
Outro recurso potencial sendo desenvolvido é a capacidade de prever com precisão a integridade e o desempenho das baterias de carros elétricos monitorando suas estatísticas de carregamento.
“A saúde da bateria pode ser afetada por vários fatores, como idade da bateria, condições climáticas e estilo de direção do proprietário do veículo”, explica Biswas. “Se monitorado inadequadamente, pode ter um desempenho abaixo das expectativas.”
“Além disso, como atualmente é difícil coletar e usar informações de integridade da bateria em tempo real em sistemas de back-end, estimativas de algoritmos de ML são usadas em seu lugar”, acrescenta Biswas. “Qualquer imprecisão nessas estimativas pode levar a taxas mais altas de detecção de erros durante as inspeções de veículos.”
Recursos de monitoramento elevados permitem que a pessoa proprietária do veículo avalie facilmente o desempenho da bateria do carro, como quanta carga ele tem e quanto ele pode reter, em circunstâncias do mundo real em mudança, por meio do painel ou aplicativo.
Com uma ideia clara dos problemas do cliente ou usuário final que eles querem resolver, as organizações podem começar a moldar uma plataforma com todos os recursos necessários para executar essa visão de sucesso.
No caso da plataforma de IA do BMW Group, a principal métrica foi “tempo de lançamento no mercado para casos de uso de IA”, observa Nonnenmacher. “Nosso objetivo para a plataforma era facilitar a vida das pessoas cientistas de dados, para que elas pudessem se concentrar no trabalho real de ciência de dados e colocar os modelos de dados e pipelines em produção. Isso significa que o BMW Group pode implementar novos casos de uso, ideias ou recursos de produtos no domínio da IA mais rápido, com menos investimento.”
ii. Elementos técnicos para uma base ideal
Uma vez que uma visão esteja em vigor, as organizações podem usá-la para orientar a construção de uma base de dados pronta para IA.
Na maioria das vezes, a tarefa mais complexa é fornecer acesso a dados consistentemente de alta qualidade, o que é fundamental para o sucesso dos modelos de IA e machine learning.
“Para casos de uso (IA), o principal objetivo é ter tudo reproduzível, para que você tenha uma base para comparações”, diz Nonnenmacher. “Isso pode significar treinar um modelo hoje com um determinado produto de dados, e outra pessoa pode validar os resultados executando o mesmo treinamento com as mesmas entradas.”
Para casos de uso (IA), o principal objetivo é ter tudo reproduzível, para que você tenha uma base para comparações. Isso pode significar treinar um modelo hoje com um determinado produto de dados, e outra pessoa pode validar os resultados executando o mesmo treinamento com as mesmas entradas.
Para casos de uso (IA), o principal objetivo é ter tudo reproduzível, para que você tenha uma base para comparações. Isso pode significar treinar um modelo hoje com um determinado produto de dados, e outra pessoa pode validar os resultados executando o mesmo treinamento com as mesmas entradas.
“À medida que novos dados são criados, eles são alimentados ao sistema de inferência para prever resultados e, se não forem ideais, o sistema de treinamento é usado para treinar um novo modelo”, acrescenta Biswas.
“No domínio da IA conectada, por exemplo, há muitos carros por aí, e eles carregam novos dados todos os dias”, explica ele. “Mais dados são coletados, o que é claro, porque você pode tirar mais conclusões deles, mas o desafio está na conversão dos dados para que sejam consistentes com o conjunto de dados e o caso de uso existentes. As organizações precisam garantir que, quando criam pipelines reproduzíveis ou treinamento reproduzível, estejam sempre usando dados de alta qualidade.”
Fundamentalmente, dados de alta qualidade que podem servir como base para treinar modelos de machine learning precisam ser preparados e processados de uma determinada maneira. De acordo com a Nonnenmacher, a configuração mínima necessária é um hub que permite a governança de dados e fornece capacidade de pesquisa, bem como acesso a dados para que as equipes possam usá-los mesmo que não criem ou coletem os dados diretamente.
