Ir para o conteúdo

Iniciar um piloto de IA

Um caso de uso, critérios de sucesso e de paragem definidos antecipadamente e uma implementação de pequena escala com dados reais. Ajudamos a GVB a escolher o caso de uso com maior impacto.

Através da estratégia de dados, ajudamos o GVB a identificar o caso de uso com maior impacto e menor esforço relativo

No GVB, uma nova aplicação de dados envolve vários departamentos e equipas que, muitas vezes, nunca trabalharam juntos. Apoiamos o GVB na definição, seleção e concretização de casos de uso de dados e, em conjunto, traçamos o caminho para uma forma de trabalhar orientada por dados.

Leia o caso de estudo

A nossa ideia de IA ajuda mesmo no trabalho, e como pode um projeto-piloto demonstrá-lo?

Uma demonstração com um modelo de linguagem ou um modelo num notebook pode convencer rapidamente. Só é possível saber se melhora o trabalho da sua equipa com dados reais, utilizadores reais e um acordo prévio sobre o que conta como sucesso e quando parar.

Agende uma conversa

Após um piloto de IA, terá uma decisão: avançar, ajustar ou parar, fundamentada nos seus próprios dados

Fale connosco sobre o seu piloto

Um caso de uso bem delimitado

Uma tarefa ou decisão, um grupo de utilizadores, uma métrica. Ajudamos a GVB a determinar qual o caso de uso com maior impacto e menor esforço.

Critérios de sucesso e de paragem definidos antecipadamente

Antes de começar, definimos o que o piloto deve demonstrar, com que o vamos comparar e que resultados levarão à sua interrupção.

Testar com tarefas do próprio trabalho

Para a AFWC, criámos exercícios de IA a partir de tarefas que os participantes trouxeram do seu trabalho. Seguimos a mesma abordagem nos testes com os utilizadores do piloto.

Uma decisão e um passo seguinte

No final, há uma decisão de avançar ou não. Se avançarmos, fica claro o que é necessário para passar à produção: fluxo de dados, integrações, gestão e um responsável.

Definimos os critérios e a verificação dos dados antes de construir com dados reais

  1. Caso de uso e critérios

    Qual é a tarefa, quem são os utilizadores, o que conta como sucesso e que resultado nos levaria a parar?

  2. Verificação dos dados e desenvolvimento de uma versão mínima

    Verificamos se os dados estão disponíveis e corretos e construímos a versão mínima que responde à questão.

  3. Medir e decidir

    Os utilizadores usam-na no seu trabalho. Medimos os resultados face aos critérios, e a sua equipa decide se avança ou não.

A nossa ideia está pronta para um projeto-piloto ou é preciso fazer outra coisa primeiro?

Fale connosco para avaliar a ideia

Faz sentido se

Tem uma ideia concreta, uma pessoa responsável pelo processo e utilizadores dispostos a participar nos testes. Os dados existem, mesmo que ainda não sejam perfeitos.

Não faz sentido se

Há dez ideias e ninguém escolhe uma, ou os dados necessários para o caso de uso não existem. Nesse caso, comece por escolher um caso de uso ou por analisar a fonte dos dados.

O que determina o âmbito

O número de fontes de que o projeto-piloto precisa, se será usado um modelo próprio ou um modelo de linguagem, quantos utilizadores participam, os requisitos de privacidade e quão próximo da produção pretende realizar os testes.

E se o projeto-piloto falhar?

Uma decisão de não avançar, com base no que foi acordado previamente, também é um resultado. Fica a saber porque não funciona e o que seria necessário para funcionar. É melhor do que um projeto-piloto que se prolonga indefinidamente.

Uma prova de conceito, um projeto-piloto ou passar diretamente à produção: qual é o passo certo agora?

Uma prova de conceito

Escolha esta opção se ainda não sabe se é tecnicamente viável, por exemplo, se um modelo consegue extrair os dados certos dos seus documentos. Teste-o com um conjunto de dados fixo.

Um projeto-piloto

Escolha esta opção se já sabe que é tecnicamente viável e quer perceber se ajuda no trabalho. O nosso conselho: escolha um caso de uso e defina os critérios para interromper o projeto antes de começar.

