A educadora de IA Kavita Ganesan fala sobre como descobrir oportunidades de IA em seus negócios

Tornar-se pronto para IA pode ser assustador no começo. O convidado de hoje compartilha uma estrutura repetível que ajuda você a aproveitar as oportunidades certas, medir seu sucesso e preparar o terreno para uma transição perfeita.

No ano passado, os rápidos avanços na IA generativa, incluindo o lançamento inovador do ChatGPT, colocaram a IA no centro das atenções de todos. No entanto, navegar no cenário da IA ​​pode ser intimidador para os líderes de negócios que não sabem por onde começar. A transição pode parecer esmagadora – desde a escolha dos problemas certos para a IA resolver até a construção de uma infraestrutura de dados robusta e a preparação das equipes para a mudança. É aqui que Kavita Ganesan entra.

Kavita é consultor de IA, educador e fundador da empresa de consultoria Opinosis Analytics. Com um Ph.D. em processamento de linguagem natural (NLP), tecnologias de pesquisa e aprendizado de máquina e mais de 15 anos de experiência, Kavita trabalha com organizações para ajudá-las a desmistificar a IA e implementá-la em suas estratégias de negócios. Na primavera do ano passado – curiosamente, alguns meses antes de todo o burburinho começar – ela publicou The Business Case for AI , um guia prático para líderes empresariais lançarem iniciativas de IA que gerem resultados.

Nele, Kavita descreve uma estrutura para identificar oportunidades de IA de alto impacto, enfatizando a importância de avaliar e enquadrar problemas de maneira eficaz para priorizar a implementação de soluções de IA alinhadas com seus objetivos de negócios, além de medir o impacto e o sucesso de cada iniciativa de IA. .

No episódio de hoje, conversamos com Kavita para falar sobre estratégias para líderes empresariais aproveitarem o potencial transformador da IA.

Aqui estão alguns dos principais tópicos:

• Comece a incorporar IA em seus negócios otimizando processos manuais repetitivos e abordando ineficiências identificadas por meio de feedback de clientes ou outras unidades de negócios.
• Para identificar oportunidades de alto impacto, avalie onde faz sentido implantar a IA e veja se elas se traduzem em ganhos comerciais tangíveis.
• Antes da implementação, você precisará enquadrar essas oportunidades para melhor articular os benefícios, os pontos problemáticos que você está abordando e quais métricas permitirão medi-los.
• O próximo passo é chamar especialistas para garantir que seja viável. Só então você pode classificar todas essas iniciativas e priorizar as mais benéficas.
• O sucesso nas iniciativas de IA depende de três pilares: desempenho do modelo, impacto nos negócios e satisfação do usuário.

Se você gosta de nossa discussão, confira mais episódios de nosso podcast. Você pode seguir no Apple Podcasts, Spotify, YouTube ou pegar o feed RSS no player de sua escolha. O que se segue é uma transcrição levemente editada do episódio.

O bug da IA

Liam Geraghty: Olá, bem-vindo ao Inside Intercom; Eu sou Liam Geraghty. No programa de hoje, tenho a companhia de Kavita Ganesan, autora de The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications . E é exatamente sobre isso que vamos falar hoje. Kavita, você é muito bem-vindo ao show.

Kavita Ganesan: Liam, obrigado por me receber. Estou muito feliz por estar aqui.

Liam: Sei que você entregou mais de duas dúzias de iniciativas bem-sucedidas de IA para uma ampla gama de organizações – de médio porte a empresas da Fortune 500. Como você se envolveu no espaço da IA ​​em primeiro lugar?

“Eu me tornei um engenheiro de software, mas senti que algo estava faltando – todo o desenvolvimento do algoritmo e a parte de solução de problemas”

Kavita: Minha história com IA remonta a 2005, quando a IA não era muito popular, nem era sexy ou necessária na indústria. Fiquei intrigado com os aspectos de resolução de problemas da IA ​​– mesmo que as técnicas possam ser as mesmas, quando aplicadas a um problema diferente, a maneira como você resolveria apresenta desafios diferentes. Isso foi atraente para mim porque acho que, inerentemente, sou um solucionador de problemas. Então, me aprofundei cada vez mais na IA em meu programa de mestrado. Foi aí que fui exposto a todo o espaço da IA.

