Entregar Projetos de IA

Ler a transcrição:

Estamos a experimentar transcrever os nossos podcasts através de um programa de software. Pedimos desculpa por quaisquer erros tipográficos, uma vez que o bot não está correto 100% do tempo.

Galen Low: Tem tido novamente aqueles sonhos. Sabe, aquele em que todos os outros gestores de projeto da sua equipa são ciborgues? Ou aquele em que o produto de IA que a sua equipa está a desenvolver ganha consciência e escraviza a humanidade?

Relaxe.

É certo que a inteligência artificial é um tema muito falado atualmente, mas existe sob alguma forma há várias décadas. E está por todo o lado: sugere frases para os seus e-mails, recomenda-lhe vídeos e calcula a melhor rota para chegar ao trabalho.

Mas sim, entregar projetos que envolvem IA é uma grande responsabilidade e, francamente, uma inevitabilidade. E, tal como acontece com qualquer tecnologia em rápida evolução, nem todos os projetos estão destinados a ter sucesso. Por isso... essa pressão que sente é válida e real.

Se é uma pessoa que está a tentar compreender a inteligência artificial e a forma como irá afetar a gestão de projetos digitais, o episódio de hoje é para si. Vamos analisar as razões pelas quais os projetos de IA falham e o que nós, enquanto gestores de projeto, podemos fazer para dar aos nossos projetos relacionados com IA a melhor oportunidade de sucesso.

Olá a todos, obrigado por nos acompanharem. O meu nome é Galen Low e represento o Digital Project Manager. Somos uma comunidade de profissionais digitais com a missão de nos ajudarmos mutuamente a adquirir competências, confiança e ligações, para podermos ampliar o valor da gestão de projetos num mundo digital. Se quiser saber mais sobre isto, visite thedigitalprojectmanager.com.

Está bem. Hoje vamos falar de projetos que envolvem inteligência artificial e de como as práticas ágeis podem ajudar a lidar com algumas das complexidades da criação de um produto baseado em IA.

Estão comigo Kathleen Walch e Ron Schmelzer, sócios-gerentes e analistas principais da Cognilytica, além de apresentadores do AI Today — um podcast dedicado a perspetivas práticas e do mundo real sobre o que está a acontecer no mundo da inteligência artificial.

Kathleen, Ronald, sejam bem-vindos!

Ronald Schmelzer: Obrigado pelo convite.

Kathleen Walch: Sim, estamos muito entusiasmados por estar aqui.

Galen Low: É ótimo ter-vos no programa. Para quem está a ouvir, estivemos agora mesmo a falar apaixonadamente sobre podcasts, porque o Ron e a Kathleen fazem podcasts sobre IA há cerca de seis anos, não é?

Kathleen Walch: Sim, praticamente.

Galen Low: Por isso, tenho recolhido todas as vossas dicas e segredos e estou a sentir-me um pouco pressionado.

Estou a sentir-me inseguro, mas pensei em começar já. A IA é um tema muito interessante atualmente no mundo da gestão de projetos, talvez em todo o mundo. O vosso podcast tem imensos ouvintes. Toda a gente está realmente a tentar acompanhar este fenómeno que se move muito rapidamente e que é, em geral, bastante mal compreendido.

Mas antes de entrarmos no tema, gostaria de saber se nos poderiam falar um pouco sobre a Cognilytica. O que vos levou a criar a organização e como ajudam as pessoas a navegar no mundo da inteligência artificial?

Kathleen Walch: Claro. A Cognilytica existe há aproximadamente tanto tempo como o nosso podcast, desde 2017. Começou porque o Ron e eu já tínhamos trabalhado juntos numa empresa chamada Tech Breakfast, que era essencialmente um evento de demonstrações realizado de manhã.

Era muito empreendedor, não necessariamente focado em IA, mas em tecnologia em geral, para mostrar e destacar o que estava a acontecer em diferentes regiões dos Estados Unidos. Estávamos em cerca de 12 locais, desde Boston a Nova Iorque, à área de Washington DC, ao norte da Virgínia e a Maryland. Também tínhamos presença no Texas, na Carolina do Norte e, naturalmente, no Silicon Valley.

Foi através da Tech Breakfast que começámos a observar muita atividade relacionada, em particular, com assistentes de voz e tecnologia de voz. E dissemos: está bem, talvez haja aqui alguma coisa. Foi assim que começaram as origens da Cognilytica. A Cognilytica começou como uma empresa de investigação, consultoria e educação focada em IA. O que rapidamente percebemos foi que as pessoas que geriam projetos de IA — sendo que o termo inteligência artificial foi criado em 1956 — estavam a fazê-lo de forma incorreta.

O conceito não é novo. Existe há décadas, mas ainda parece novo. E penso que, para muitas pessoas, talvez o seja. Nunca tinham realmente tido contacto com ele. Foi apenas na última década, mais ou menos, que começou a tornar-se comum. As pessoas interagem diariamente com isto através de assistentes de voz, dos seus telefones e de diferentes tecnologias de reconhecimento facial.

O que descobrimos foi que as pessoas não estavam a gerir corretamente os projetos de IA e havia uma taxa elevada de insucesso. Por isso, dissemos: está bem, vamos recuar e perceber o que se está a passar e por que razão isto acontece. No nosso podcast, temos uma série sobre falhas de IA que aborda as razões mais comuns pelas quais os projetos de IA falham.