Diretamente para produção

Escolha esta opção se a aplicação é comum e a sua utilidade já está comprovada. Nesse caso, pode dispensar o projeto-piloto e continuar a ler sobre a implementação de IA.

Estruturamos cada projeto-piloto desde o início para que possa evoluir até à produção

A Data Science Lab trabalha com dados e IA desde 2016 e é parceira da Databricks e da Microsoft. Também testamos novas ferramentas de IA em projetos-piloto na nossa própria equipa, como o GitHub Copilot.

Agende uma reunião de apresentação

A primeira conversa começa com uma ideia e com os colegas que vão trabalhar com ela

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef é o seu primeiro ponto de contacto. Na primeira conversa, falamos da sua ideia, dos dados e do que o projeto-piloto deve demonstrar.

Que ideia de IA gostaria de testar num projeto-piloto?

Diga-nos que ideia quer testar, com que dados e quem participaria. Respondemos por email ou marcamos uma primeira conversa.

Introduza um endereço de e-mail válido.

Diga-nos como podemos ajudar.

Perguntas frequentes

É um teste pequeno e bem delimitado em que uma aplicação de IA usa dados reais com utilizadores reais para mostrar se os ajuda no trabalho. Define-se antecipadamente o que conta como sucesso e quando parar. O resultado é uma decisão, não uma demonstração.

Um projeto-piloto é uma etapa do nosso trabalho. As etapas anteriores e seguintes estão descritas em serviços.

Uma prova de conceito de IA, ou PoC de IA, responde à pergunta «é tecnicamente possível?», geralmente com um conjunto de dados fixo. Um projeto-piloto responde à pergunta «é útil?»: com dados reais, no trabalho de um pequeno grupo de utilizadores.

Se já sabe que é tecnicamente possível, pode dispensar a PoC e avançar diretamente para um projeto-piloto.

Define-se como avaliar se funciona melhor do que a forma atual de trabalhar: menos tempo gasto a procurar informação, menos verificações manuais ou melhores sugestões na opinião dos utilizadores. Define-se também o limite abaixo do qual paramos e o que os utilizadores devem conseguir fazer sem ajuda.

Registamos ainda o que o projeto-piloto não avalia, para que ninguém interprete a decisão de outra forma mais tarde.

Tão pequeno quanto possível, tão realista quanto necessário. Um caso de uso, as fontes de dados de que precisa e um grupo de utilizadores que o utiliza no seu próprio trabalho. É preferível testar uma tarefa específica por completo do que uma tarefa abrangente apenas em parte.

A verificação dos dados pode ser mais ampla: é preferível encontrar problemas nos dados de origem durante o projeto-piloto do que em produção.

Geralmente, não é por causa da tecnologia, mas do que a rodeia. São necessárias três condições: um fornecimento fiável de dados, uma equipa capaz de manter o modelo e um processo em que os resultados sejam efetivamente utilizados. Se faltar uma delas, o projeto-piloto não passa de uma demonstração.

Saiba mais em do projeto-piloto à produção.

Sim. Na Data Science Lab, por exemplo, iniciámos um projeto-piloto com o GitHub Copilot que envolveu vários colegas e diferentes projetos de data science. Antes de começarmos, analisámos as condições de privacidade.

Saiba como organizámos esse projeto-piloto em Projeto-piloto DSL: GitHub Copilot.

Segue-se a passagem à produção: a aplicação utiliza dados em tempo real, fica ligada aos seus sistemas e passa a ter monitorização e uma pessoa responsável na sua organização. O que é necessário para isso já consta da decisão tomada no final do projeto-piloto.

Descrevemos esta etapa em implementação de IA e o trabalho posterior em gestão e melhoria contínua.

Quando ninguém vai utilizar o resultado, quando não existem dados para o caso de uso ou quando uma regra fixa no seu sistema já executa bem a tarefa. Sem alguém que tome uma decisão após o projeto-piloto, também não passa de um teste.

Se ainda não sabe qual das ideias deve explorar primeiro, comece pela consultoria de IA.