Como configurar seu projeto de IA para o sucesso

Um Q & A com Marco Casalina, o chefe do programa Einstein AI do Salesforce.
Como configurar seu projeto de IA para o sucesso
Como configurar seu projeto de IA para o sucesso

Para escolher o projeto de IA certo, é essencial entender como a IA funciona — no que ela é boa e o que não é. A HBR conversou com Marco Casalaina, chefe do projeto Einstein da Salesforce, que detalhou os ingredientes básicos de um bom projeto de IA e as perguntas que os líderes precisam se perguntar antes de investir tempo e recursos em um novo projeto de IA. O mais importante, ele argumenta, é: “Um humano pode fazer isso?”


Escolher o projeto de IA certo para sua empresa geralmente se resume a ter os ingredientes certos e saber como combiná-los. Pelo menos, é assim que Marco Casalaina, da Salesforce, tende a pensar sobre isso. O veterano especialista em inteligência artificial e cientista de dados supervisiona Einstein, a tecnologia de IA da Salesforce, e fez uma carreira ao tornar as tecnologias emergentes mais intuitivas e acessíveis para todos. Com o Einstein, ele está trabalhando para ajudar os clientes da Salesforce — de pequenas empresas a organizações sem fins lucrativos e empresas da Fortune 50 — a obter todos os benefícios da IA. HBR conversou com Casalaina sobre o que acontece em um projeto de IA bem-sucedido, como se comunicar como cientista de dados e a única pergunta que você sério precisa perguntar antes de lançar um piloto de IA.

Você trabalha com IA há muito tempo. Você trabalhou para a Salesforce anos atrás, depois em outras empresas e agora voltou a liderar. Como você descreveria o que você faz neste trabalho?

Eu trago o aprendizado de máquina para as coisas que as pessoas usam todos os dias – e eu faço isso de uma forma que se alinha com a intuição deles. O problema com o aprendizado de máquina e a IA – que são os dois lados da mesma moeda – é que a maioria das pessoas não sabe o que realmente significa. Eles geralmente têm uma ideia enorme do que a IA pode fazer, por exemplo. E, claro, a IA está sempre mudando, e é uma coisa poderosa, mas seus poderes são limitados. Não é onisciente.

O ponto que você está fazendo sobre como a imaginação pode se firmar explica muitos dos problemas que as empresas enfrentam com a IA. Então, quando você está pensando sobre os tipos de problemas que a IA é boa na resolução, o que você considera?

Quando falo com os clientes, gosto de dividi-lo em ingredientes. Se você pensar em um taco de fast food, existem seis ingredientes principais: carne, queijo, tomate, feijão, alface e tortilhas. A IA não é tão diferente: há um menu de certas coisas que ela pode fazer. Quando você tem uma ideia do que eles são, isso lhe dá uma ideia de quais são seus poderes.

Estou intrigado! Então, quais são os ingredientes da IA?

O primeiro ingrediente são as perguntas “sim” e “não”. Se eu enviar um e-mail, você vai abri-lo ou não? Isso dá a você uma probabilidade de se algo vai acontecer. Obtemos muita quilometragem com perguntas do tipo “sim” ou “não”. Eles são como o queijo para nós – nós meio que colocamos isso em tudo.

O segundo ingrediente é a previsão numérica. Quantos dias você levará para pagar sua conta? Quanto tempo vou levar para consertar a geladeira dessa pessoa?

Então, em terceiro lugar, temos classificações. Posso tirar uma foto dessa reunião em que estamos agora e perguntar: “Há pessoas nessa foto?” “Quantas pessoas estão nesta foto?” Também existem classificações de texto, que você vê se alguma vez interagir com um chatbot.

O quarto ingrediente são as conversões. Isso pode ser transcrição de voz, pode ser tradução. Mas basicamente, você está apenas pegando informações e traduzindo-as de um formato para outro.

A tortilha, se estamos seguindo nossa analogia, são as regras. Quase todo sistema de IA funcional que existe no mundo hoje funciona por meio de algum tipo de regras codificadas no sistema. As regras – como a tortilha – mantêm tudo junto.

Então, como você, pessoalmente, aplica isso em seu trabalho na Salesforce? Porque acho que as pessoas muitas vezes lutam para descobrir por onde começar com um projeto de IA.

As perguntas que faço são: “Quais dados temos?” E “Que problemas concretos posso resolver com isso?”

Neste trabalho na Salesforce, comecei com algo que todo vendedor acompanha como uma parte natural de seu trabalho: categorizar um lead dando a ele uma pontuação da probabilidade de fechamento.

Conjuntos de dados como esses são uma fonte fundamental de verdade para desenvolver um projeto baseado em IA. As pessoas querem fazer todos os tipos de coisas com recursos de IA, mas se você não tem os dados, então você tem um problema.

Entrando na próxima fase disso, vamos falar sobre o ciclo de vida de encontrar um projeto e implantá-lo. Quais são as perguntas que você se pergunta ao pensar em como ir do piloto ao lançamento?

Que problema você está tentando resolver – essa é a primeira pergunta que você precisa responder. Estou tentando priorizar o tempo das pessoas? Estou tentando automatizar algo novo? Em seguida, você confirma que tem os dados desse projeto ou que pode obtê-lo.