Isto pode estar relacionado com a qualidade e a quantidade dos dados. Talvez o retorno do investimento não seja suficiente. As pessoas querem fazer IA apenas para fazer IA. Outra razão importante era que, por algum motivo, as pessoas prometiam demasiado e entregavam de menos: prometiam em excesso aquilo que a IA podia fazer. Ficavam muito entusiasmadas com a tecnologia e depois não conseguiam entregar o prometido, talvez porque o projeto estava fora do âmbito.

Tinham assumido mais do que conseguiam concretizar. Por isso, dissemos: está bem, temos de nos concentrar na educação fundamental e mostrar e ensinar realmente às pessoas como fazer IA corretamente, o que inclui seguir metodologias de boas práticas. Vou deixar o Ron apresentar-se e desenvolver este ponto.

Ronald Schmelzer: Foi uma introdução fantástica.

Sou Ron Schmelzer, também sócio-gerente da Cognilytica. Uma das coisas que descobrimos, e parte da razão pela qual penso que o podcast cresceu tanto, é que passamos muito tempo a explicar conceitos e terminologia.

Alguns termos são confusos. Como costumamos dizer, alguns são quase, honestamente, intencionalmente confusos. Usamos as mesmas palavras para significar coisas diferentes e palavras diferentes para significar as mesmas coisas, porque a inteligência artificial é, na realidade, uma coleção de várias comunidades relacionadas, mas diferentes. Temos as pessoas da robótica tradicional e as pessoas envolvidas em sistemas de controlo.

Temos todo o grupo de estatísticos que trazem a sua experiência em análise. Temos linguistas e especialistas em linguagem natural. E temos pessoas que trabalharam em cibernética e sistemas de controlo. Cada grupo usa palavras diferentes para descrever coisas semelhantes, mas ninguém costuma resolver o problema. Limitam-se a juntar tudo.

Entretanto, muitos investigadores passam subitamente a trabalhar em grandes empresas como a Microsoft, a Amazon, a Google e o Facebook, quando as pessoas ficam entusiasmadas com a IA e investem enormes quantias de dinheiro, por vezes milhares de milhões de dólares, e essas empresas começam a executar projetos.

Como a Kathleen mencionou, passamos grande parte do nosso tempo na área da educação. Lançámos muito cedo, na história da Cognilytica, formação sobre os fundamentos da inteligência artificial, aplicações de IA e temas semelhantes.

Essa formação cresceu muito rapidamente e acabámos por formar governos, grandes instituições governamentais — federais, estatais, locais e internacionais — na Austrália, no Reino Unido, em Singapura e em muitos outros países, além de grandes organizações e empresas. Seria de esperar que, depois de todos estes anos, soubessem o que estava a acontecer.

Mas, naturalmente, entramos numa organização e ficamos surpreendidos. Pensamos: como podem estar a fazer tudo isto sem terem bases fundamentais sobre o tema? Foi isso que nos levou a esta metodologia, sobre a qual iremos falar durante algum tempo: como gerir estes projetos de IA. Muitas destas organizações tinham em comum o facto de cometerem repetidamente os mesmos erros.

E não é porque não tenham pessoas inteligentes; têm imensas pessoas inteligentes. Alguns dos investigadores mais brilhantes e conhecidos da área trabalham para estas empresas e dispõem de tecnologia excelente. Por isso, a culpa tem de ser de outra coisa. E, como todos sabem, o ingrediente secreto que faz grande parte disto funcionar é o gestor de projeto. É por isso que estamos aqui.

Galen Low: É curioso mencionarem que a inteligência artificial teve origem e recebeu o seu nome na década de 1950. Estou a imaginar algo semelhante a tecnologia de ficção científica, que passa da ficção à realidade. E, de certa forma, esta ideia de IA e de por que razão os projetos de IA falham é algo que iremos abordar.

Estou a pensar na teleportação, algo que foi criado na ficção e que alguém tenta tornar realidade. A fixação está em fazê-lo acontecer, em vez de o ligar à razão pela qual queremos a teleportação e ao impacto que pode ter no negócio.

E em como ligamos isso à forma de colocar essa tecnologia em utilização.

Ronald Schmelzer: Estamos, na verdade, a ver isso agora. Surgiram notícias esta semana sobre uma das empresas de veículos autónomos que faliu. A Argo, avaliada em mil milhões de dólares, encerrou, despediu 2000 pessoas e vendeu a equipa e a tecnologia à Ford e à VW.

Havia um grande artigo a dizer que talvez o entusiasmo tivesse desaparecido e que os veículos autónomos poderiam não acontecer. Mas isso vai ao encontro do que referiu. Sei que a Kathleen gosta particularmente da ideia de veículos autónomos, mas parece que lhes falta o condutor — e não é apenas um trocadilho.

Porque, em termos de negócio, também não têm um impulsionador empresarial. Não há condutor no banco da frente e também não há uma razão de negócio a impulsioná-los. Portanto, será apenas a busca? É a busca que importa? Ou precisamos de obter algum retorno para que funcione?

