|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
A última milha de IA: implantação
|
|
We’re already seeing waves of this from certain vendors, but the idea of helping organizations through that last mile of the AI lifecycle—deploying a model into production—will become a focal point for customers and vendors alike in 2020. Here are a few recently collected data points that emphasize the importance of vendors helping customers to operationalize AI:
|
Já estamos vendo ondas disso de alguns fornecedores, mas a ideia de ajudar as organizações durante essa última milha do ciclo de vida da IA — implantando um modelo em produção — se tornará um ponto focal para clientes e fornecedores em 2020. Aqui estão alguns pontos de dados coletados recentemente que enfatizam a importância de os fornecedores ajudarem os clientes a operacionalizar a IA:
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
72% das organizações com iniciativas de IA ainda não têm IA em produção.
|
|
44% of organizations investing in specialized infrastructure to support AI initiatives do not expect to see value in their investments for at least ten months.
|
44% das organizações que investem em infraestrutura especializada para apoiar iniciativas de IA não esperam ver valor em seus investimentos por pelo menos dez meses.
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
Quase uma em cada quatro organizações (23%) citam a implantação de modelos como a fase do pipeline de dados AI/ML que cria o maior desafio.1
|
|
Why would an organization invest hundreds of thousands of dollars to not see a return on the investment for over a year? Why would businesses waste the time, effort, and money to make it 80% of the way to leveraging AI, and then fall short at the end? Simply put, they won’t. They’ll turn to prebuilt tools, solutions, or applications that embed AI and say, “it’s good enough.” In the short term, that may work, but in the long term, they’ll need to figure out how to better customize AI to their specific business and use case. And to get there, they’ll need to solve the AI deployment challenge.
|
Por que uma organização investiria centenas de milhares de dólares para não ver um retorno sobre o investimento por mais de um ano? Por que as empresas desperdiçariam tempo, esforço e dinheiro para obter 80% da maneira de alavancar a IA e, em seguida, ficar aquém no final? Simplificando, eles não vão. Eles vão recorrer a ferramentas, soluções ou aplicativos pré-construídos que incorporam IA e dizem: “é bom o suficiente”. No curto prazo, isso pode funcionar, mas a longo prazo, eles precisarão descobrir como personalizar melhor a IA para seus negócios e casos de uso específicos. E para chegar lá, eles precisarão resolver o desafio de implantação de IA.
|
The Persona Conundrum
|
O Conundrum Persona
|
|
Recognizing the challenges seen by so many organizations across the data lifecycle, new terminology is being used in the market to address the different personas involved throughout the data and applications lifecycle. DevOps incorporates best practices, tools, collaboration, and automation throughout the development and deployment lifecycle between developers and IT operations. DataOps fills a pressing need to incorporate data-centric roles in that process—data engineers, data architects, data scientists—to communicate, collaborate, and incorporate best practices for tie-ins to analytics workflows and next-generation applications. MLOps goes hand in hand with the first prediction, by addressing collaboration between data science teams and operations teams for AI-based applications in production.
|
Reconhecendo os desafios vistos por tantas organizações ao longo do ciclo de vida de dados, uma nova terminologia está sendo usada no mercado para lidar com as diferentes personas envolvidas durante todo o ciclo de vida de dados e aplicativos. O DevOps incorpora práticas recomendadas, ferramentas, colaboração e automação em todo o ciclo de vida de desenvolvimento e implantação entre desenvolvedores e operações de TI. O DataOps preenche uma necessidade urgente de incorporar funções centradas em dados nesse processo — engenheiros de dados, arquitetos de dados, cientistas de dados — para se comunicar, colaborar e incorporar práticas recomendadas de vínculo com fluxos de trabalho de análise e aplicativos de próxima geração. Os MPOPs andam de mãos dadas com a primeira previsão, abordando a colaboração entre equipes de ciência de dados e equipes de operações para aplicativos baseados em IA em produção.
|
|
Shifting to data science and analytics, there has been an increased focus on democratizing data access to support all areas of the business. This of course pushes the need for tools that best enable both generalists and specialists to complete their jobs efficiently and effectively. While vendors announce products that seem like the panacea for data democratization, gaps remain when it comes to the entry points and handoffs from one role to another.