Depois disso, um ambiente adequado para a exploração de dados precisa ser estabelecido. “Normalmente, aplicações como Jupyter Notebooks podem ser usadas para explorar dados e ideias de protótipos”, observa Nonnenmacher. “O próximo passo é colocar tudo em um estado reproduzível e comparável. As plataformas que construímos permitirão que uma equipe defina pipelines, onde eles podem colocar todas essas etapas em código e executar experimentos novamente com base em diferentes parâmetros.”
No BMW Group, as equipes puderam aproveitar três plataformas existentes para começar, observa Biswas. Uma coletou dados da frota de veículos com base no consentimento do cliente e outra foi um data lake conectando todos os produtores e consumidores de dados. A terceira foi uma plataforma separada que lidava com a maioria dos requisitos de rede, acesso e escalabilidade para os vários locais onde a montadora opera, incluindo a União Europeia e a China. Como a equipe da Thoughtworks poderia trabalhar com a infraestrutura existente, o processo de construção de uma plataforma de IA foi acelerado, com o primeiro caso de uso integrado em apenas quatro meses e entrando em operação seis meses depois.
Assim que a base de dados pronta para IA estiver em serviço, a usabilidade e a experiência da pessoa desenvolvedora são fatores determinantes para o sucesso da plataforma. “A área de IA está crescendo significativamente e sempre há novas ferramentas sendo disponibilizadas, por isso é importante que as pessoas gostem de usá-las e as achem valiosas”, diz Nonnenmacher. “Às vezes, no aprendizado de máquina, as coisas levam tempo, mas sempre que possível, incorporamos ciclos rápidos de feedback para acelerar as melhorias na experiência da pessoa usuária.”
Componentes de uma base de dados pronta para IA/ML
“Adaptar práticas ágeis de desenvolvimento de software, como entrega contínua, e aplicá-las a problemas de dados pode ajudar a resolver desafios que surgem ao longo do caminho, como trazer dados e modelos para produção”, acrescenta Nonnenmacher.
iii. Equilibrar o crescimento, os custos e manter padrões
Começar pode não ser fácil, mas o escalonamento é muitas vezes o estágio em que as organizações enfrentam a maioria dos obstáculos ao criar uma base de dados para IA, especialmente em empresas maiores, onde manter o fluxo de comunicação entre as equipes é sempre um desafio.
As organizações devem ter como objetivo construir uma configuração automatizada e “repetível que atenda a diferentes casos de uso porque, caso contrário, todos começam do zero e estão reinventando a roda o tempo todo”, diz Biswas. “Depois de ter um padrão em vigor e um conjunto repetível de tarefas para as pessoas usuárias de dados, a plataforma funciona melhor para todos.”
Repetibilidade e qualidade consistente, portanto, são conceitos fundamentais que não apenas sustentam as plataformas de IA, mas também garantem que elas possam evoluir para atender aos requisitos futuros.
Para uma empresa como o BMW Group, com configuração internacional, escalabilidade e disponibilidade são particularmente importantes, observa Gruber. O BMW Group precisa fornecer tempos de execução para modelos que podem ser dimensionados com base na demanda proveniente de uma frota, que varia dependendo da hora do dia. Isso torna a elasticidade, ou seja, a capacidade da plataforma de aumentar e diminuir em resposta à demanda, essencial.
“Toda a ideia de uma plataforma de IA é fazer uso de sinergias para permitir vários casos de uso – isso é o que queremos dizer com escala”, diz Nonnenmacher.
No entanto, isso se depara com a realidade de que “pessoas usuárias ou o público consumidor de dados pode ter origens muito diversas e muitas vezes necessidades muito diferentes”, acrescenta. “Então, cada equipe pode estar usando um conjunto diferente de ferramentas para aproveitar esses dados.”
As organizações também precisam estar cientes da “negociação entre o tempo de lançamento no mercado e, na verdade, ser relevantes e, em seguida, escalar para muitas pessoas usuárias diferentes”, destaca Biswas.