Tornei-me um engenheiro de software, mas senti que algo estava faltando – todo o desenvolvimento do algoritmo e a parte de solução de problemas. Foi quando decidi que precisava obter um Ph.D. em IA porque queria me especializar nisso. E quando eu estava prestes a me formar, em 2013, a ciência de dados começou a decolar como um campo. Foi quando decidi que, em vez de ir a instituições acadêmicas ou laboratórios de pesquisa, iria apenas resolver os problemas da indústria. Acho que sou uma pessoa muito prática e aplicada, então queria ver esses algoritmos sendo bem utilizados. Foi aí que as coisas realmente começaram. Eu entreguei todos esses projetos e trabalhei em diferentes problemas desde saúde até outras áreas, como código.

“A IA generativa meio que colocou a IA no mapa para eles”

Liam: Deve parecer que o resto do mundo acabou de acompanhar toda essa coisa de IA nos últimos meses.

Kavita: Sim, para muitas empresas, a IA é uma coisa muito nova, especialmente para pequenas empresas que não pensam em IA porque acham que não é relevante para elas. As operações de médio porte vêm pensando em IA há algum tempo, mas não sabiam como começar, e a IA generativa meio que colocou a IA no mapa para elas.

Onde começar?

Liam: Vamos mergulhar em seu livro, The Business Case for AI . Logo de cara, você reconhece as preocupações e preocupações que os líderes têm em relação à IA. Acabamos de lançar nosso relatório State of AI in Customer Service 2023, onde entrevistamos 1.000 profissionais de suporte e descobrimos que 69% dos líderes planejam investir mais em AI no próximo ano. Mas até agora, apenas 38% dos líderes já o fizeram. Essa deve ser uma grande oportunidade para os primeiros usuários obterem uma vantagem competitiva real com todos os benefícios que a IA traz, certo?

Kavita: Sim, isso é absolutamente certo. Quando aplicado aos problemas certos, você verá benefícios significativos logo no início. Acho que o desafio que as empresas estão enfrentando agora é encontrar os problemas certos dentro do negócio e aplicar a IA de uma forma que lhes agregue valor – não seis ou sete meses depois, mas três meses.

“Trata-se de entender o espaço do que compõe a IA, onde você pode aplicar a IA, a que tipo de problemas você pode aplicá-la e onde a IA generativa agrega valor”

Liam: O que você diria às pessoas sobre como enquadrar seu pensamento de IA para que não imaginem robôs dominando o mundo, mas pensando em IA, como você diz, como uma ferramenta prática para os negócios?

Kavita: Acho que o primeiro passo é entender o que é essa fera. Agora, as pessoas pensam que IA é IA generativa, mas IA generativa é apenas uma peça desse quebra-cabeça de IA. Há muito mais na IA. Existe aprendizado de máquina tradicional, PNL, visão computacional. Trata-se de entender o espaço do que compõe a IA, onde você pode aplicá-la, a que tipo de problemas você pode aplicá-la e onde a IA generativa agrega valor. Abordar esse elefante na sala ajudará a definir o contexto ou a gerar ideias sobre onde você pode aplicar a IA em seus negócios. Eu diria que a educação é o primeiro passo, sim.

Liam: Se dissermos que superamos esse obstáculo e estamos a bordo do trem da IA, por assim dizer, como você descobre para que a IA poderia ser usada em sua empresa para melhorar os processos de negócios existentes? Você poderia compartilhar alguns exemplos?

“Procurar processos existentes que são ineficientes é um bom ponto de partida”

Kavita: Claro. Muitas empresas encontram valor começando com problemas repetitivos que estão sendo resolvidos manualmente. No atendimento ao cliente, encaminhar um tíquete de suporte é uma tarefa repetitiva e leva um tempo significativo para um agente ler o tíquete, determinar para qual equipe encaminhar o tíquete e enviar os dados preliminares à equipe para que eles possam fazer a triagem do problema . Encontrar esses processos manuais que são repetitivos e exigem pensamento em nível humano – esse é um ponto-chave – é onde as soluções de IA podem realmente causar impacto no curto prazo, porque esses problemas são bem compreendidos e provavelmente têm métricas que você pode usar como uma maneira de medir o desempenho em relação à abordagem manual. Procurar processos existentes que são ineficientes é um bom ponto de partida.

Liam: Podes sempre fazer essa lista, mas também podes falar com a tua equipa e ver que tipo de bloqueadores têm que podem melhorar o seu dia-a-dia.

Kavita: Sim, apenas conversando com diferentes unidades de negócios, entendendo seus desafios e entendendo o feedback dos clientes que estão recebendo. Você detectará ineficiências e desafios mesmo analisando o feedback do cliente. Essas são áreas em que a IA pode ajudar. Digamos que os clientes estejam tendo problemas para obter a ajuda de que precisam porque sua solução de suporte não é eficaz. Isso lhe dará uma sensação de: "Ei, talvez devêssemos ter uma funcionalidade de pesquisa melhor que resolva os problemas do cliente para que eles não precisem passar por nosso sistema de emissão de bilhetes".