Galen Low: Gosto muito disso. E, para desenvolver essa ideia, penso que muitos dos nossos ouvintes, na verdade as pessoas em geral, ouvem falar de projetos de IA e pensam em veículos autónomos, design conversacional, robôs de conversação e coisas desse género.

Mas é uma área muito abrangente. A inteligência artificial não se limita a isso. Talvez pudéssemos estabelecer uma base comum para os ouvintes: quando falamos sobre como entregar projetos que envolvem inteligência artificial, que outros tipos de projetos estamos a considerar? Que outros exemplos existem?

Kathleen Walch: Sim. Também tivemos dificuldades com isso no início, porque quando as pessoas falam de IA podem estar a falar de duas coisas diferentes. Podem estar a falar de robôs de conversação com IA ou de veículos autónomos, que eu adoro e pelos quais estava muito entusiasmada.

Ou podem estar a falar de outra coisa, como manutenção preditiva. Tudo isto se enquadra na categoria geral de IA, mas não é a mesma coisa. Isso pode dificultar as conversas sobre inteligência artificial. Por isso, criámos os sete padrões de IA, porque todos os projetos que observámos se enquadram num ou mais desses sete padrões.

Em termos gerais, temos sistemas conversacionais: computadores a falar com pessoas, pessoas a falar com computadores e também comunicação entre pessoas, como acontece na tradução automática. Temos sistemas autónomos, cujo objetivo é retirar o ser humano do sistema. Pense-se, por exemplo, nos veículos autónomos, embora também possa existir software autónomo.

Podemos encaminhar automaticamente elementos pelo percurso mais otimizado, eliminar estrangulamentos nos fluxos de processos e fazer coisas semelhantes. Depois temos o reconhecimento, que consiste sobretudo em compreender dados não estruturados, sendo que a maioria dos dados que temos atualmente é não estruturada.

Pense-se na visão computacional, como o reconhecimento facial. Temos também sistemas orientados para objetivos, que utilizam aprendizagem por reforço para encontrar o caminho mais otimizado através de um labirinto. Os jogos são um grande exemplo.

Temos ainda padrões e anomalias, em que procuramos padrões nos dados e identificamos valores atípicos. Temos o padrão de hiperpersonalização, em que deixamos de agrupar as pessoas em grupos e categorias e passamos a tratá-las como indivíduos. É natural pensar na segmentação de anúncios, mas podemos ir mais longe e considerar medicina ou cuidados de saúde hiperpersonalizados.

Por fim, temos a análise preditiva, que utiliza dados passados ou atuais para ajudar as pessoas a fazer previsões melhores.

Quando pensamos desta forma, torna-se mais fácil compreender que uma aplicação de processamento de linguagem natural pertence ao padrão conversacional. Isto também ajuda a simplificar o caminho para o sucesso de um projeto de IA: que dados são necessários, que algoritmos selecionar e quem deve fazer parte da equipa. Ao dividir o problema desta forma, conseguimos estabelecer uma base comum para a conversa.

Galen Low: Gosto da palavra padrões porque inicialmente pensei em padrões como computadores, padrões e tendências. Mas, se estou a compreender corretamente, é quase como costura: temos um padrão para um vestido e outro para um par de calças, e isso orienta-nos numa determinada direção porque nos dá um ponto de partida, em vez de termos apenas um pedaço retangular de tecido. Estou a inventar isto?

Ronald Schmelzer: Não, essa palavra, padrão, é uma daquelas palavras inglesas que usamos de forma geral e especializada. Não é uma imagem mental descabida. Às vezes também penso num molde, porque surge quando tentamos fazer com que os sistemas de aprendizagem automática aprendam com dados. Na prática, todos estes elementos são formas de reconhecimento de padrões e de realização de tarefas com padrões.

Mas o padrão é importante porque, se estou a tentar aprender um padrão linguístico, não posso aplicar esse modelo ao reconhecimento de imagens. Existe um objetivo geral da inteligência artificial chamado inteligência artificial geral, a ideia de que poderíamos ter um sistema capaz de aprender qualquer coisa.

Se pensarmos na forma como o cérebro funciona, temos regiões especializadas para a visão e outras funções, mas temos um único cérebro. Não temos 20 cérebros diferentes nem precisamos de treinar uma parte para uma tarefa e outra parte para outra tarefa.

Estamos a tentar alcançar esta ideia de inteligência artificial geral, um sistema de inteligência geral capaz de aprender reconhecimento, conversação e tarefas autónomas. Mas ainda não conseguimos compreender exatamente como funciona o cérebro. Por isso, trabalhamos com ideias diferentes.

O que fazemos atualmente chama-se IA restrita: tentamos resolver padrões individuais. É por isso que são chamados padrões. Se algo é muito bom a jogar xadrez ou póquer, não podemos utilizá-lo para reconhecer imagens. Continua a existir um enorme salto entre as tarefas.

É como dizer: fabrico roupa. Está bem, sei geralmente do que está a falar, mas que tipo de roupa? Fabrico vestidos. Isso é muito diferente de fabricar casacos de inverno. São coisas diferentes. Não podemos decidir de repente começar a fabricar meias.

É aí que estamos. É uma boa analogia.

