Tempo de leitura: 9 minutos
Relatórios de especialistas indicam que os gastos globais em inteligência artificial (IA) deverão atingir US$ 110 bilhões em 2024. Nos últimos anos, muitas organizações lançaram projetos para criar valor comercial usando Inteligência Artificial (IA). Para muitas organizações, os sistemas de IA prontos para uso não estão disponíveis devido ao nível de maturidade e a necessidade de adaptar os sistemas de IA à situação única da organização.
Gerenciar projetos de IA não é uma tarefa simples. Pesquisas indicam que ‘85% dos projetos de IA acabam por não cumprir as promessas pretendidas para os negócios”. Embora algumas pesquisas examinem os impactos da IA nos usuários, os profissionais que procuram gerir melhor os seus projetos de IA só podem recorrer a um número limitado de estudos.
Este artigo traz uma proposta de abordagem apresentada originalmente pelos pequisadores canadensses Gregory Vial, Ann-Frances Cameron e Tanya Giannelia, Os pesquisadores desenvolveram uma uma abordagem multimétodo para a gestão de projetos de IA, que se baseia em elementos da
gerenciamento de projetos tradicionais, práticas ágeis e práticas de fluxo de trabalho de IA.
A análise revelou que o gerenciamento de projetos de IA nessas três lógicas centrais, uma lógica tradicional de gerenciamento de projetos, uma lógica ágil e uma lógica de fluxo de trabalho de IA – dá origem problemas no gerenciamento de projetos de IA e o sucesso da gestão de projetos está diretamente relacionada a resolução de conflitos que surgem entre eles.
Fluxo de Trabalho de IA
Este fluxo de trabalho envolve coletar, manipular e transformar dados para serem usados como insumos para codificação, treinamento, avaliação e interpretação, ajuste fino e implementação de modelos matemáticos complexos.
O fluxo de trabalho de IA é caracterizado por dependências sequenciais, grandes ciclos de feedback, e um número indeterminado de ciclos de exploração/experimentação de dados. O o ajuste fino desses modelos matemáticos complexos é fortemente influenciado pela natureza e qualidade dos dados, o que torna difícil prever, planejar e gerenciar ciclos de experimentação.
Embora existam abordagens baseadas na prática para executar várias partes do fluxo de trabalho de IA, eles se concentram principalmente em como executar tarefas de fluxo de trabalho de IA e não em orientações sobre como gerenciar o projeto geral de IA.
Assim, há uma escassez de orientações sobre como as organizações organizam tarefas, pessoas e recursos de projetos de IA, ou seja, como gerenciam Projetos de IA!!
Desafios na Gestão de Projetos de IA
A gestão de projetos de Inteligência Artificial (IA) apresenta desafios específicos que refletem a natureza complexa e dinâmica dessa área. Alguns dos desafios mais comuns enfrentados pela gestão de projetos de IA incluem:
- Compreensão do Escopo: Definir claramente o escopo do projeto de IA pode ser desafiador, dado o dinamismo das tecnologias e a evolução rápida das necessidades organizacionais.
- Mudanças nos Requisitos: A adaptação a mudanças nos requisitos é essencial, mas pode ser complexa devido à interconexão de diversas partes de sistemas de IA.
- Problemas: Muitos projetos de IA enfrentam problemas significativos ou até falham, destacando os desafios no gerenciamento de projetos de IA.
- Fases: A natureza exploratória das fases iniciais, como a concepção e o plano, combinada com a curta duração dessas fases, pode representar desafios no gerenciamento de projetos de IA.
- Questões técnicas: Descobrir e resolver problemas desde o início, como modelos de baixo desempenho ou qualidade de dados abaixo do esperado, é importante, mas pode ser um desafio.
- Rápida Evolução: A rápida evolução da tecnologia de IA requer atualizações constantes, o que pode ser desafiador para projetos que envolvem longos ciclos de vida ou dependem de infraestruturas legadas.
- Envolver os clientes de forma contínua e garantir a transferência de conhecimento pode ser um desafio, mas é valioso para o sucesso do projeto
- Compatibilidade de Sistemas: Integrar soluções de IA em sistemas existentes pode ser complexo, especialmente quando esses sistemas foram desenvolvidos sem considerar a interoperabilidade com tecnologias de IA.
- Escassez de Habilidades: A demanda por profissionais qualificados em IA supera a oferta, o que pode dificultar a formação de equipes competentes para a gestão de projetos de IA.
Quatro estratégias que as organizações podem usar na Gestão de Projetos de IA
1) Viabilidade do Projeto: Avaliar a viabilidade do projeto antecipadamente e depois, em intervalos regulares, a viabilidade do projeto, tanto para consulta quanto para para seus clientes – estando efetivamente prontos para ‘despedir seu cliente’, se necessário.
2) Medição de Progresso: Considerar que os projetos de IA exigem uma conceituação diferente de progresso com base na conclusão de tarefas específicas da IA fluxo de trabalho, essencialmente ‘repensando sua definição de pronto’.