Embora recorrer a serviços gerenciados em nuvem possa ajudar as organizações a manter seus investimentos iniciais baixos e fornecer um meio de escalar sem se preocupar com os requisitos de recursos ou a capacidade de manter uma plataforma em crescimento, esses arranjos vêm com restrições.
“Um problema com plataformas em nuvem é que seus recursos são muito genéricos por natureza”, observa Biswas. “Você acaba tendo que personalizá-los de acordo com seus requisitos e esses custos precisam ser levados em conta.”
Então, faça também os custos gerais de aumentar o uso de serviços em nuvem, o que pode aumentar rapidamente.
Para muitas empresas, “a beleza de qualquer provedor de nuvem é que eles fornecem diferentes camadas de abstração, ou modelos de responsabilidade compartilhada, para que haja uma gama inteira onde você possa otimizar o custo”, diz Biswas. “Ele pode ir de um modelo básico, onde você cria máquinas virtuais para usos específicos, até a outra extremidade do espectro, com um ambiente de aprendizado de máquina completamente gerenciado, onde você só precisa inserir o código, ele começa a ser executado e você pode implantar o modelo em um dia.”
Usar um serviço gerenciado na nuvem reduz o esforço operacional, mas se as demandas de processamento de dados aumentarem ou se houver necessidade de expandir para diferentes regiões, o aspecto de custo aumentará significativamente. Em uma grande organização, em que uma equipe dedicada de DevOps de plataforma é responsável por introduzir novos recursos e acompanhar a segurança ou outras atualizações, os custos podem ser controlados e eventualmente reduzidos à medida que integram mais casos de uso e alcançam economias de escala, observa Biswas.
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.
“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”, diz Biswas. “Ele permite que a organização comece pequena e rapidamente com serviços gerenciados, depois execute tudo nativamente dentro do ambiente Kubernetes, que é dimensionado muito bem.”
Outros custos que podem precisar ser considerados na manutenção de uma plataforma de IA incluem ter equipes de serviço de plantão “para atender pessoas usuárias em diferentes fusos horários e também para atender às especificações de nível de serviço”, acrescenta Biswas.
À medida que as organizações amadurecem em sua abordagem para aproveitar os dados corporativos e criar plataformas personalizadas, certas condições precisam ser atendidas para garantir que elas forneçam um ambiente propício para a experimentação de IA a longo prazo.
Uma delas é a capacidade de realizar o monitoramento contínuo do desempenho quando os modelos são implantados na produção, o que é uma consideração importante para o BMW Group. Como Gruber destaca, o comportamento do modelo depende muito dos dados usados para fazer previsões, que podem mudar ao longo da vida útil de um modelo. Portanto, é necessário ser capaz de monitorar isso e ter um sistema de alerta para as pessoas engenheiras de dados que os informe quando o desempenho de um modelo oscila e ele precisa ser treinado novamente.
“Você nunca pode controlar totalmente um modelo de aprendizado de máquina porque não estamos trabalhando com algoritmos determinísticos, então sempre há um risco de obter dados falsos”, diz Nonnenmacher. “Monitorar os modelos e validar os dados são medidas que garantem que o dano potencial de suas previsões seja minimizado. Ter um processo de auditoria ou documentar o que realmente está acontecendo também é uma grande parte da avaliação de um modelo.”
O outro requisito básico de confiança em uma plataforma é a transparência de dados. Para as pessoas cientistas de dados que treinam modelos de machine learning e produzem novos dados com base em informações existentes, a linhagem de dados, que detalha a origem, o destino e as alterações dos dados entre eles, deve ser um dado, observa Nonnenmacher.
“A transparência de dados desempenha um papel significativo nessa equação, pois torna visível qual modelo é treinado em quais dados, para que as pessoas cientistas de dados estejam cientes quando estão lidando com dados de informações pessoalmente identificáveis (PII)”, diz ele. Além disso, permite que as pessoas cientistas de dados reconheçam os vieses capturados nos modelos e cumpram os princípios éticos da IA.
