Graças a Matt Sanchez, CTO e co-fundador da CognitiveScale , por compartilhar seus pensamentos sobre o estado atual e futuro da inteligência artificial (AI), além de fornecer alguns casos de grande uso. Antes de fundar o CognitiveScale, Matt era o líder da Watson Labs para a IBM e, como tal, ele é bem versado na computação cognitiva e na superconvergência da computação em nuvem, dados importantes e inteligência artificial, e como essas tecnologias estão perturcando todos os processos e a indústria de negócios .
P: Quais são as chaves de uma estratégia de AI bem-sucedida?
R: É um ciclo de vida mais complexo do que os clientes podem pensar. Começamos por mapear como o ciclo de vida do AI se parece e como ele se enquadra no SDLC. Discutimos o tipo de problemas que você pode resolver e como compreender a complexidade dos problemas que estamos resolvendo. Usamos AI para resolver dois tipos de problemas. O primeiro que chamamos de “envolvimento”, onde estamos usando insights personalizados com evidências contextualizadas para antecipar as necessidades do processo comercial ou do usuário final. O segundo é “amplificar”, onde estamos usando AI para identificar exceções e detectar anomalias.
O faturamento, reivindicações e contratos de cuidados de saúde geralmente são processos manuais. Nós aplicamos AI para automatizar e reduzir custos no setor de saúde e financeiro. Podemos identificar lotes de reivindicações de alto valor que precisam ser pagos primeiro. Podemos garantir que os emails de queixa do cliente estejam sendo tratados de forma compatível. Nós trazemos uma perspectiva da indústria para dezenas de casos de uso para serviços financeiros, saúde e varejo.
P: Quais são os pontos de inflexão que você observou no que diz respeito à AI?
A: A introdução da Watson Technology on Jeopardy foi um ponto de inflexão que mostra o poder da computação cognitiva. Desde então, vimos a convergência de dados, processamento de linguagem natural (PNL), nuvem e IoT com novas idéias de como a AI pode ser aplicada. Hoje, temos clientes nos convidando para reuniões em nível C, porque os conselhos deles os mandaram para desenvolver sua estratégia de AI. Não é mais apenas uma conversa tecnológica. Agora, estamos falando sobre como obter o valor comercial exclusivo da AI. Isso requer outra camada de propriedade intelectual para realizar.
P: Quais são os problemas do mundo real que ajudou os clientes a resolver com AI?
R: No setor bancário, habilitamos uma plataforma de negociação para envolver mais clientes através de um aplicativo de troca móvel. Combinamos o histórico comercial de 300 mil clientes com o comportamento de 30 anos de dados de mercado para identificar desencadeadores do mercado. Quando ocorre um novo gatilho no mercado, podemos chegar a cada cliente com um fluxo personalizado de informações de mercado todos os dias, fornecendo informações personalizadas em escala. Além disso, há um loop de feedback incorporado para o desempenho do negócio.
Para o canal digital de um grande varejista, iniciamos um pequeno piloto para aprender os perfis e preferências dos compradores anônimos, resultando em um aumento de duas dígitos nas conversões. Ao mostrar ao cliente como o algoritmo de aprendizado da máquina estava aprendendo com dados adicionais e ver o impacto nas conversões, esta solução foi lançada em toda a plataforma de comércio digital, de modo que o revendedor agora está fazendo recomendações personalizadas em tempo real com base em cada clique.
Para uma organização de saúde líder mundial, desenvolvemos uma solução de AI que identifica exceções com precisão de 90% e fornece fatores relevantes para o processador de contas a pagar. A solução reduziu o custo total de processar um caso em ~ 20-30% em comparação com os esforços de linha de base atuais.
Q: Quais são os problemas mais comuns que você vê, impedindo as empresas de perceber os benefícios da AI?
R: Uma das percepções erradas mais comuns sobre AI é acreditar que a IA é igual à aprendizagem de máquinas ou à ciência dos dados. Na verdade, a AI é um superconjunto da ciência dos dados, que requer orquestração, composição, governança via SDLS e garantia de que os algoritmos estão aprendendo as coisas certas ao longo do tempo. Além disso, muitas vezes, as organizações têm uma falta de controle sobre a saída e o resultado da AI. Além disso, as habilidades necessárias para construir a IA e as pressões do tempo de mercado são questões comuns que podem impedir as empresas de se beneficiar da AI.
P: Onde você vê as maiores oportunidades para a implementação da AI?
R: Como se estivéssemos vendo veículos autônomos com controle de cruzeiro adaptativo, veremos o mesmo para processos de negócios automatizados em qualquer setor. O sistema irá otimizar o melhor desempenho do negócio, mantendo-se dentro dos limites éticos e legais.
P: Quais são as suas maiores preocupações com o estado da AI hoje?
R: A maior preocupação é que a IA é pensada como uma tecnologia de bala mágica. Há maneiras corretas e formas erradas de usar o aprendizado de máquina, processamento de linguagem natural e outras tecnologias relacionadas. Encontrar os casos de uso certo para atacar é metade da batalha, e ter expectativas realistas sobre os resultados é fundamental para o sucesso. Aqueles que não entendem as diferenças entre ciência de dados e engenharia de software rapidamente se tornarão frustrados pela AI.
Q: quais habilidades os desenvolvedores precisam ser proficientes em projetos de AI?
R: Em um contexto empresarial, os desenvolvedores de habilidades precisam é uma compreensão básica da ciência dos dados, incluindo a teoria da probabilidade e as estatísticas. Existem muitos bons cursos on-line que ensinam isso. Além disso, uma experiência sólida no SDLC e implantação de aplicativos corporativos e experiência com arquiteturas orientadas a serviços, gerenciamento de processos de negócios, tecnologias da nuvem e abstrações também são úteis.
P: Como você se certifica de que você está criando sistemas AI em que você pode confiar?
A: a explicação deve ser incorporada em todos os sistemas de AI – explicabilidade para o usuário final (por que o sistema fez isso ou recomendou isso?) E explicabilidade de um ponto de vista de auditoria e conformidade são imperativos. Você também precisa planejar e projetar rolamentos de feedback de aprendizado contínuo nos aplicativos finais que são alimentados pela IA. Você também precisa de processos de governança que fornecem garantia / guardrails para idéias e recomendações com base em AI. E, finalmente, você precisa de um mecanismo confiável para alinhar a medição do desempenho do negócio com o desempenho do modelo de aprendizagem da máquina ao longo do tempo.