Accenture Digital Business: Como desenvolver uma estratégia de dados para escalar a IA

O novo estudo da Accenture, dedicado ao tema da Inteligência Artificial (IA), revela a urgência de se abraçar a IA: 84% dos inquiridos revelam que não atingirão os objectivos de crescimento, e três quartos dos executivos acreditam que correm o risco de fechar em cinco anos, a menos que escalem a IA. Os riscos são elevados. Mas uma corrida para escalar novas ideias exige uma estratégia de dados bem elaborada – que definimos como uma concepção e intenção que determina quais os dados que estão a ser obtidos, de que forma e com que finalidade. Tal como uma casa construída sobre alicerces fracos, uma solução de IA construída sobre dados pouco sustentados, sem uma estratégia sólida, pode produzir valor a curto prazo, mas não tem qualquer hipótese de escalar ou produzir resultados a longo prazo. A estratégia de dados estimula tanto valor como a IA.

Seguindo os conselhos da Accenture, existem cinco perguntas-chave que os líderes seniores devem fazer a si próprios ao conceberem as estratégias de dados para ajudar a garantir que a IA chega à produção e acaba por escalar com sucesso. Estas perguntas ajudarão a orientar os líderes na concepção de uma estratégia de dados baseada na cultura, na qualidade de dados e na privacidade, para desbloquear o potencial de valor da IA.

1) Como podemos desenvolver uma cultura estimulada pelos dados?

A construção de uma cultura estimulada pelos dados começa com o apoio do topo. Os líderes precisam de mostrar aos colaboradores o que é possível fazer com os dados e de investir nas ferramentas e recursos que farão com que os colaboradores atinjam essas possibilidades. Precisam de comunicar os benefícios e encorajar mudanças comportamentais, simplificando e incentivando a utilização dos conhecimentos estimulados por dados na tomada de decisões.

Uma empresa com que a Accenture trabalhou investiu em IA e capacidades analíticas para a subscrição de seguros, mas teve dificuldade em fazer com que os colaboradores as utilizassem. Para ajudar, a Accenture desenvolveu um protótipo interactivo de casos de utilização prioritária que reflectia a forma como os utilizadores trabalhavam e se comportavam. Incluiram-se dados sobre o fluxo de trabalho para que os colaboradores pudessem ver a eficácia do desempenho. Também foi fornecida uma visão analítica das actividades seguintes, que os utilizadores podiam ajustar de um modo simples. E criaram-se listas de verificação e indicadores simples para aspectos importantes, mas fáceis de esquecer.

Ao desenvolverem-se ferramentas que reflectem a forma como as pessoas se comportam e utilizam os dados, podemos conceber uma cultura que abraça os dados e a analítica. Mas ter ferramentas e incentivos é apenas uma peça do puzzle. Uma formação extensa e contínua é essencial para o desenvolvimento da literacia de dados, assim como a contratação das pessoas certas.

2) Como podemos confiar na qualidade dos dados das nossas empresas?

Para começar, quando falamos de “qualidade de dados”, olhamos para uma combinação de factores como integridade, rigor, falta de parcialidade, relevância e actualidade dos dados em relação às perspectivas que estamos a tentar criar. E muito depende de as empresas terem dados de alta qualidade. Por exemplo: a adopção. Se a vontade de um colaborador ou grupo empresarial de utilizar dados depende da confiança nos mesmos, será importante criar segurança na qualidade dos dados para desenvolver essa confiança e encorajar a sua utilização.

Então, como avaliar e manter a qualidade dos dados?

Primeiro, as empresas devem estabelecer processos e estruturas eficazes de qualidade dos dados para o seu armazenamento, gestão e transferência. Os proprietários dos dados devem agir como guardiães da qualidade, em cada domínio.

Uma empresa pode efectuar verificações pontuais ad hoc e manuais a cada atributo dos dados (por exemplo, actualização), mas isso pode ser ineficiente e incompleto.

Em alternativa, existem soluções, como a Oferta de Veracidade de Dados da Accenture, que ajudam a avaliar a proveniência, contexto e integridade dos dados numa base sistemática. São usadas ferramentas e estruturas pré-fabricadas para determinar a qualidade, risco e relevância dos dados e produzir uma pontuação de veracidade de dados para quantificar a qualidade dos mesmos e acompanhar melhorias ao longo do tempo. É esta combinação de propriedade e responsabilidade claras, juntamente com soluções para avaliar a veracidade dos dados, que pode ajudar a provar a qualidade dos mesmos e estabelecer confiança para os utilizadores empresariais.

3) Como podemos aproveitar a inovação nas nossas plataformas de dados?

Embora a cultura e a qualidade dos dados sejam importantes para a concepção de uma estratégia de dados sólida, a inovação das plataformas é essencial para a sua futura protecção. Ao aproveitar novas fontes de dados, diversificando as tecnologias subjacentes e aplicando novas abordagens técnicas, é possível fornecer percepções mais nítidas e quase em tempo real em toda a empresa.

Onde podem as empresas encontrar novas fontes de dados para alimentar esta inovação? Recomendamos que se recorra a fontes de dados não estruturadas que permaneceram inalteradas até agora. Por exemplo, dentro dos limites legais, as empresas podem utilizar imagens de câmaras e vídeo para avaliar a qualidade e funcionalidade do que está a ser fabricado na linha de produção.

Ou, se as empresas já esgotaram as valiosas fontes de dados internas, podem procurar trazer dados de confiança de terceiros para complementar ou afinar os conhecimentos que já possuem. Podem também procurar incorporar dados da borda, cuja análise em tempo real dos dados dos sensores pode ajudar, por exemplo, a prever a manutenção de vários equipamentos industriais e de produção de energia para melhorar as operações.