Uma estrutura abrangente de governança de dados pode equipar a organização com um modelo operacional e estrutura para trabalhar para atender e manter a qualidade dos dados e padrões regulatórios. Ter a autorização e a autenticação corretas para garantir que os regulamentos de residência de dados sejam atendidos previne quaisquer desafios de conformidade, assim como garantir que as permissões corretas de acesso aos dados estejam em vigor, observa Biswas. Isso significa que as organizações precisam implementar recursos de auditoria ou rastreamento para estabelecer linhas de visão claras sempre que os dados forem usados.
A privacidade e a segurança dos dados também são fatores-chave que precisam ser abordados. No BMW Group, o consentimento do cliente é explicitamente solicitado e as pessoas motoristas devem optar por participar antes que quaisquer dados sejam coletados.
Biswas também observa que, para o BMW Group, os dados personalizados são criptografados por padrão e etapas adicionais são tomadas para criar mais camadas de proteção quando necessário.
“Sempre que um cliente marca qualquer atributo como particularmente sensível, esse atributo de dados é criptografado e pseudoanonimizado para manter os padrões necessários para treinar algoritmos de aprendizado de máquina sem revelar os dados reais”, diz Biswas. “Se os dados reais forem necessários, as pessoas engenheiras de dados precisam solicitar que esses conjuntos de dados sejam descriptografados. Todo esse processo é completamente auditável, portanto, as oportunidades de vazamento de dados são minimizadas e não há ambiguidade em termos de como os dados são acessados ou usados.”
O BMW Group também está tomando medidas para melhorar seus algoritmos de aprendizado de máquina para “identificar vieses em um modelo e criar uma linhagem de modelos para descobrir quais dados geraram qual modelo, quais hiperparâmetros foram usados para treinar esses modelos e qual código foi responsável”, de acordo com Biswas.
O recurso mais crucial que influencia a viabilidade contínua de uma plataforma é a automação, que permite que todas essas etapas, desde o acesso aos dados até a implantação de modelos na produção, sejam executadas de forma contínua, iterativa e em conformidade.
Isso significa implementar o princípio da entrega contínua para o aprendizado de máquina (CD4ML) na plataforma e criar pipelines automatizados para executar todas as etapas do processo. O benefício é que a plataforma combina e integra o conjunto completo de ferramentas de que as pessoas cientistas de dados precisam.
iv. Cultivar a adesão e a educação contínua: Plataformas como um processo
Por mais eficiente, rica em experiência ou compatível que uma plataforma possa ser, seu verdadeiro valor pode ser medido apenas pela forma como é utilizado.
No caso do BMW Group, diferentes departamentos têm KPIs para rastrear o sucesso dos casos de uso específicos. Com a própria plataforma de inteligência artificial de veículos conectados, a Gruber considera a adoção o principal indicador de sucesso e algo que eles precisam monitorar de perto.
No entanto, como Welsch destaca, questões organizacionais que podem não ter nada a ver com os recursos da plataforma podem atrapalhar a adoção. “Normalmente, quanto mais amplo o caso de uso e mais forte o caso de negócios, mais complexos são os desafios organizacionais que vêm com ele”, observa ela.
Problemas organizacionais que podem não ter nada a ver com os recursos da plataforma podem atrapalhar a adoção. Normalmente, quanto mais amplo o caso de uso e mais forte o caso de negócios, mais complexos são os desafios organizacionais que vêm com ele.
Problemas organizacionais que podem não ter nada a ver com os recursos da plataforma podem atrapalhar a adoção. Normalmente, quanto mais amplo o caso de uso e mais forte o caso de negócios, mais complexos são os desafios organizacionais que vêm com ele.
Por exemplo, a criação de valor pode ser impedida se as pessoas proprietárias de produtos de dados não conseguirem obter suporte suficiente entre os departamentos. “Você precisa convencer outras equipes do valor de investir no produto de dados”, observa Welsch.
