Este artigo apareceu originalmente em nome do Conselho de Tecnologia da Forbes, uma comunidade para CIOs, CTOs e executivos de tecnologia de classe mundial. Leia o post original aqui.

Quando se trata de inteligência artificial (IA) e aprendizado de máquina, em particular, a maneira como projetamos software está mudando fundamentalmente. Engenheiros tradicionais não precisavam contemplar a ideia de o software precisar “aprender” para ser útil. Definimos as “regras” que queríamos considerar, codificamos essas regras nas aplicações que estávamos construindo e as liberamos. Então, iteramos e melhoramos nelas em um ciclo contínuo.

Isso é diferente com a IA. Ao invés de codificar regras nas aplicações, os produtos de IA dependem de dados de treinamento para funcionar. Por exemplo, quando os aplicativos de GPS surgiram, eles mudaram tudo — adeus mapas em papel! Cerca de uma década depois, o aplicativo de software de navegação Waze redefiniu essa experiência mais uma vez. O Waze descobriu que, ao agregar os dados de todos os usuários, eles não só podem dizer a um usuário para onde ir em seguida, mas também a maneira mais rápida de chegar lá e atualizar essas recomendações em tempo real.

À medida que ficamos mais espertos na construção de aplicativos de software, aprendemos que práticas de desenvolvimento como o modelo cascata não funcionam porque não consideram suficientemente o usuário no ciclo de vida do desenvolvimento de software. No final, os usuários provavelmente têm novos requisitos. Então, passamos para novas abordagens, como as famosas nos livros como The Lean Startup. Enquanto as pessoas hoje desafiam conceitos como o “produto mínimo viável”, as ideias estão absolutamente corretas: Comece pequeno e coloque seu produto nas mãos dos usuários o mais rápido possível para que você possa ter feedback e melhorar o produto durante o caminho.

A IA deve ser abordada da mesma forma. É tentador passar anos construindo o sistema de inteligência artificial perfeito, treinado por enormes volumes de conjuntos de dados perfeitos. Mas não se surpreenda se o produto estiver completamente obsoleto e irrelevante quando você o apresentar ao mundo.

Talvez seu conjunto de dados reflita práticas antigas que não fazem mais sentido, ou seu algoritmo nunca tenha sido exposto a um determinado idioma. Ou talvez a pessoa que você achava que usaria seu produto não seja quem acaba usando. Uma IA treinada em um vácuo só pode reagir ao que foi exposta. Eu acredito firmemente em colocar seu algoritmo lá fora, onde ele pode aprender, se adaptar e melhorar. Aqui está o motivo pelo qual é OK permitir que sua IA comece “boba”.

Encontre Seu Foco

Já sabemos que ferramentas de IA ainda não são capazes de substituir pessoas, e não esperamos que consigam fazer isso em um futuro próximo. Mantenha isso em mente ao projetar sua solução. Faça do seu usuário o foco do seu algoritmo e concentre-se intencionalmente em um caso de uso que esse usuário se importa.

Um exemplo aqui é Textio, uma rede de coaching baseada em IA focada em ajudar profissionais de talentos a escreverem melhores descrições de empregos. Isso é uma tarefa muito específica. Eles não estão focados em transformar todos em melhores escritores. Escolheram uma especialidade — descrições de empregos — e aprofundaram-se. As maiores conquistas de IA que vimos começam com uma tarefa discreta e depois se expandem. E quanto mais focada for a solução, mais rápido a IA aprenderá.

Não Coloque o Fantasma Antes da Máquina

Depois de encontrar seu foco, não fique muito empolgado em mudar o mundo ainda. Apenas considerar as coisas que precisam acontecer para fazer um sistema de IA (mesmo um idiota) funcionar é um processo intenso e exaustivo que inclui:

• Configurar o ambiente técnico
• Configurar o sistema que armazena todos os dados de treinamento
• Configurar o algoritmo fundamental que treina os dados e fornece sugestões de volta

Embora a nuvem tenha facilitado essas etapas, ainda são uma tarefa árdua. Por isso, você deve focar principalmente seus esforços em configurar e estabilizar os processos acima, o que permitirá que você avance muito mais rápido quando começar a testar seu produto com clientes em potencial do que se decidisse dedicar a maior parte do tempo ao treinamento de seus dados. Se você trabalha em um mundo teórico e tenta reunir dados de treinamento sem o feedback de clientes reais, está trabalhando em um vácuo que vai alimentar suas suposições preexistentes de volta para você.

Coloque Sua IA Diante das Pessoas

Seus dados de treinamento são essenciais para o início do processo, mas para criar um produto de IA que possa melhorar com o tempo, você precisa dar o salto para o maior conjunto de dados de todos: a experiência humana. E fazer isso requer que você invista na experiência do usuário (UX). Quanto melhor você puder tornar a experiência de usar sua IA, mais pessoas vão querer usá-la, o que significa que seu modelo vai reunir mais dados muito mais rapidamente.

É crucial conectar a importância do UX com o sucesso de sua iniciativa de IA. Infelizmente, a maioria das pessoas não pensa dessa maneira. Elas ficam tão envolvidas na ideia de uma vida melhor por meio de algoritmos que tendem a assumir que a IA se trata da máquina. A realidade é que você está fazendo todo esse trabalho para ter acesso a dados. Mas os dados precisam vir de algum lugar.

O conceito fundamental frequentemente esquecido de entender aqui é que “algum lugar” são as pessoas usando seu software. A IA funciona quando você a trata como uma parceria entre humanos e máquinas. Por isso, se você não tem uma boa experiência do usuário, nunca terá uma boa IA. Se você não começa dizendo: "Vou criar um sistema que as pessoas queiram usar, que seja fácil de usar e que elas usarão frequentemente", então o resto não importa.

Um algoritmo sempre pode ser ajustado. Quanto mais tempo ele estiver no mundo real, melhor ele se torna. É menos importante que ele seja brilhante desde o início do que encontrar o problema específico que deseja resolver e preparar seu ambiente técnico para absorver dados. No final, uma IA inteligente é simplesmente aquela que funciona.