São Paulo — InkDesign News — No campo do machine learning e deep learning, a gestão das expectativas é fundamental para garantir o sucesso de projetos de IA, especialmente em ambientes B2B. A incerteza pode ser tanto uma oportunidade quanto um obstáculo.
Arquitetura de modelo
Em projetos de IA, prometer desempenho antes de entender completamente os dados e objetivos pode levar à falhas. O ideal é explorar as informações durante uma fase preliminar, permitindo que as equipes entendam a viabilidade e estabeleçam uma base de referência.
“Prometer desempenho antes de conhecer os dados é uma maneira perfeita de garantir falha.”
(“When you don’t yet know the data, the environment, or even the project’s exact goal, promising performance upfront is a perfect way to ensure failure.”)
— Nome, Cargo, Instituição
Treinamento e otimização
A gestão das partes interessadas é crítica. Identificar quem se interessa pelo projeto ajuda à comunicação eficaz. As partes interessadas podem ter diferentes prioridades; portanto, entender suas expectativas torna-se essencial para o sucesso do projeto. Utilizar técnicas de stakeholder mapping é recomendado.
“Seu trabalho é garantir que você entregue valor que importa a todos.”
(“Your job is to ensure you deliver value that matters to all of them.”)— Nome, Cargo, Instituição
Resultados e métricas
Focar apenas em métricas técnicas pode desviar a atenção do impacto nos negócios. Em certos casos, uma acurácia de 60% pode ser vantajosa dependendo de como isso afeta o custo e o retorno sobre o investimento da empresa envolvida.
“Comunicar o valor comercial é muito mais poderoso e mais fácil de entender.”
(“In reality, communicating the business value is far more powerful and easier to grasp.”)— Nome, Cargo, Instituição
O conceito de interpretação dos resultados também deve ser destacado. Modelos mais complexos podem oferecer resultados precisos, mas são menos interpretáveis, o que pode ser um ponto crítico em setores regulados.
A aplicação prática das técnicas de IA será crucial para redefinir as abordagens tradicionais e criar soluções escaláveis. À medida que as empresas se adaptam a essa nova realidade, será vital equilibrar custo e eficácia nas iniciativas de IA.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