Galen Low: Isso torna tudo ainda mais fascinante porque, como disse, não compreendemos tudo sobre o funcionamento do cérebro e, mesmo assim, estamos a tentar construí-lo peça a peça. A busca pela inteligência artificial geral é quase uma busca para aprender a construir um cérebro. Estamos a começar por regiões e funções localizadas, mas eventualmente isso poderá evoluir para algo mais geral.

Uma coisa que referimos anteriormente foi a entrega de projetos e algumas das desconexões, conceções erradas e áreas problemáticas associadas à entrega de um projeto que envolve IA. Como é que a entrega de um projeto de IA difere da entrega de outros projetos ou até de outros projetos digitais?

Quais são algumas das principais características destes projetos que os gestores de projeto precisam de conhecer para terem sucesso?

Ronald Schmelzer: Esta é obviamente a questão fundamental e uma das razões pelas quais estamos aqui. Existem pessoas excelentes a tentar resolver problemas complexos, mas estão a falhar de formas muito visíveis. Pode encontrar dados que indicam que entre 70% e 80% de todos os projetos de IA falham. Por falhar, quero dizer que são cancelados, que empresas encerram ou que muitas pessoas são despedidas.

Esse é um grande fracasso. Mas existem fracassos menores: projetos interrompidos e pessoas transferidas. Descobrimos que grande parte do problema se resume a questões fundamentais de gestão de projetos. Existem duas questões. Por um lado, as pessoas de IA e de dados não conhecem a gestão básica de projetos. Por outro, os gestores de projeto contratados tratam um projeto de IA como qualquer outro projeto ou como um projeto digital.

Existem diferenças fundamentais. A maior é que os sistemas de IA dependem totalmente dos dados. Pode dizer-se que todos os sistemas digitais dependem de dados, mas isso não é verdade. É possível criar um website, uma aplicação móvel ou um serviço na nuvem que movimenta elementos sem ter dados, ou tendo muito poucos dados, no primeiro dia. Os dados posteriores podem não alterar a forma como o sistema funciona.

Um sistema de aprendizagem automática aprende tudo com os dados. Mesmo que duas pessoas construam exatamente o mesmo robô de conversação, utilizando a mesma tecnologia, se uma utilizar um conjunto de dados de treino e a outra utilizar um conjunto diferente, os resultados e as taxas de sucesso podem ser completamente diferentes. No caso da Microsoft e do seu conhecido robô Tay, deixaram a Internet treiná-lo.

O que acha que aconteceu? Em 24 horas, o robô teve de ser retirado porque começou a publicar conteúdos racistas e outras coisas terríveis. Nunca se deve deixar algo aberto à Internet dessa forma.

Aprendemos que os projetos de IA têm de ser geridos a partir de uma perspetiva centrada nos dados. Isso significa coisas muito específicas. Kathleen, pode explicar o que significa gerir corretamente um projeto centrado nos dados?

Kathleen Walch: Para gerir um projeto centrado nos dados, é necessário ter uma mentalidade orientada para os dados, bem como metodologias e práticas específicas para dados.

Descobrimos que muitas pessoas não faziam isso. Geriam os projetos com a mentalidade tradicional de projetos de aplicações de software e, por isso, falhavam. Somos defensores de fazer IA corretamente. Não queremos que existam tantos fracassos.

Por isso, defendemos a metodologia CPMAI, ou gestão cognitiva de projetos para IA. Também descobrimos que algumas pessoas, especialmente há alguns anos, ficavam confusas sobre se deviam começar pela compreensão do negócio ou pela compreensão dos dados.

Como dizemos que os dados são o coração da IA, pensavam que os dados eram o elemento mais importante e que deviam começar por aí. Mas a compreensão do negócio vem primeiro, porque, se não estivermos a resolver um problema real, por que razão estamos a fazê-lo?

As pessoas deixam-se envolver pelo entusiasmo da IA. A direção diz-lhes que quer fazer IA, ou veem a tecnologia nas notícias e pensam que devem avançar. Mas, se não estiverem a resolver um problema real, vão gastar tempo, dinheiro e recursos a construir algo sem uma aplicação útil.

Se não houver o retorno do investimento esperado, provavelmente nunca voltarão a executar outro projeto de IA. A direção irá perguntar: gastaram cinco milhões de dólares para fazer o quê?

Essa é outra razão pela qual os projetos falham.

Galen Low: É curioso pensar no contexto em geral. De certa forma, todas as áreas, disciplinas e especializações vieram de um mundo em que trabalhávamos com palas, tentando realizar uma tarefa sem compreender o contexto mais amplo.

A gestão de projetos também é, em certa medida, culpada disso. Vemos um gabinete de gestão de projetos empresarial a dizer: está bem, aqui estão os recursos; lidere este projeto até ao sucesso. Mas isso não considera necessariamente o que implica gerir um projeto de dados em comparação com a criação de um website ou a implementação de um CRM.

Tratámos a gestão de projetos como uma competência uniforme, sem reconhecer a curiosidade e a especialização necessárias, nem a importância de compreender o contexto.

Tanto os grupos de cientistas de dados como os gestores de projeto podem não ver o panorama geral se não estiverem atentos à estratégia empresarial e aos objetivos da organização, e não apenas aos objetivos do projeto. Os veículos autónomos podem mudar de direção num instante. Quando falamos de IA, tudo está constantemente a mudar. A concorrência é intensa e as coisas mudam muito rapidamente.