|
Mudando para a ciência de dados e a análise, tem havido um maior foco na democratização do acesso aos dados para dar suporte a todas as áreas do negócio. Isso, naturalmente, empurra a necessidade de ferramentas que melhor permitam que tanto os generalistas como os especialistas concluam seus trabalhos de forma eficiente e eficaz. Enquanto os fornecedores anunciam produtos que parecem ser a panacéia para a democratização de dados, as lacunas permanecem quando se trata de pontos de entrada e entrega de uma função para outra.
|
|
Regardless of <insert your term>Ops terminology or who is looking to access what data from what tool using what device, the various and growing number of personas involved in data management and analysis creates a challenge for vendors in how to best position their products and solutions. In 2020, expect vendors to prioritize persona-based marketing from IT operations and developers to data scientists and business analysts.
|
Independentemente da terminologia Ops ou quem está procurando acessar quais dados de qual ferramenta usando qual dispositivo, o número crescente de pessoas envolvidas no gerenciamento e análise de dados cria um desafio para os fornecedores na melhor posição de seus produtos e soluções. Em 2020, espere que os fornecedores priorizem o marketing baseado em pessoa, de operações e desenvolvedores de TI para cientistas de dados e analistas de negócios.
|
Fixing the AI Skills Gap…with AI
|
Corrigindo a lacuna de habilidades de IA... com IA
|
|
How do you fill the AI skills gap? With AI of course. It’s borderline clichéd to cite the AI skills gap as a preventer in leveraging AI. It’s an interesting conundrum: Either you don’t have a data scientist, or you do and you’re asking too much of them. Sixty-three percent of organizations with AI initiatives underway have personnel completing tasks across different phases of the AI lifecycle that fall outside of their core skillset and responsibility.2 And it’s forcing organizations to hold back future investments in the technology.
|
Como você preenche a lacuna de habilidades de IA? Com IA, é claro. É um clichê citar a lacuna de habilidades de IA como um preventivo para alavancar a IA. É um enigma interessante: Ou você não tem um cientista de dados, ou você tem e você está pedindo muito deles. Sessenta e três por cento das organizações com iniciativas de IA em andamento têm pessoal concluindo tarefas em diferentes fases do ciclo de vida da IA que estão fora de seu conjunto de habilidades e responsabilidades núcleos.2 E isso está forçando as organizações a reter investimentos futuros na tecnologia.
|
|
The ironic part is that while both customers and vendors have recognized this challenge, the vendors (who are hiring much of the AI talent) are building tools with embedded AI to solve the problem. This can help two types of roles, both of which need the help. For the non-data scientists like data engineers, data architects, data stewards, etc., advanced tools with intelligent automation will enable them to more rapidly complete their day-to-day tasks, while exposing them to AI technologies with guardrails. For the data scientists themselves, it’s more about focusing on their core expertise and enabling better collaboration and repeatability across the AI lifecycle. We’ve seen it throughout this year, and next year is no different: AI democratization will continue to be desired, emphasized, and embraced.
|
A parte irônica é que, embora clientes e fornecedores tenham reconhecido esse desafio, os fornecedores (que estão contratando grande parte do talento de IA) estão construindo ferramentas com IA incorporada para resolver o problema. Isso pode ajudar dois tipos de funções, ambos os quais precisam da ajuda. Para os cientistas que não são dados, como engenheiros de dados, arquitetos de dados, administradores de dados, etc., ferramentas avançadas com automação inteligente permitirão que eles concluam mais rapidamente suas tarefas diárias, enquanto os expõem às tecnologias de IA com proteções. Para os próprios cientistas de dados, trata-se mais de se concentrar em sua expertise principal e permitir uma melhor colaboração e repetibilidade em todo o ciclo de vida da IA. Vimos isso ao longo deste ano, e o próximo ano não é diferente: a democratização da IA continuará a ser desejada, enfatizada e abraçada.
|
AI Will Take Action
|
A IA tomará providências
|
|
For those leveraging AI today, the predominant method is to access AI through a product or solution to provide predictive insights. Systems turn to prebuilt AI models that are trained on historical results, analyze real-time data streams, and then alert when something is wrong. Nearly one in three (32%) organizations with AI initiatives underway are using AI as a recommendation engine.3 And IT is a key entry point in this area, whether analyzing log files, managing IT systems, monitoring resources, or orchestrating infrastructure. But simple alerting is the low hanging fruit. In fact, in some cases, it should not be considered “AI” at all since it’s more rule-based automation than AI.
