Como os diretores e líderes de TI podem minimizar os aspectos negativos do rumores acerca da IA, preservando o entusiasmo associado ao seu poder de gerar valor real?
Com este modelo, os líderes de tecnologia da informação podem desmistificar a inteligência artificial, detalhando seu conceito em partes tangíveis e removendo o elemento filosófico da discussão. E ainda podem mostrar como cada uma dessas técnicas é capaz de resolver problemas reais.
Preencha o formulário para baixar a sua cópia.
Nesse webinar, um grupo de especialistas do Gartner compartilha nosso processo de cinco perguntas que ajuda a orientar a decisão de criar ou comprar inteligência artificial. Mostraremos a conversa pré-decisão, discutindo quem precisa fazer parte dessas reuniões, e depois revelaremos os próximos passos, incluindo se há circunstâncias extenuantes.
Líderes de TI entendem a inteligência artificial como uma tecnologia que eles precisam dominar.
A inteligência artificial tem o potencial de permitir que as organizações permaneçam competitivas e busquem novas direções com seus produtos e serviços. Com toda a atenção das diretorias voltada para a inteligência artificial, os líderes de TI precisam escolher onde a IA deve ser usada e testada em atividades de negócios.
Organizações informam que a inteligência artificial tem um elevado potencial de impactar os negócios e fornecer soluções eficazes para combater problemas cruciais. O Gartner pode fornecer insights e ferramentas abrangentes que ajudam a definir uma diretriz de inteligência artificial eficaz.
As decisões que usam dados podem ser automatizadas de diversas formas, mas variam entre serem baseadas em pessoas a totalmente automatizadas. O segredo é saber quando e como usar inteligência artificial (IA) para melhorar a velocidade e a precisão das decisões de negócios.
Escolher os casos de uso de inteligência artificial (IA) certos para fornecer valor comercial em um domínio específico é um primeiro passo essencial para aproveitar as novas oportunidades de IA. Essa ferramenta ajuda líderes executivos a fundamentarem a base para priorizar investimentos em IA com base em categorias e subcategorias de casos de uso.
As organizações combinam técnicas de inteligência artificial para máxima flexibilidade e diferenciação dos negócios para melhorar o resultado de modelos de decisão e acomodar fatores de incerteza. Nesse webinar gratuito, explore como as técnicas de decisão são combinadas para abordar decisões complexas .
Cerca de metade dos diretores de tecnologia da informação afirmam que já empregam inteligência artificial (IA) ou que pretendem usá-la nos próximos 12 meses. Mas como tornar a IA uma competência central de TI ainda é um mistério para a maioria das organizações. Neste episódio, Whit apresenta cinco hábitos cruciais para o sucesso de programas de IA e um erro importante que as organizações costumam cometer.
Conforme definido no glossário do Gartner, inteligência artificial (IA) se aplica a técnicas baseadas em lógica e análise avançada, incluindo machine learning, para interpretar eventos, apoiar e automatizar decisões e tomar medidas.
IA é uma disciplina de engenharia da computação, uma série de técnicas baseadas em lógica ou matemática para revelar, capturar, codificar conhecimento e aproveitar mecanismos sofisticados e inteligentes para resolver problemas, ou seja, uma simulação de processos cognitivos por meio de programas de computação.
Em um ambiente de negócios, isso pode englobar desde modelos de folhas de pagamento básicos automatizados para detectar atividades fraudulentas, sinalizar oportunidades de venda cruzada e otimizar um conjunto de recursos até robótica inteligente para realizar tarefas no local de trabalho.
As empresas estão mergulhando em três categorias principais de IA. Essas categorias incluem diversas aplicações conhecidas de tecnologia que podem ser destinadas a vários setores/usos tecnológicos.
As três categorias principais de técnicas que incluem os usos mais comuns em IA são:
Raciocínio probabilístico: Estas técnicas, muitas vezes generalizadas como machine learning, extraem valor das grandes quantidades de dados coletados pelas empresas. Isso inclui técnicas voltadas para revelar informações desconhecidas que se encontram dentro de um grande volume de dados (ou com grandes dimensões). Isso é feito descobrindo correlações interessantes vinculadas a uma meta específica ou rótulo dentro desses dados. E pode incluir, por exemplo, verificar um grande número de registros de clientes e identificar quais e como certos fatores se correlacionam.