Sem compreender esse contexto, podemos estar simplesmente a fazer algo e, de repente, deixar de ser necessário fazê-lo, perguntando-nos o que aconteceu.

Ronald Schmelzer: Esta questão surge mesmo quando não estamos a executar um projeto de IA, mas apenas um grande projeto de dados. Os projetos de IA são, na realidade, um tipo de projeto de grandes volumes de dados.

Se não existir uma perspetiva centrada nos dados, os problemas tornam-se evidentes. Podemos dizer que só precisamos de determinados dados para criar um modelo preditivo, um sistema de recomendações ou um robô de conversação. Mas já tentámos obter esses dados? Temos acesso a eles? Já os vimos?

Depois o projeto começa e percebemos que faltam metade dos dados, que são de má qualidade ou que não temos acesso a eles. Talvez contenham informação privada e seja necessário considerar a privacidade e a segurança. O projeto, que parecia avançar com entusiasmo, passa a depender da capacidade de aceder e limpar os dados.

Podemos ter o melhor produto em mente, mas se estivermos a trabalhar com imagens médicas e não conseguirmos aceder-lhes, se forem informações de saúde protegidas ou de má qualidade, teremos de parar o projeto. Poderá ser necessário iniciar outro projeto para limpar os dados, recolher novos dados ou proceder à sua etiquetagem. De repente, percebemos que não tínhamos orçamentado o tempo nem os recursos necessários.

Passam 12 ou 18 meses sem produzir nada. Continuamos a tentar limpar e obter dados, até que talvez a necessidade do projeto desapareça e o mercado mude.

A Walmart tinha um robô para digitalizar prateleiras de inventário. Gastou milhões de dólares e anos no projeto, mas acabou por cancelá-lo porque não conseguiu fazê-lo funcionar.

Se falhou para a Walmart, também pode falhar para nós. A questão é: como poderíamos ter feito isto de forma mais ágil e iterativa? O nosso lema é: pensar em grande, começar pequeno e iterar frequentemente.

Talvez pudéssemos ter começado com um conjunto de dados mais pequeno. Talvez não fosse necessário começar com todo o sistema autónomo. Poderíamos ter utilizado um carrinho com uma câmara para digitalizar as prateleiras. Não seria necessário resolver todos os problemas difíceis da robótica.

É aí que começamos a decompor os padrões e a separar o padrão de reconhecimento do padrão autónomo.

Galen Low: A fasquia para a IA é muito elevada. É como se, ao iniciar um projeto de IA, tivéssemos de construir um robô que cozinhasse o pequeno-almoço. Entretanto, como disseram, a primeira iteração poderia ser apenas uma sugestão personalizada de receita que a pessoa prepara sozinha.

Vamos começar de forma muito pequena. Referiram um ponto muito importante sobre a agilidade. Identificaram que a agilidade é uma boa abordagem porque as coisas mudam rapidamente e precisamos de valorizar as iterações.

É a metodologia perfeita? Ou em que situações pode a agilidade falhar no mundo da IA?

Kathleen Walch: Muitas organizações são ágeis, ou pelo menos querem sê-lo. Descobrimos que algumas ainda não o são. Utilizamos frequentemente o termo "wagile", uma combinação de abordagem em cascata e ágil: querem ser ágeis, mas não são.

Como o Ron referiu, alguns projetos demoram demasiado tempo. Doze ou 18 meses é demasiado. A agilidade tem um papel importante, mas precisa de ser reforçada para projetos de IA. Temos de reconhecer que são projetos de dados e geri-los como tal, incorporando simultaneamente a mentalidade ágil.

Ronald Schmelzer: Gostamos de pensar nisto como uma visualização estranha. Imagine-se a agilidade como uma espiral que gira continuamente. Temos o projeto principal, que pode incluir a criação de um modelo de aprendizagem automática ou de um sistema de IA.

A IA não é o objetivo final; é um meio para alcançar outro objetivo. Se estamos a tentar diagnosticar algo, a aplicação é o diagnóstico, mas o elemento importante é a caixa negra que realiza esse diagnóstico.

Podemos imaginar duas espirais entrelaçadas. Uma é a iteração do projeto principal e a outra é a caixa negra, o modelo de aprendizagem automática. Têm calendários diferentes. Não precisam de iterar com a mesma frequência nem de produzir os mesmos resultados.

Uma pode ser orientada pela funcionalidade. Podemos dizer à equipa de IA: na primeira iteração, dêem-nos algo básico. Não o tornem demasiado inteligente. Talvez seja um robô de conversação que responde sempre exatamente da mesma forma. Mais tarde, podemos torná-lo cada vez mais inteligente.

Assim, as duas áreas podem avançar através das suas próprias iterações. Uma metodologia como a CPMAI fornece o ciclo de vida dos dados dentro de um sprint ágil. Não substitui a agilidade; indica o que fazer durante cada iteração.

É um processo passo a passo: compreender as necessidades do negócio, realizar a decisão de avançar ou não com a IA, compreender os dados, preparar os dados, desenvolver o modelo, avaliar o modelo e operacionalizá-lo. Depois repete-se o ciclo.