Depois, pensem no consumo e gestão desses dados. Há cinco a 10 anos, a maioria das organizações utilizava o processamento em grupo através de processos de extracção/ transformação/carga (ETL). Mas estão a ser rapidamente disponibilizadas novas plataformas e capacidades, capazes de tornar os processos mais eficientes e eficazes. E, à medida que novas técnicas de fontes abertas se forem tornando mais generalizadas e comercialmente viáveis, então passará a ser mais fácil para as empresas aproveitarem as últimas inovações e conjuntos de dados de uma forma completa.

Os algoritmos de aprendizagem de máquinas podem então ser aplicados para mobilizar e transformar os dados em perspectivas que de outra forma não seriam exploradas – executando tarefas como a avaliação de risco ou a análise de sentimentos – tudo isto enquanto se optimiza continuamente as perspectivas através de círculos de feedback.

A Vodafone é um excelente exemplo de uma empresa que aproveita desta forma a inovação das plataformas. Para melhorar a experiência do cliente, a Accenture ajudou a empresa a criar o IntelligentCare, uma solução que utiliza analítica e tem como objectivo final orientar os clientes para o melhor canal possível, sempre mediante as suas necessidades individuais.

Melhorar a capacidade de prever a razão pela qual os clientes contactam a Vodafone permitiu à empresa ser mais pró-activa e evitou que os clientes tivessem de fazer uma chamada. Menos de um ano após o seu lançamento, as chamadas recebidas diminuíram em 1,5 milhões e a utilização de canais digitais aumentou em 26%.

4) Como aproveitar os serviços da cloud para as nossas plataformas de dados?

Muitas organizações estão a planear ou a executar uma estratégia de “passagem para a cloud” em toda a empresa; estas passagens tendem a concentrar-se na migração de aplicações para a cloud para obter flexibilidade e reduzir os custos de alojamento. Defendemos a expansão desta abordagem para nos concentrarmos no valor incremental de uma “passagem para a inteligência”. Isto requer pensar para além das actuais aplicações da IA e analítica dentro da organização e contemplar a melhor maneira de explorar novos conjuntos de dados. A abordagem de “passagem para a inteligência” depende de um maior fluxo de dados a armazenar e inclui uma variabilidade inerente na procura de processamento computacional – um alinhamento natural com a mudança para serviços na cloud. Contudo, também levanta várias perguntas fundamentais que devem ser abordadas na estratégia de dados: Quais os dados que vão para a cloud, e quais os que não vão? Que fornecedor de cloud utilizamos? É melhor ser multi-cloud para evitar silos e explorar capacidades mais amplas? Como gerimos a segurança e o movimento de dados, tanto no local como potencialmente em vários fornecedores de cloud?

Embora as empresas comecem muito provavelmente com um fornecedor de cloud, é importante reconhecer que podem acabar por utilizar vários. Já vimos casos em que as empresas começam a construir a sua plataforma de cloud computing com um grande fornecedor dessa tecnologia – alojando nele grande parte dos seus dados – apenas para mais tarde perceberem que querem integrar capacidades de outro fornecedor de cloud computing. Como tal, é importante conceber uma forte estratégia multi-cloud no início para ter o nível certo de flexibilidade e modularidade mais tarde, caso cheguem a estas conjunturas. Sem ela, as empresas podem acabar com soluções de IA de alta qualidade que simplesmente não podem escalar eficientemente.

5) Quem é que é o grande responsável pela utilização ética dos dados?

É essencial ter responsabilidades claras na utilização ética de dados e ter uma equipa dedicada a definir a política correcta, a gestão e as estruturas de responsabilização ao longo de toda a cadeia de fornecimento de dados.

Por exemplo, ao pensar no consumo de dados – ou na deslocação de dados de uma fonte para uma área de descarga e testes de uma plataforma de dados – é necessário considerar quais os dados e as permissões imprescindíveis. Para o processamento de dados – ou a modelação de dados para os preparar para a criação de perspectivas – é preciso analisar os dados que têm de ser tornados anónimos ou encriptados.

Na fase de criação de perspectivas, que utiliza modelos analíticos, algoritmos de aprendizagem de máquina e visualizações, devem pensar em evitar o enviesamento na forma como as perspectivas são geradas. E com a publicação de perspectivas e a utilização das mesmas por parte de utilizadores empresariais, é preciso monitorizar se a perspectiva está a ser utilizada para o fim desejado e se os dados são mantidos em segurança.

Além de pensarem em toda a cadeia de abastecimento, a organização e a comunidade em geral precisam de aderir a este esforço: as melhores estruturas e políticas podem fracassar se não forem respeitadas por todos na empresa e não forem comunicadas aos consumidores, alguns dos quais podem já ser cépticos em relação à IA. Por exemplo, se as empresas quiserem acrescentar gravações de voz à sua plataforma de inovação, os clientes devem ser sensibilizados para este facto e ter a possibilidade de optar por não participarem. Este princípio está na base de novas regulamentações como o RGPD.

Sem uma utilização ética e responsável, as estratégias de dados e as soluções de IA podem funcionar tecnicamente, mas não produzir o resultado esperado.

NOTA FINAL

Ter uma estratégia de dados que suporte um projecto de IA é fundamental para a vantagem competitiva e, em última análise, ajudará a acelerar o tempo que demora a valorizar. Segundo a Accenture, 72% das Escaladoras Estratégicas (as que estão a escalar com sucesso a IA nas organizações) afirmaram que uma base de dados central tem sido a chave do sucesso.

Responder a estas cinco perguntas ao embarcarem numa estratégia de dados nova – ou actualizada – ajudará a garantir que estão bem posicionados para escalar com confiança e rapidez.

Artigo publicado na Revista Executive Digest n.º 177 de Dezembro de 2020