Identificando a oportunidade de negócio certa

Liam: Que conselho você daria para as pessoas que desejam se preparar para a IA, se tornar uma empresa pronta para IA e colocar esse conhecimento em ação?

“O enquadramento de cada oportunidade revelará quais são as mais benéficas e quais oferecem um benefício marginal que você pode arquivar por enquanto”

Kavita: Preparar-se para a IA tem duas partes. Uma delas é entender onde estão suas oportunidades dentro de sua empresa. Se você for uma operação de médio porte, trata-se de conversar com as diferentes funções de negócios, entender seus desafios e identificar e enquadrar essas oportunidades. É em vendas? É no RH? Isso lhe dará uma ideia de qual área pode ser sua vantagem competitiva. A segunda parte é a peça fundamental necessária para a IA, que está colocando sua infraestrutura de dados em forma. Talvez você não esteja coletando dados agressivamente, então isso precisa começar, ou você está coletando dados, mas seus armazenamentos de dados estão em silos e não há como os funcionários acessá-los de maneira holística. Identificar essas lacunas e combiná-las com as oportunidades fornecerá uma maneira de longo prazo de colocar a IA na empresa.

Liam: Parece que desde que o ChatGPT entrou em cena, todos os produtos ou empresas colocaram IA no final de seus nomes. Em meio a tudo isso, como os líderes encontram essas oportunidades de IA? Como você elimina aqueles que não são úteis?

Kavita: Sim, isso acontece quando você encontra essas oportunidades e as enquadra – você está basicamente articulando os benefícios da oportunidade e quais métricas usará para medir como está resolvendo o problema no momento. O enquadramento de cada oportunidade revelará quais são as mais benéficas e quais oferecem um benefício marginal que você pode arquivar por enquanto. Essa peça de articulação é muito crítica e é a segunda etapa do meu “Estrutura de descoberta de IA de alto impacto” (discutida no livro). Primeiro, você tem uma ideia ou existe uma oportunidade potencial de IA. E o segundo passo é o enquadramento.

“A introdução de IA ou qualquer automação de software fornecerá um benefício tangível nessa situação específica? Também faz sentido para os negócios?”

Liam: Você poderia falar um pouco mais sobre o framework?

Kavita: Essa estrutura é um processo repetível para identificar oportunidades de IA de alto impacto e possui quatro etapas principais. A primeira é pensar se esta é uma oportunidade promissora de IA. As oportunidades de IA geralmente resolvem problemas complexos de tomada de decisão, e isso faz sentido para a IA. Mas também tem que fazer sentido comercial para você ir mais longe. É quando você olha para a carga de trabalho. A introdução de IA ou qualquer automação de software fornecerá um benefício tangível nessa situação específica? Também faz sentido para os negócios? E então, ele tem os blocos de construção fundamentais? Digamos que você esteja fazendo esse processo manualmente. Se satisfizer essas três coisas, é uma oportunidade potencial de IA, mas isso por si só não significa que você deva entrar em implementação.

É aí que entra a segunda etapa, onde você enquadra essas oportunidades. Essencialmente, você adiciona muito mais detalhes à oportunidade. Articular os benefícios, o ponto problemático que você está abordando e quais métricas você usará para medi-lo. É assim que você saberá que está obtendo sucesso comercial e disponibilidade de dados. Mas, novamente, isso não significa que você vá direto para a implementação. Você ainda precisa garantir que é viável. É aí que entram seus especialistas – etapa três. Você o levará a seus especialistas e dirá: “Ei, eu tenho esta oportunidade. O que você acha? Pode ser implementado?” É aí que eles identificarão todas as bandeiras vermelhas como: “Você tem dados, mas o volume não é suficiente” ou “Isso é muito futurista para implementar agora”. É aí que eles vão frear e te dar mais informações. Depois de ter todas essas informações, você pode classificar essas iniciativas e selecionar as principais iniciativas, que é a etapa quatro – classificação e priorização. Este é um processo muito repetitivo, e eu queria que isso fosse uma grande parte do livro porque acho que as pessoas atualmente não têm uma maneira de fazê-lo sistematicamente.

“O modelo em si não é o fim. O modelo é um meio para resolver um problema de negócios. É aí que entra o sucesso empresarial”

Liam: Você mencionou isso lá, mas eu adoraria falar sobre o que acontece quando um líder aborda esses problemas e implementa suas estratégias de IA. Qual abordagem você recomendaria para avaliar o sucesso de suas iniciativas de IA?