|
Para aqueles que utilizam a IA atualmente, o método predominante é acessar a IA por meio de um produto ou solução para fornecer insights preditivos. Os sistemas utilizam modelos de IA pré-construídos que são treinados em resultados históricos, analisam fluxos de dados em tempo real e alertam quando algo está errado. Quase uma em cada três (32%) organizações com iniciativas de IA em andamento estão usando a IA como mecanismo de recomendação.3 E a TI é um ponto de entrada fundamental nessa área, seja a análise de arquivos de log, o gerenciamento de sistemas de TI, o monitoramento de recursos ou a orquestração da infraestrutura. Mas o simples alerta é a fruta baixa pendurada. Na verdade, em alguns casos, não deve ser considerado “AI”, pois é mais automação baseada em regras do que IA.
|
|
Where AI is going next in this space is taking the appropriate action based on learned behaviors or requirements. Actionable AI will change the way systems are managed, maintained, and provisioned. It will do more than simply provide insight. AI will begin acting to truly enable the next wave of intelligent automation. And while some may consider AI in IT the low hanging fruit, every industry will look to embrace the idea of AI taking action. Maybe it’s a valve automatically turning off, a production line automatically stopping, or a notification directing personnel to allocate more time to a high-value task.
|
Onde a IA está indo em seguida neste espaço é tomar a ação apropriada com base em comportamentos ou requisitos aprendidos. A IA acionável mudará a maneira como os sistemas são gerenciados, mantidos e provisionados. Ele fará mais do que simplesmente fornecer insights. A IA começará a agir para realmente habilitar a próxima onda de automação inteligente. E embora alguns possam considerar que a IA na TI é a fruta baixa, todos os setores procurarão adotar a ideia de que a IA tome medidas. Talvez seja uma válvula desligando automaticamente, uma linha de produção parando automaticamente ou uma notificação direcionando o pessoal para alocar mais tempo para uma tarefa de alto valor.
|
Why versus What
|
Por quê versus o quê
|
|
Going hand in hand with actionable AI is ensuring the right level of control and accountability. AI today is used heavily to answer questions like: What is that? What happened? What is going to happen? Using AI for pattern recognition is where we are today (still in its infancy). But organizations need much more information to stand behind an AI-based decision, including understanding the cause and effect of an action taken. Using AI to help users understand the cause and then explain the effect in human terms will significantly advance AI adoption. This of course lands in the realm of explainable AI, where insights derived from AI must be explained to a point where they can be understood by a human. While few technology vendors offer features like this today, in 2020, this feature will become a must-have, especially to advance AI adoption in highly regulated industries.
|
Ir de mãos dadas com a IA acionável é garantir o nível certo de controle e responsabilidade. A IA hoje é muito usada para responder perguntas como: O que é isso? O que aconteceu? O que vai acontecer? Usar IA para reconhecimento de padrões é onde estamos hoje (ainda em sua infância). Mas as organizações precisam de muito mais informações para apoiarem uma decisão baseada em IA, incluindo compreender a causa e o efeito de uma ação tomada. Usar IA para ajudar os usuários a entender a causa e, em seguida, explicar o efeito em termos humanos avançará significativamente a adoção da IA. Isso, naturalmente, aterrissa no reino da IA explicável, onde as percepções derivadas da IA devem ser explicadas a um ponto em que elas possam ser entendidas por um ser humano. Embora poucos fornecedores de tecnologia ofereçam recursos como esse hoje, em 2020, esse recurso se tornará um must-have, especialmente para promover a adoção de IA em setores altamente regulamentados.
|
From the Home to the Workplace
|
Do lar ao local de trabalho
|
|
The use of AI assistants has never been higher. It’s becoming more common than ever to leverage NLP on a smart device to answer basic questions or complete basic tasks. Consumers constantly prompt their devices with phrases such as: What’s the temperature today? What’s on my calendar? Tell me about today’s current events. Add milk to my grocery list.
|
O uso de assistentes de IA nunca foi tão alto. Está se tornando mais comum do que nunca aproveitar a PNL em um dispositivo inteligente para responder perguntas básicas ou concluir tarefas básicas. Os consumidores constantemente solicitam seus dispositivos com frases como: Qual é a temperatura hoje? O que tem no meu calendário? Conte-me sobre os eventos atuais de hoje. Adicione leite à minha lista de compras.