Galen Low: Gosto da ideia de utilizar estruturas para orientar o pensamento. No meu mundo, o da gestão de projetos, existem pessoas que seguem os modelos à letra. Mas isso não lhes permite adotar o verdadeiro princípio da agilidade: adaptar-se, acompanhar a evolução e mudar quando necessário.

Precisamos de normas, boas práticas e orientações, não para as seguir rigidamente, mas para as utilizar como considerações. Quando falam de wagile, penso que, se não tivermos compreendido os dados desde o início, o projeto pode sofrer alterações enormes no prazo e nos custos.

Isso significa que existe uma componente em cascata para a recolha de dados? Não necessariamente. Também pode haver iterações. É apenas uma parte diferente do projeto. Estamos tão habituados a pensar de forma linear que, quando tentamos compreender as espirais entrelaçadas, ficamos confusos.

Podemos iterar em qualquer fase. Talvez não estejamos a iterar na caixa negra que faz o diagnóstico, mas sim no caso de negócio. As duas áreas podem estar interligadas porque o negócio está a mudar e precisamos de começar a construir a caixa negra.

Esse entrelaçamento é importante. Muitas pessoas pensam: faremos uma coisa e, separadamente, faremos outra; depois ligamo-las e esperamos que tudo corra bem. Mas as coisas podem acontecer ao mesmo tempo e nada fica verdadeiramente fixo.

Precisamos apenas de comunicar uns com os outros.

Ronald Schmelzer: Exatamente. O que normalmente faz as pessoas tropeçar são os pressupostos. Podem dizer: para este projeto, tenho petabytes de informação e preciso de utilizar redes neuronais de aprendizagem profunda. São sofisticadas e avançadas, mas limpar e transformar os dados e treinar os modelos demora muito tempo e é dispendioso.

As pessoas tratam isso como uma sequência em cascata. Mas existem muitos pressupostos. Talvez, na primeira iteração, não sejam necessários todos os petabytes nem a rede mais sofisticada. Estamos apenas a tentar provar algo básico: a previsão funciona? As pessoas irão utilizá-la?

Podemos começar com uma árvore de decisão, algo muito básico, e utilizar megabytes em vez de petabytes. A primeira iteração será mais rápida e menos dispendiosa. Como não estamos a utilizar aprendizagem profunda, talvez seja possível treinar o modelo num computador portátil.

Não estamos a dizer que este é o objetivo final; é apenas a primeira iteração. Podemos verificar os pontos de integração antes de avançarmos demasiado.

No exemplo do avião, uma corda poderia ligar temporariamente a parte dianteira à parte traseira. Mais tarde, substituímo-la pelo cabo. A primeira iteração dir-nos-ia qual deve ser o comprimento do avião. É uma ideia semelhante a utilizar uma corda antes do cabo.

Kathleen Walch: Seguir uma abordagem passo a passo ajuda todos a compreenderem o que é necessário e a manterem-se alinhados. Tudo fica definido e não estamos a improvisar projetos de forma ad hoc.

Na compreensão do negócio, sabemos o que fazer. Na compreensão dos dados, sabemos o que fazer. Assim evitamos descobrir, cinco meses depois, que não entregámos nada ou que gastámos cinco milhões de dólares.

Mesmo chegar à fase de compreensão dos dados pode demorar meses, porque ainda não estamos a preparar os dados; estamos apenas a tentar aceder-lhes. Por vezes, é necessária uma mudança cultural dentro da organização. É importante obter o apoio da liderança.

Também podemos começar com uma pequena quantidade de dados a que já tenhamos acesso, evitando de imediato o problema dos silos de dados e do acesso a dados que pertencem a outras pessoas na organização.

Galen Low: Isso é uma boa forma de abordar a conversa mais difícil: por vezes, as expectativas não estão alinhadas. A direção pode esperar um robô e receber um carrinho que digitaliza códigos UPC. Ou a equipa pode prometer algo extraordinário e, cinco milhões de dólares mais tarde, ninguém sabe onde está o resultado.

Como podem as pessoas equilibrar as expectativas? Que conhecimento precisam de ter e com quem devem falar? Como podem evitar dizer simplesmente que tudo vai correr bem e depois executar um projeto ad hoc sem orientação?

Kathleen Walch: Primeiro, precisam de compreender o que a IA pode e não pode fazer. Não é uma tecnologia universal. Se precisam que algo seja feito exatamente da mesma forma todas as vezes, talvez devam programar uma solução ou utilizar uma automação simples. A IA é probabilística, não determinística.

É importante compreender que a IA pode não ser a melhor solução para o problema. E, se não for, tudo bem. Temos de ser honestos. Por vezes, as pessoas tentam fazer a IA funcionar quando não deveria, o que provoca muitos problemas.

Uma das principais razões pelas quais a IA falha é a promessa excessiva e a entrega insuficiente. Isso contribui para os chamados invernos da IA, períodos de declínio do investimento, da investigação e do financiamento. Já tivemos dois invernos da IA e estamos atualmente numa espécie de primavera da IA.

Se continuarmos a prometer demasiado e a entregar de menos, poderemos entrar noutro inverno da IA. Por isso, devemos definir expectativas realistas, delimitar corretamente o projeto e compreender o problema que estamos a tentar resolver. Se a IA for a tecnologia certa, devemos seguir boas práticas para alcançar o sucesso.