Uma medida preventiva é monetizar produtos de dados internamente para incentivar a propriedade. As especialistas da Thoughtworks também apontam para a importância de reunir insights de loops contínuos de descoberta e feedback, que podem destacar diferentes casos de uso ou requisitos de uso variados dos consumidores de dados.
Construir um produto altamente personalizado ou amplamente aplicável vem com compensações. Uma estratégia, de acordo com Welsch, é construir um produto para atender a um caso de uso específico, mas também manter alguma flexibilidade para crescer e servir aos outros.
Em situações em que a plataforma está apenas começando ou o valor de um produto de dados está em disputa, ter um defensor forte, como foi o caso do BMW Group, para orientar o curso e reunir as pessoas faz uma enorme diferença. “Em outros projetos, vimos mudanças repentinas nas estratégias quando o campeão é facilmente influenciado pelas opiniões de outras partes interessadas internas e isso não funciona”, adverte Biswas.
Mesmo quando a vontade claramente existe, a falta de experiência das pessoas usuárias pode prejudicar sua capacidade de fazer uso da plataforma.
No exemplo do setor automotivo, muitas lideranças executivas “têm uma vasta experiência em engenharia de máquinas e fabricação automotiva, mas como a integração de software só se tornou relevante nos últimos cinco anos, não têm experiência prática com desenvolvimento de software”, diz Welsch. “É difícil para elas voltarem a esse nível operacional e realmente entenderem por que as coisas estão como estão, por que as pessoas desenvolvedoras de software devem trabalhar com pessoas desenvolvedoras desenvolvedores de hardware e por que os dados de um carro são relevantes para qualquer pessoa.”
“Também é necessário conhecimento para colocar em produção casos de uso de aprendizado de máquina, e só então eles podem criar valor”, observa Nonnenmacher. “As equipes diferentes têm conhecimentos e formações muito diferentes, e o desafio é ensinar essas 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 formações muito diferentes, e o desafio é ensinar essas 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 formações muito diferentes, e o desafio é ensinar essas pessoas usuárias a usar a plataforma para que possam aproveitá-la ao máximo."
No processo de integração de diferentes casos de uso para o BMW Group, as equipes de plataforma enfrentaram o desafio de “acomodar as pessoas usuárias com um conjunto diversificado de habilidades e uma variedade de aplicações, desde casos de uso orientados por pesquisa até os orientados por engenharia”, diz Biswas.
“Precisávamos tornar a plataforma mais compreensível para todos, seja alguém que nem sequer sabe como usar o GitHub ou Python, ou pessoas que têm feito integração e entrega contínuas todos os dias”, ele acrescenta. “Este tem sido um processo iterativo, onde tornamos a vida cada vez mais fácil – e estamos vendo os benefícios disso agora.”
É por isso que a construção de uma plataforma vem com uma certa responsabilidade de educar e capacitar equipes em toda a organização, um dever que, em empresas como o BMW Group, tem impacto de longo alcance.
Uma etapa crucial que a equipe de Gruber deu foi apresentar um recurso dedicado com o Thoughtworks para integrar equipes na plataforma desde o início. De acordo com Gruber, essa foi uma prática altamente eficaz porque, para muitas equipes, a IA era completamente nova. Muitos deles tinham uma pergunta principal: por onde começar.
As equipes são apoiadas desde o início quando surgem uma ideia de caso de uso, observa Gruber. Elas recebem orientação durante todo o processo, incluindo ajuda para identificar as habilidades necessárias e os requisitos para a configuração técnica. Em alguns casos, elas colaboram com especialistas em plataforma e a Thoughtworks em provas de conceito.
Os efeitos são maximizados por meio da divisão das tarefas, acrescenta Nonnenmacher.
“Nós nos concentramos em habilitar casos de uso ao integrá-los rapidamente e fornecer uma boa experiência da pessoa usuária, mas também identificar possíveis lacunas de recursos e encontrar soluções”, diz ele. A equipe da plataforma, por outro lado, se concentra mais nos dados e no desenvolvimento estratégico da plataforma, como criar novos recursos, implementá-los adequadamente e torná-los mais estáveis.