3) Foco no valor comercial: Garantir que o trabalho de ciência de dados só seja perseguido se agregar valor comercial para os clientes, em vez de se basear apenas no mérito técnico, ‘questionando assim’ o valor marginal da ciência de dados.
4) Colaboração entre áreas de Negócios e Técnica: Incentivar um consultor de negócios e um cientista de dados a trabalhar em estreita colaboração, ‘cultivando um time poderoso de IA’ para impulsionar o projeto
Três Lógicas Centrais: Gerenciamento Tradicional, Gerenciamento Ágil e o Fluxo de IA
O gerenciamento de projetos tradicional é usado para dividir os projetos em suas fases principais, voltadas para o gerenciamento do projeto para apresentação ao cliente.
Elementos de práticas ágeis são usados para executar o trabalho do projeto em ciclos curtos de uma forma maneira iterativa e incremental.
Elementos do fluxo de trabalho de IA são usados para gerenciar a experimentação, o detalhamento e o
ajuste dos modelos de aprendizado de máquina que serão integrados ao produto final.
Os Conflitos entre as Três Lógicas Centrais
Lógica tradicional de gerenciamento de projetos versus lógica de fluxo de trabalho de IA:
De acordo com a lógica tradicional de gerenciamento de projetos, a viabilidade de um projeto é determinada em fases anteriores, e o a faixa de incerteza diminui com o tempo. No entanto, devido a problemas de dados e à complexidade matemática inerente a lógica do fluxo de trabalho da IA, o grau de incerteza pode permanecer constante ou até aumentar à medida que os membros da equipe realizem trabalhos científicos e experimentos específicos.
Parte da lógica tradicional de gerenciamento de projetos é que o cliente e o fornecedor aprovem as entregas do projeto no início do projeto. De acordo com a lógica do fluxo de trabalho da IA, no entanto, a incerteza está sempre presente e os resultados podem não ser entregues conforme planejado. Assim, as entregas reais do projeto nem sempre são conhecidas a priori, e os clientes podem ficar insatisfeito como resultado.
De acordo com a lógica tradicional de gerenciamento de projetos, o objetivo ou meta de um projeto é atender metas específicas e predeterminadas, com critérios de sucesso, que muitas vezes estão diretamente ligados à melhoria do valor do negócio. A lógica do fluxo de trabalho de IA tende a se concentrar em metas estatísticas definidas pelo objetivo de um modelo matemático, levando o
cientista de dados a avaliar se existe um ‘ganho no desempenho do modelo’
A lógica subjacente à gestão de projetos tradicional sugere que a gestão da qualidade deve ser entregue
de acordo com critérios de qualidade pré-especificados, e exceder as expectativas de qualidade (denominado gold-plating) é visto como prejudicial mental. No entanto, os cientistas de dados – que ocupam um papel proeminente no trabalho de IA – são fortemente influenciados pelos seus conhecimentos académicos e experiência em pesquisa. Como resultado, eles geralmente se concentram no uso de técnicas de ponta, que por vezes estão em desacordo com as técnicas que atenderão à qualidade mínima exigida pelo cliente.
Lógica ágil versus lógica de fluxo de trabalho de IA
A lógica ágil enfatiza iterações de duração fixa (muitas vezes limitadas pelo tempo), durante as quais os membros da equipe se concentram em concluir tarefas pré-selecionadas durante uma reunião de planejamento do sprint. No entanto, a lógica do fluxo de trabalho da IA inclui uma abordagem de processo que é organizado em torno de uma série de pequenos experimentos baseados em algoritmos com tempos de execução imprevisíveis e variáveis.
As lógicas de fluxo de trabalho ágil e de IA envolvem mudanças ao longo do processo, mas a fonte da mudança é diferente, o que pode impactar a função do cliente durante o projeto de IA. De acordo com a lógica ágil, a mudança é bem-vinda durante todo o processo de desenvolvimento, e muitas das mudanças são conduzidas pelo cliente. Para a lógica de fluxo de trabalho de IA, as mudanças são impulsionadas principalmente por resultados intermediários ou pela disponibilidade de novas técnicas para se resolver um problema.
Um princípio da lógica ágil é entregar um produto funcional ao final de cada iteração. No fluxo de trabalho de IA o uso e a dependência de pequenos experimentos e testes de hipóteses significam que os resultadosintermediários obtidos não são necessariamente soluções funcionais e tangíveis. Assim, pode ser difícil demonstrar progresso em termos de valor agregado ou ROI tangível para o cliente.
A lógica ágil reforça a importância de equipes auto-organizadas e autônomas. No entanto, projetos de IA
tem uma dinâmica, diferente, com trabalho hiperespecializado e por muitas vezes realizado sozinho.
Para finalizar
Os desafios enfrentados no gerenciamento de projetos de IA são grandes
Temos muitos problemas e falhas nesses projetos, bem como conflitos decorrentes da combinação de diferentes abordagens de gerenciamento de projetos além desafios nas fases iniciais e no envolvimento com o cliente. Apesar de apresentarmos estratégias neste artigo, estamos longe de uma palavra final sobre o Gerenciamento de Projetos de IA. Acompanhe-nos para desdobramentos sobre esse importante conteúdo.