Galen Low: Gosto da responsabilidade da equipa que entrega o trabalho. É semelhante à confiança dos investidores: se dececionarmos as pessoas, elas ficarão mais receosas em relação à IA e deixarão de investir nela.

Ronald Schmelzer: Compreendemos por que razão as pessoas se deixam envolver pela promessa. Muitos problemas difíceis dependem de capacidades humanas. Se conseguirmos que as máquinas os resolvam, poderemos concretizar o sonho da transformação digital.

À medida que automatizamos as tarefas mais simples, ficam as mais difíceis, ligadas a processos dependentes de pessoas ou de papel. Para alcançar o próximo nível de produtividade, precisamos de máquinas mais inteligentes.

Mas também percebemos os riscos. Grandes organizações podem confiar excessivamente na tomada de decisões algorítmica, e o algoritmo pode cancelar uma conta do YouTube ou encerrar uma conta do PayPal sem possibilidade de recurso.

Uma abordagem mais equilibrada é a inteligência aumentada, que mantém o ser humano no circuito e reduz a sua carga de trabalho. É uma forma mais gradual de avançar, porque as pessoas sentem que continuam a ter algum controlo.

Galen Low: Podemos falar sobre a resistência? Os invernos da IA e a ausência de recurso quando a IA funciona mal podem criar resistência. As pessoas podem pensar que ainda não é possível confiar nela.

Também existe uma resistência cultural nas equipas. Algumas pessoas podem considerar a IA assustadora ou perigosa e não querer dar o seu melhor nesse trabalho, receando um momento semelhante ao de Oppenheimer. Ao mesmo tempo, como lidamos com alguém que está muito entusiasmado com IA quando ela não é a solução adequada?

Kathleen Walch: Há muito a considerar. Em primeiro lugar, é necessário obter o apoio da liderança, porque existem muitos receios e preocupações relacionados com a IA. Alguns são emocionais e outros mais racionais. Temos de abordar ambos.

As pessoas não querem sentir que a tecnologia lhes vai tirar o emprego. Embora vários estudos demonstrem o paradoxo da automação — organizações como a Amazon introduzem mais automação e acabam por contratar mais pessoas —, essa preocupação continua a existir.

Os seres humanos são bons em determinadas tarefas e as máquinas noutras. As máquinas podem executar tarefas repetitivas ou inseguras, como algumas operações num armazém, enquanto as pessoas se concentram em tarefas mais difíceis para as máquinas, como a última etapa da entrega ou atividades que exigem emoção.

Um robô de conversação com IA pode responder a perguntas simples, como o horário ou a morada de uma loja, enquanto uma pessoa trata de questões que exigem empatia e conversa humana.

Quando a liderança garante que a IA não será utilizada para substituir empregos, mas para ajudar as pessoas a desempenharem melhor as suas funções, alguns receios diminuem.

O feedback também é extremamente importante. É preciso eliminar as tarefas de que as pessoas não gostam, e não as tarefas de que gostam. Devemos falar com os utilizadores finais, identificar os pontos difíceis do trabalho e tentar eliminá-los através de automação ou de sistemas inteligentes.

As pessoas surpreendem-nos quando percebem que foram ouvidas e que a tecnologia lhes permite fazer melhor o seu trabalho e dedicar mais tempo às tarefas para as quais foram contratadas.

Ronald Schmelzer: Existe aqui uma ideia relacionada. Vivemos num momento em que existe um nível saudável de desconfiança em relação à gestão. Muitos empregadores fizeram um mau trabalho, especialmente durante a pandemia e com a transição para o trabalho remoto.

É importante distinguir entre o trabalho e a função. Se a função é melhorar o serviço e a relação com o cliente, a função não é introduzir dados. Se uma pessoa passa seis das suas oito horas diárias a inserir dados, não está realmente a desempenhar a sua função.

A automação básica, sistemas baseados em regras ou sistemas inteligentes podem proporcionar um retorno significativo, ao libertar tempo para tarefas de maior valor.

Muitas vezes interagimos com sistemas governamentais ou de grandes empresas e parece que a pessoa do outro lado está apenas a recolher informação, sem nos ajudar efetivamente. Se a tecnologia libertar o tempo dessas pessoas, elas poderão resolver problemas mais complexos e reduzir atrasos.

Isto está mais relacionado com gestão da mudança do que com IA. Alterar processos e introduzir IA ou automação em tarefas menos interessantes pode gerar retornos importantes para todos.

Galen Low: Talvez seja uma boa transição para a questão que todos os ouvintes estão a colocar: a IA irá substituir os gestores de projeto?

Kathleen Walch: As funções que exigem contacto e elementos humanos provavelmente não desaparecerão totalmente, mas podem mudar. A IA não elimina necessariamente empregos, mas pode eliminar categorias profissionais.

A tecnologia transformadora alterou sempre a forma como trabalhamos e vivemos. O computador pessoal eliminou muitas funções de secretariado, mas isso não provocou desemprego em massa. Foram criados novos empregos, como o de especialista de marketing nas redes sociais.