A próxima pergunta que você precisa fazer é: Essa é uma meta razoável? Se você está dizendo, Quero automatizar 100% das minhas consultas de atendimento ao cliente, isso não vai acontecer. Você está se preparando para o fracasso. Agora, se 25% de suas consultas de atendimento ao cliente são solicitações para redefinir uma senha e você quiser automatizá-la e retirá-la dos pratos de seus agentes, essa é uma meta razoável.

Outra pergunta é: Um humano pode fazer isso? Na maioria das vezes, a IA não pode fazer nada que os humanos não possam fazer.

Digamos que você seja uma companhia de seguros e queira usar a foto de um carro amassado para descobrir quanto vai custar para consertá-lo. Se você espera razoavelmente que Joe na oficina possa olhar para a foto e dizer, isso vai custar $1.500, então você provavelmente poderia treinar IA para fazer isso também. Se eles não podem, bem, então uma IA provavelmente também não pode.

Quanto tempo você quer gastar em uma fase piloto? Porque muito do que você está fazendo, outras pessoas também estão tentando fazer.

Os projetos de IA tendem a ter períodos piloto desconfortavelmente longos – e deveriam. Há duas razões para isso.

Primeiro, para determinar se realmente funciona da maneira que deveria. As pessoas confiam nisso? Está se explicando o suficiente para o peso do problema? Em um extremo, há coisas como um diagnóstico médico orientado por IA, que pode ter um grande impacto na vida de alguém. É melhor você me dizer exatamente por que acha que eu tenho câncer, certo? Mas se uma IA recomenda um filme que eu não gosto, eu realmente não me importo por que ele está me dizendo isso. Muitos problemas de negócios meio que caem em algum lugar no meio. Você precisa compartilhar explicações suficientes para que seus usuários confiem nela. E você precisa desse período piloto para verificar se seus usuários o entendem.

Segundo, você precisa medir o valor da solução de IA versus a linha de base — interação humana. Pense em automatizar as consultas de atendimento ao cliente. Para clientes que usam o chatbot, quantos deles estão realmente respondendo às perguntas certas? Se eu usar o chatbot do DMV e disser: “Perdi minha licença” e ele diz: “Preencha este formulário e você receberá uma substituição”, bem, isso é o que eu estava pedindo. Mas se o seu chatbot não consegue responder às perguntas de seus clientes, você acaba ficando com clientes frustrados que odeiam seu chatbot e acabam conversando com um humano de qualquer maneira.

Pivotando por um segundo aqui, você está neste trabalho há alguns anos neste momento. Quais são algumas das grandes coisas que você aprendeu durante esse tempo?

Aprendemos como encontrar e usar conjuntos de dados para resolver problemas. Agora, ajudamos as pessoas a entender como os dados que estão colocando em seus sistemas de negócios – apenas em virtude de fazerem seu trabalho – podem ser usados para desenvolver aprendizado de máquina que as ajude a resolver problemas com mais eficiência. Mas também aprendemos a importância de um papel que a intuição desempenha nesse processo.

Como assim?

Então, lançamos um produto chamado Einstein prediction builder há cerca de dois anos. Muitos clientes estão usando agora, mas ele não tinha a mesma curva de adoção rápida que alguns dos serviços mais autoexplicativos, como pontuação de leads.

O criador de previsões do Einstein permite que você crie uma previsão personalizada para perguntas como: “Meu cliente pagará a fatura com atraso ou não?” Percebemos que, para chegar a essa previsão, as pessoas precisam dar um salto mental: Eu gostaria de saber a resposta para essa pergunta, então eu quero fazer uma previsão sobre isso.

Isso foi difícil para muitos clientes. Agora, temos um novo produto, um construtor de recomendações. É um pouco mais autoexplicativo, porque também estamos introduzindo um sistema de modelos. Por exemplo, ele recomendará quais peças colocar no caminhão quando um representante de campo for enviado para consertar uma geladeira. Vamos levar o cavalo à água, da perspectiva da Salesforce, tendo a etapa automatizada lá e trabalharemos com os clientes para entender quais peças eles podem precisar para os cenários que possam enfrentar.

Como cientistas de dados no campo da IA, temos a tendência de pensar em algoritmos, ou talvez abstrações de nível um pouco mais alto. Aprendi que realmente precisamos entrar na cabeça de nossos clientes e expressar a solução para o problema em termos com os quais eles se relacionarão. Então, não estou apenas fazendo uma recomendação, estou recomendando especificamente a parte que entra em um projeto; não estou apenas fazendo uma previsão, estou respondendo especificamente à pergunta, você vai pagar sua conta ou não?

E então você tem que decidir, se eu fizer essa previsão, eu lhe dou uma probabilidade de o cara pagar tarde, o que vamos fazer sobre isso?

Se você está falando com líderes que estão pensando sobre isso, parece que parte do que você está falando é a necessidade de ficar com os pés no chão ao considerar quais problemas você deve tentar resolver com a IA e o que você tem em mãos que pode ajudá-lo a fazer isso.

Certo, está voltando à questão de: Um humano pode fazer isso? Se eles puderem… talvez a IA seja uma ótima maneira de tirar essa tarefa do prato de um humano para liberá-los para outras coisas mágicas.


  • TS
    Thomas Stackpole is a senior editor at Harvard Business Review.
  • Related Posts