Blog

Problemas com Dados Impedem Iniciativas de IA/ML. Saiba como Corrigir.

Quase 90% de todos os projetos de IA/ML nunca chegam até a fase de produção. Saiba mais sobre os principais desafios relacionados aos dados que os cientistas de dados estão enfrentando.

Desde 2020, CIOs e equipes de TI rapidamente buscaram criar recursos digitais para atender ao grande aumento da demanda online causado pela pandemia. A partir de 2021, grandes empresas do setor continuaram a sentir a urgência de realizar a transição para o ambiente digital à medida que os usuários exigiam melhores experiências online.

A inteligência artificial (IA) e o machine learning (ML) podem agilizar de forma considerável o tempo necessário para compreender e se adaptar às necessidades dos clientes, mas isso só ocorre se os dados estiverem disponíveis para modelos de criação e testes.

Para agilizar o ritmo de inovação digital e IA/ML, é preciso ter muitos dados advindos de sistemas de negócios core e de aplicações voltadas para os clientes. Embora a maioria das grandes empresas tenha muitos volumes de dados (conforme demonstrado em pesquisas recentes), a disponibilização lenta dos dados costuma prejudicar essa agilidade.

Uma nova pesquisa da Pulse indica que os dados são um entrave a projetos de IA/ML se não há ferramentas de automação e gestão adequadas dos dados. Embora essas iniciativas ainda estejam dando os primeiros passos em vários aspectos, há uma série de empresas buscando aplicar IA/ML para otimizar as operações, aumentar o desempenho e proporcionar experiências diferenciadas para os usuários.

Inclusive, para a maioria dos executivos de TI, a IA/ML é uma prioridade crescente. Mas a grande dispersão dos dados de aplicações representa um desafio enorme, já que os dados ficam armazenados em diversos lugares, como aplicações voltadas para os clientes (48%), sistemas ERP (19%) e aplicações financeiras (19%).

As descobertas da pesquisa mostram que quatro dos cinco maiores obstáculos à implementação de iniciativas de IA/ML envolvem os dados.

São eles:

  • Precisão dos dados (54%)
  • Acesso aos dados (44%)
  • Proteção de dados pessoais e sensíveis (43%)
  • Tempo necessário para atualizar os dados nos modelos (36%)

Para superar esses desafios, a automação é fundamental para remover os processos manuais de entrega, atualização e proteção dos dados que impedem a inovação. Com uma infraestrutura de dados programáveis, os dados podem ser automatizados e gerenciados por APIs. Algumas das características de uma infraestrutura de dados programáveis são:

  • Acesso e atualização dos dados por API.
  • Descoberta e mascaramento automáticos de dados sensíveis para mitigação de riscos de compliance.
  • Máquina do tempo de dados imutáveis para garantir um registro contínuo das alterações em fontes de dados que entregam dados quase em tempo real, além de dados históricos.
  • Versionamento de dados-fonte e de treinamento para análise de função por derivada.
  • Abordagem API-first para integrar operações de dados com ferramentas de IA/ML.

Por exemplo, uma das maiores empresas de engenharia do mundo no setor de petróleo e gás está usando a infraestrutura de dados programáveis (PDI) para disponibilizar soluções e insights orientados por IA em todas as suas unidades de produção globais. O objetivo da empresa é ampliar a gestão de riscos e a eficiência operacional e auxiliar no processo de tomada de decisões e execução em tempo real.

Com uma infraestrutura de dados programáveis, esse ramo bilionário está fornecendo dados de forma eficiente em diversos sistemas e localizações em todo o mundo, da América do Norte e do Sul até a África, Oriente Médio e Ásia.

As equipes podem importar dados de treinamento com mais eficácia e implantar modelos de machine learning na nuvem. Com a PDI, as empresas também estão conseguindo entregar dados recentes de forma eficiente e contínua para um banco de dados virtual quase em tempo real, criar uma abordagem flexível dos dados e garantir aos usuários acesso a dados primários para IA que utilizam dados de seus principais sistemas de negócios.

Historicamente, quanto maior fosse a empresa, mais lento era o ritmo de mudança. Embora as empresas disruptivas, como aquelas que já surgiram na nuvem, geralmente tenham a vantagem da agilidade na adoção de novas tecnologias, as empresas tradicionais têm grandes volumes de dados para abastecer iniciativas de IA/ML e também os recursos necessários para contratar equipes de cientistas de dados para aproveitar os dados ao máximo.

Isso muda o cenário, já que empresas maiores podem ter a vantagem de adotar IA/ML com mais rapidez e, assim, não apenas manter os clientes atuais, mas também migrar mais rapidamente para novas formas de interagir com cadeias de suprimento e parceiros. Mesmo quando o mundo sair do confinamento, a abordagem que privilegia o ambiente digital prevalecerá, então os investimentos em automação de dados para iniciativas de IA/ML continuarão a valer a pena.

Confira o infográfico para saber mais sobre como os executivos de grandes empresas estão priorizando investimentos em IA/ML.

Suggested reading

Blog

Não Deixe que os Gargalos de Dados Atrasem a Transformação do seu ERP

As empresas varejistas e de bens de consumo podem impulsionar a inovação com a entrega automatizada de dados seguros para a modernização do ERP. Saiba como isso é possível.
Blog

O Caso dos Dados Imutáveis: Como Salvar os seus Dados e se Recuperar Rapidamente de Ataques de Ransomware

As organizações não podem se dar ao luxo de perder um ou dois dias de transações dos clientes e receitas devido a ataques de ransomware. Veja porque os dados imutáveis são essenciais para a recuperação pós ataques do tipo ransomware.