Lógica computacional: Estas técnicas, frequentemente referidas como sistemas baseados em regras, utilizam e ampliam o conhecimento implícito e explícito da organização. Tem por objetivo capturar informações conhecidas de forma estruturada, quase sempre na forma de regras. Essas regras podem ser manipuladas por empresas, enquanto a tecnologia garante a coerência do conjunto de regras, assegurando que não haja contradição ou raciocínio circular, o que não é tão óbvio ao lidar com dezenas de milhares de regras. Uma nova série de leis de conformidade colocou as abordagens baseadas em regras em destaque.
Técnicas de otimização: tradicionalmente usadas por grupos de pesquisa de operações, as técnicas de otimização maximizam os benefícios enquanto gerenciam compensações comerciais ao encontrar combinações ideais de recursos dado um número de restrições em um dado período de tempo. Os solucionadores de otimização quase sempre geram planos de ação executáveis e às vezes são descritos como técnicas de análise prescritiva. Grupos de pesquisa operacional em setores centrados em ativos, como manufatura e serviços públicos, ou funções, como logística e cadeia de suprimentos, usam técnicas de otimização há décadas.
Processamento de linguagem natural (PLN): PLN fornece formas intuitivas de comunicação entre pessoas e sistemas. PLN inclui técnicas linguísticas computacionais (simbólicas e subsimbólicas) voltadas para reconhecer, analisar, interpretar, marcar automaticamente, traduzir e gerar (ou resumir) linguagens naturais. A parte fonética é muitas vezes deixada para tecnologias de processamento da fala, que são essencialmente sistemas de processamento de sinais. É por isso que aplicativos com funcionalidades de fala para texto ou texto para fala são geralmente oferecidos por soluções de software distintas. Recursos adicionais de conhecimento, como dicionários ou ontologias, também fazem parte de sistemas PLN.
Representação do conhecimento: Recursos como gráficos de conhecimento ou redes semânticas facilitam e aceleram o acesso e a análise de gráficos e redes de dados. Através de suas representações de conhecimento, esses mecanismos costumam ser mais intuitivos para tipos específicos de problemas. Por exemplo, novas representações de conhecimento proporcionam solo fértil para técnicas de IA em situações em que é necessário mapear relações específicas entre entidades (pesquisa investigativa, otimização de processos ou gestão de ativos de manufatura, por exemplo). Essas técnicas incluem pesquisa de gráficos, memorização e aprendizagem híbrida quando em sistemas de IA compostos. Por exemplo, no primeiro semestre de 2020, a adoção de técnicas de gráficos de conhecimento acelerou criticamente.
Saber como aproveitar machine learning, regras, otimização, PLN e técnicas de gráfico fornecidas por IA é essencial para o sucesso na organização.
Atualmente, os principais desafios para o uso de IA no local de trabalho estão ligados ao rumores e consequente desinformação que cercam a aplicação da inteligência artificial.
O frenesi do setor de tecnologia e o entusiasmo exagerado da mídia e de fornecedores de software criaram certa confusão, dificultando para as organizações definirem as expectativas certas para os resultados de negócios.
Isso dá origem a projetos que não têm chance de sucesso. Subsequentemente, líderes de negócios com expectativas não realistas podem culpar a tecnologia e a ciência por sua incapacidade de transformar chumbo em ouro, mas o real culpado é a má compreensão ou o mal uso da IA nos resultados de negócios, juntamente com questões de integração e segurança.
Antes de implementar qualquer programa ou sistema de IA na sua organização, é preciso ter um entendimento claro do impacto final nos negócios. O que você deseja conquistar com IA?
Comece perguntando à sua equipe de estrategistas:
Qualquer estratégia de IA deve primeiro avaliar e se concentrar na prontidão da organização. É preciso permitir a aprendizagem e o uso prático antes de se comprometer com um programa de IA.
A Gartner é um recurso objetivo para mais de 15 mil empresas em ~90 países.
Vá além e descubra como podemos ajudar a concretizar suas principais prioridades estratégicas.