As funções podem mudar. A IA já está presente em todos os setores — banca, seguros, saúde, finanças, indústria automóvel, bens de consumo e comércio. A gestão de projetos não será diferente. A IA ajudará os gestores de projeto a fazerem melhor o seu trabalho e poderá substituir algumas tarefas, mas não necessariamente a função.

Ronald Schmelzer: Exatamente. Quanto mais projetos de IA existirem, mais gestores de projeto serão necessários, porque muitos projetos de IA falham devido a responsabilidades básicas de gestão de projetos.

É importante analisar como se passa o dia: reuniões, acompanhamento de projetos, definição de âmbito, análise e documentação. Estas atividades são importantes para a comunicação, mas algumas podem ser melhoradas ou parcialmente automatizadas.

Os sistemas de IA já conseguem transcrever atas de reuniões, fornecer visibilidade e melhorar a capacidade preditiva. Isso não elimina a função do gestor de projeto. A função consiste em conduzir o projeto até à conclusão bem-sucedida e manter um sentido de responsabilidade.

O gestor de projeto não é necessariamente o especialista no assunto, não executa todas as tarefas e também não pertence à liderança executiva. É o tecido conjuntivo que garante que as coisas acontecem. Quanto mais eficientes forem os gestores de projeto, mais eficiente será a organização.

O futuro gestor de projeto poderá ter uma função diferente, mas a função continuará a existir e irá evoluir.

Galen Low: É reconfortante saber que os papéis provavelmente estão seguros, mesmo que os empregos possam mudar. Para terminar, voltamos à necessidade de compreender a IA. Quanto mais as pessoas souberem, melhor conseguirão lidar com ela.

Como pode um gestor de projeto aprender o suficiente sobre IA para fazer as perguntas certas e considerar soluções simples antes de avançar para uma solução complexa?

Kathleen Walch: Essa é uma das principais razões pelas quais criámos a formação e certificação CPMAI. Destina-se a pessoas que não têm conhecimentos profundos de inteligência artificial, aprendizagem automática ou matemática avançada. Ensina os fundamentos da CPMAI e a forma de gerir projetos de IA.

Também temos um curso introdutório gratuito à CPMAI em AItoday.live/cpmai. Demora cerca de três horas e fornece uma visão abrangente da CPMAI e da sua aplicação aos projetos.

É uma abordagem passo a passo. Basta compreender as etapas e a ordem correta. Como o processo é iterativo, é possível regressar a etapas anteriores quando necessário. O curso inclui exemplos de como outras pessoas aplicam a metodologia.

Ronald Schmelzer: Também temos dedicado muito tempo, no nosso podcast, a explicar termos básicos. Criámos um glossário porque, mesmo neste episódio, mencionámos vários conceitos que podem ser novos para os ouvintes: inteligência artificial geral, invernos da IA, análise preditiva, os sete padrões e muitos outros.

Começámos talvez com uma centena de termos e rapidamente chegámos aos 300. No podcast AI Today, explicamos um termo ou um grupo de termos relacionados de cada vez. Até perguntamos o que são dados e grandes volumes de dados, porque é importante estabelecer bases sólidas.

Também gostaríamos de estar mais ligados à comunidade de gestão de projetos, participar em eventos e aproximar as comunidades de IA e de gestão de projetos. Não é necessário aprofundar tudo; compreender a terminologia já ajuda bastante.

Galen Low: Gosto muito dessa ideia de intercâmbio entre comunidades. Talvez possamos organizar um evento conjunto, misturar os nossos públicos e promover um bom diálogo. É assim que aprendemos uns com os outros e melhoramos o nosso trabalho.

Kathleen Walch: Sim, sem dúvida.

Galen Low: Ron, Kathleen, muito obrigado por participarem no programa. Foi muito divertido e esclarecedor. Tenho a certeza de que os nossos ouvintes retiraram muito valor desta conversa. Vou incluir ligações para o vosso podcast, para o AI Today e para a Cognilytica, para quem quiser aprofundar o tema.

Obrigado novamente por partilharem as vossas ideias e o vosso tempo.

Kathleen Walch: Obrigada. Foi muito divertido.

Galen Low: Então, o que acha?

Liderar um projeto de inteligência artificial exige uma abordagem específica para ter sucesso? Ou um projeto é simplesmente um projeto, com os mesmos desafios que qualquer outro?

Conte-nos uma história: quando é que uma ferramenta ou tecnologia baseada em IA criou problemas no seu projeto? E como resolveu a situação?

Se quiser aperfeiçoar as suas competências enquanto líder estratégico de projetos, junte-se à nossa comunidade!

Visite thedigitalprojectmanager.com/membership para ter acesso a uma comunidade de apoio que partilha conhecimentos, resolve desafios complexos e molda em conjunto o futuro da nossa profissão.

Desde modelos robustos e sessões de formação mensais que lhe poupam tempo e energia até ao apoio dos seus pares através das nossas discussões no Slack, eventos ao vivo e grupos de mentoria, ser membro da nossa comunidade significa ter mais de mil pessoas do seu lado enquanto desenvolve a sua carreira na entrega de projetos digitais.

Se gostou do que ouviu hoje, subscreva o podcast e mantenha-se em contacto através de thedigitalprojectmanager.com.

Até à próxima. Obrigado por nos ouvir.