Kavita: No momento, o sucesso é confuso para a maioria das empresas porque os líderes esperam um ROI financeiro e os especialistas em IA só querem ver modelos de alta precisão. No meu livro, falo sobre três pilares do sucesso. Um é o sucesso do modelo. O modelo deve ter um desempenho mínimo aceitável. Caso contrário, não está realmente resolvendo o problema. Se tiver 50% de precisão, é apenas aleatório. Você quer garantir que está fazendo a tarefa e executando razoavelmente bem. Mas o modelo em si não é o fim. O modelo é um meio para resolver um problema de negócios. É aí que entra o sucesso nos negócios. E isso está diretamente relacionado ao seu ponto problemático. O que você está procurando melhorar? Ele está tentando analisar um ticket de suporte? Está tentando melhorar o equilíbrio entre vida pessoal e profissional para seus funcionários? Existem maneiras indiretas de medir tudo isso. Isso é o que você precisa acompanhar para o sucesso do negócio.

Mas o sucesso do modelo e o sucesso do negócio sozinhos não são suficientes porque, no final, é o usuário que será impactado. Você também quer conversar com os usuários da solução de IA. Podem ser seus fornecedores ou funcionários – qualquer pessoa consumindo a saída de IA. Você quer perguntar a eles o que eles pensam sobre a precisão da solução, facilidade de uso e qualquer coisa que possa trazer problemas, seja no modelo ou no fluxo de trabalho, porque isso pode destacar problemas de adoção. Se não gostarem da solução, podem voltar à velha maneira de fazer as coisas. Eles podem não querer usar sua solução de IA, embora seja precisa e tenha sucesso nos negócios.

Humano no circuito

Liam: O que você diria aos líderes de suporte ao cliente que estão pensando em implementar IA e estão um pouco nervosos, preocupados ou preocupados? O que você diria para ajudá-los a superar isso?

Kavita: Um tema que vi entre os líderes é que os sistemas de IA vão assumir muitos trabalhos, até mesmo os deles próprios. Infelizmente, isso é verdade, mas acho que os sistemas de IA têm mais probabilidade de aumentar os fluxos de trabalho do que apenas substituir trabalhos, porque ainda precisamos da camada de garantia de qualidade onde os humanos entram. um problema? Os humanos precisam estar lá. E como os sistemas de IA estão aprendendo? Eles aprendem com os dados. E quem gera esses dados? Humanos. Somos uma grande parte desse sistema de IA, por isso estamos muito envolvidos no controle de qualidade, na geração de dados e na solução de problemas mais difíceis.

Esse é um aspecto. A outra é definir suas expectativas corretamente para cada problema e pensar nos riscos. Se eu tornar a IA o único tomador de decisão neste cenário, quais são os riscos? Compreender o risco ajudará a lidar com parte da resistência à adoção da IA ​​nesse cenário. Talvez neste cenário seja muito arriscado, então você quer ter humanos no circuito para revisar o que a IA fez.

Liam: Acho que já estamos vendo isso, mas com empregos que as pessoas podem temer que sejam perdidos, a IA está realmente criando novos empregos e funções – pessoas monitorando a IA ou, no nosso caso, designers de chatbots. Nem tudo é desgraça e melancolia.

Kavita: Sim. Eu acho que as funções podem transitar de trabalhos realmente de baixo nível para trabalhos de alto nível. Você será mais um gerente de controle de qualidade. Então, sim, os papéis acabarão mudando.

Liam: E Kavita, qual é a única coisa que você gostaria que as pessoas soubessem sobre IA e negócios trabalhando juntos?

Kavita: IA e negócios, boa pergunta. No mundo da pesquisa, você costuma ver uma solução de IA resolvendo um problema. Mas nos negócios, uma solução de IA pode não ser suficiente. Você precisará de uma solução híbrida. Pode ser uma combinação de um sistema de IA, um sistema baseado em regras para casos extremos e talvez também humanos. Portanto, as soluções de negócios costumam ser menos elegantes e mais complexas do que os sistemas de pesquisa.

Liam: Por fim, onde as pessoas podem ir para acompanhar você e seu trabalho?

Kavita: O primeiro lugar a visitar será meu site, kavita-ganesan.com. É aí que você pode aprender sobre o meu livro. Também o levará à minha página de consultoria e a alguns outros podcasts que fiz.

Liam: Perfeito. Kavita, muito obrigado por se juntar a mim hoje.

Kavita: Liam, obrigado por me receber.