|
|
But the shift of this technology to the enterprise is starting and will continue throughout 2020. In enterprise IT, for example, 57% of organizations feel that using NLP to interact with IT systems is good for limited and specific functions like asking to generate a report, while an additional 35% can’t wait to use AI assistant technology, citing it as the way of the future and looking forward to fully embracing all aspects of the capabilities.4 The same can be said in analytics, where a new type of end-user with limited expertise will be looking to data to help their specific line of business achieve a data-driven goal. We’re in the early stages where BI platforms let users ask (with voice) a question and get a response. Even with the potential for AI to misunderstand a spoken word or sentence, expect to see expansions of usage and rhetoric libraries for certain industries to ensure a better understanding and reaction to voice commands in the workplace. 2020 will bring a whole new adoption trendline based on voice interaction capabilities.
|
Mas a mudança dessa tecnologia para a empresa está começando e continuará ao longo de 2020. Na TI corporativa, por exemplo, 57% das organizações acham que o uso de PNL para interagir com sistemas de TI é bom para funções limitadas e específicas, como pedir para gerar um relatório, enquanto 35% adicionais não podem esperar para usar a tecnologia de assistente de IA, citando-a como o caminho do futuro e ansiosa por abrangendo todos os aspectos das capacidades.4 O mesmo pode ser dito na análise, onde um novo tipo de usuário final com experiência limitada estará buscando dados para ajudar sua linha de negócios específica a atingir um objetivo orientado por dados. Estamos nos estágios iniciais em que as plataformas de BI permitem que os usuários façam (com voz) uma pergunta e obtenham uma resposta. Mesmo com o potencial de inteligência artificial para entender mal uma palavra ou frase falada, espere ver expansões de uso e bibliotecas retóricas para certos setores para garantir uma melhor compreensão e reação aos comandos de voz no local de trabalho. 2020 trará uma nova linha de tendência de adoção baseada na interação de voz capacidades.
|
Prioritizing Customer Service
|
Priorizando o Atendimento ao Cliente
|
|
Many of us have been there: We can’t find something or need help answering a question and see a popup in the corner of the webpage that offers real-time assistance. While humans are often behind that customer service interaction, chatbots are increasingly used as a means of answering a question or directing to the next interaction. The challenge today is that many of those chatbots are more based on simple automation, so help is limited, especially with more complex questions or requests. The next year will look to enhance that first-level chatbot experience from simple automation to more advanced comprehension and recommendation. AI will detect intent, establish emotional state, more appropriately answer questions, and on the back-end, provide the human side of customer service with the right information to ensure the customer is as satisfied as possible with the final actions.
|
Muitos de nós já estiveram lá: Não conseguimos encontrar algo ou precisamos de ajuda para responder a uma pergunta e ver um pop-up no canto da página web que oferece assistência em tempo real. Enquanto os seres humanos estão frequentemente por trás dessa interação com o atendimento ao cliente, os chatbots são cada vez mais usados como um meio de responder a uma pergunta ou direcionar para a próxima interação. O desafio atual é que muitos desses chatbots são mais baseados em automação simples, então a ajuda é limitada, especialmente com perguntas ou solicitações mais complexas. O próximo ano procurará aprimorar essa experiência de chatbot de primeiro nível, desde a automação simples até a compreensão e recomendação mais avançadas. A IA detectará intenções, estabelecerá estado emocional, responderá mais adequadamente às perguntas e, no back-end, fornecerá ao lado humano do atendimento ao cliente as informações certas para garantir que o cliente esteja o mais satisfeito possível com as ações finais.
|
Riding the Millennial Wave
|
Montando a Onda Milenar
|
|
The next wave of workers will enter the workforce with a different (and better) level of data literacy. They’ll be accustomed to leveraging advanced or next-generation technology in their everyday lives to solve problems or complete tasks and will look to do the same in their jobs. This will bring light to a new wave of influence within organizations to use AI to improve day-to-day tasks. While lines of business will likely continue to be the key driver in AI consumption, expect a bigger push from the workers themselves who look to benefit from advanced automation to improve operational efficiency and productivity.