Além de facilitar o processo de integração, também foram feitos esforços para atender às necessidades de curto prazo das pessoas usuárias, aumentando a capacidade, para que várias equipes pudessem ser integradas mais rapidamente, observa a Nonnenmacher. “Para conseguir isso, criamos modelos de exemplo para elas começarem e também fornecemos um kit de desenvolvimento de software que permite uma interação mais fácil com a plataforma.”
A equipe também promoveu a adoção, visando especificamente as pessoas usuárias cujo trabalho seria afetado.
“Para aquelas que estavam preocupadas com a perspectiva de mudar toda a sua base de código, adotamos uma abordagem de elevação e mudança para a migração, para que pudessem começar a usar sua base de código existente na plataforma com o mínimo de interrupção”, explica Biswas. “Em seguida, trabalhamos em conjunto com elas nos casos de uso, para mostrar como elas podem seguir abordagens semelhantes, mas permitir melhores práticas. Por exemplo, entrega e integração contínuas para que possam ver suas alterações e pipelines diretamente na interface da pessoa usuária fornecida pela plataforma. Depois de terem essa experiência, elas se tornaram proponentes da nossa plataforma.”
Em geral, “as pessoas usuárias que não têm opiniões muito fortes sobre o que querem usar ou como querem usá-lo têm sido muito abertas e rápidas para adotar a plataforma”, diz Biswas. “Mas, com outras pessoas, havia a necessidade de fornecer mais apoio no processo de integração e várias verificações para ver se elas estão enfrentando algum problema.”
Sessões semanais também foram configuradas para responder a perguntas que vão desde a arquitetura da plataforma ou recursos ausentes até questões não técnicas, diz Biswas. Elas foram complementadas por canais on-line para solicitar orientação, documentação de integração e vídeos.
Iniciativas como essas garantem que, após um forte início, o BMW Group possa manter os olhos firmes no que vem a seguir, em termos de casos de uso e evolução da plataforma.
Pensar em como ampliar a plataforma e observar atentamente as tendências do mercado são as principais prioridades. A GenAI também é um dos tópicos estratégicos que o BMW Group está analisando atualmente, considerando sua crescente adoção.
Assim como o BMW Group, “as organizações devem ter uma visão em vigor quando começarem a pensar em algo assim, porque colocá-la em prática não acontece da noite para o dia”, diz Biswas. “É um processo iterativo e envolve pensar sobre o que eles precisam como empresa, o que querem fornecer as pessoas usuárias, integrando a plataforma ao ecossistema existente e seu modelo de escalabilidade. Assim que isso estiver em vigor, adotar uma mentalidade de crescimento ajudará as organizações a gerenciar o processo e a avançar constantemente para o próximo nível.”
As organizações devem ter uma visão em vigor quando começarem a pensar em algo assim, porque isso não acontece da noite para o dia. É um processo iterativo e envolve pensar no que elas precisam como empresa, o que elas querem fornecer as pessoas usuárias, integrando a plataforma ao ecossistema existente e seu modelo de escalabilidade. Quando isso estiver em vigor, adotar uma mentalidade de crescimento ajudará as organizações a gerenciar o processo e a avançar constantemente para o próximo nível.
As organizações devem ter uma visão em vigor quando começarem a pensar em algo assim, porque isso não acontece da noite para o dia. É um processo iterativo e envolve pensar no que elas precisam como empresa, o que elas querem fornecer as pessoas usuárias, integrando a plataforma ao ecossistema existente e seu modelo de escalabilidade. Quando isso estiver em vigor, adotar uma mentalidade de crescimento ajudará as organizações a gerenciar o processo e a avançar constantemente para o próximo nível.
Contribuidores
Engenheiro Líder de Dados e Aprendizado de Máquina, Thoughtworks
Analista de Negócios, Thoughtworks
Diretora de Mercados, Automotivo e Manufatura, Thoughtworks
Chefe das Funções de IA e Dados de Veículos Conectados, BMW Group
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.