|
A próxima onda de trabalhadores entrará na força de trabalho com um nível diferente (e melhor) de alfabetização de dados. Eles estarão acostumados a alavancar tecnologia avançada ou de próxima geração em seu cotidiano para resolver problemas ou concluir tarefas e procurarão fazer o mesmo em seus trabalhos. Isso trará luz a uma nova onda de influência dentro das organizações para usar a IA para melhorar as tarefas do dia-a-dia. Embora as linhas de negócios provavelmente continuem sendo o principal impulsionador do consumo de IA, espere um impulso maior dos próprios trabalhadores que buscam se beneficiar da automação avançada para melhorar a eficiência operacional e a produtividade.
|
The Good and Bad of AI-based Content
|
O Bom e o Mal do Conteúdo Baseado em AI
|
|
Throughout the year, numerous stories have highlighted some of the groundbreaking (and in some cases dangerous) angles of AI-based content writing to deliver ongoing financial news, highlight election/poll results, influence public opinion, change perception, and share “fake news.” While many tools have remained private/proprietary, such as those used by national media outlets to write factual articles in a repeatable way, other technologies have become more newsworthy as of late. OpenAI can automatically generate intelligent text responses. Deepfake is the idea of utilizing specialized AI to layer in/out pieces of images, audio, and video. The former was previously kept private but was recently made available to the public. This is paving the way for more people, organizations, entities, etc., to leverage AI in legitimate or malicious ways. And of course, it must be mentioned that with a globally impactful presidential election on the horizon, it will be more important than ever to detect what is real and what is fake in publicly shared content. 2020 will pave the way to establish a global standard in AI-writer detection.
|
Ao longo do ano, inúmeras histórias têm destacado alguns dos ângulos inovadores (e em alguns casos perigosos) da escrita de conteúdo baseada em IA para entregar notícias financeiras contínuas, destacar os resultados das eleções/pesquisas, influenciar a opinião pública, mudar a percepção e compartilhar “notícias falsas”. Embora muitas ferramentas permaneçam privadas/proprietárias, tais como as usadas pelos meios de comunicação nacionais para escrever artigos factuais de forma repetível, outras tecnologias tornaram-se mais notáveis a partir de tarde. OpenAI pode gerar automaticamente respostas de texto inteligentes. Deepfake é a idéia de utilizar IA especializada para colocar em camadas partes de imagens, áudio e vídeo. O primeiro era mantido em privado, mas foi recentemente disponibilizado ao público. Isso está abrindo caminho para que mais pessoas, organizações, entidades, etc., aproveitem a IA de maneiras legítimas ou maliciosas. E é claro, deve-se mencionar que, com uma eleição presidencial globalmente impactante no horizonte, será mais importante do que nunca detectar o que é real e o que é falso em conteúdo compartilhado publicamente. 2020 abrirá caminho para estabelecer um padrão global na detecção de escritores de IA.
|
Focus on Mobility
|
Foco na mobilidade
|
|
When it comes to augmented analytics, the focus has been on incorporating AI and ML to democratize access to data and, more importantly, insights. The idea is to enable more personnel across an organization to utilize data. And over the next year, businesses will turn to BI tools that enable a new wave of end-users to access data, dashboards, and reports—and that means accessing all of that on their terms from their preferred device. ESG research shows that 57% of all workers expect to be able to perform the majority of their job functions from any device and nearly one-quarter (23%) of workers specifically use a mobile device for more than a third of their workday.5 Marrying data, analytics, BI, and insight with AI-based technology will be central to the democratization of analytics.
|
Quando se trata de análise aumentada, o foco tem sido a incorporação de IA e ML para democratizar o acesso a dados e, mais importante, insights. A ideia é permitir que mais pessoal de uma organização utilize dados. E no próximo ano, as empresas vão recorrer a ferramentas de BI que permitem que uma nova onda de usuários finais acessem dados, painéis e relatórios — e isso significa acessar tudo isso de acordo com seus termos a partir de seu dispositivo preferido. A pesquisa do ESG mostra que 57% de todos os trabalhadores esperam ser capazes de executar a maioria de suas funções de trabalho a partir de qualquer dispositivo e quase um quarto (23%) dos trabalhadores usam especificamente um dispositivo móvel por mais de um terço do seu dia útil.5 Casar dados, análises, BI e insights com tecnologia baseada em IA será central para a democratização da análise.
|
|
5. Source: ESG Master Survey Results, 2019 Digital Work Trends Survey, November 2019.
|
5. Fonte: Resultados do ESG Master Survey, Pesquisa de Tendências de Trabalho Digital de 2019, novembro de 2019.
|
|
|