Desenvolvimento de IA e ágil não combinam bem, mostra estudo

O desenvolvimento ágil de software tem sido visto há muito tempo como uma forma altamente eficaz de fornecer o software que a empresa precisa. A prática tem funcionado bem em muitas organizações há mais de duas décadas. Agile também é a base para scrum, DevOps e outras práticas colaborativas. No entanto, as práticas ágeis podem ser insuficientes no design e na implementação da inteligência artificial (IA).

Além disso: as linguagens de programação mais populares em 2024 (e o que isso significa)

Essa perceção provém de um relatório recente da RAND Corporation, o grupo de reflexão sobre políticas globais, baseado em entrevistas com 65 cientistas e engenheiros de dados com pelo menos cinco anos de experiência na construção de modelos de IA e de aprendizagem automática na indústria ou no meio académico. A pesquisa, inicialmente conduzida para o Departamento de Defesa dos EUA, foi concluída em abril de 2024. “Muitas vezes, os projetos de IA fracassam ou nunca decolam”, disseram os coautores do relatório, liderados por James Ryseff, analista técnico sênior de política. na RAND.

Curiosamente, vários especialistas em IA veem as práticas formais de desenvolvimento ágil de software como um obstáculo para o sucesso da IA. “Vários entrevistados (10 de 50) expressaram a crença de que interpretações rígidas de processos ágeis de desenvolvimento de software não são adequadas para projetos de IA”, descobriram os pesquisadores.

Além disso: o desenvolvimento ágil pode desbloquear o poder da IA ​​generativa – veja como

“Embora o movimento do software ágil nunca tenha pretendido desenvolver processos rígidos – um dos seus princípios principais é que os indivíduos e as interações são muito mais importantes do que os processos e ferramentas – muitas organizações exigem que as suas equipas de engenharia sigam universalmente os mesmos processos ágeis.”

Como resultado, como disse um entrevistado, “os itens de trabalho tiveram que ser repetidamente reabertos no sprint seguinte ou tornados ridiculamente pequenos e sem sentido para caber em um sprint de uma ou duas semanas”. Em particular, os projetos de IA “exigem uma fase inicial de exploração e experimentação de dados com uma duração imprevisível”.

Além disso: Como sua empresa pode explorar melhor a IA: diga ao seu conselho estas quatro coisas

A pesquisa da RAND sugeriu que outros fatores podem limitar o sucesso dos projetos de IA. Embora as falhas de TI tenham sido bem documentadas nas últimas décadas, as falhas de IA assumem uma aparência alternativa. “A IA parece ter características de projeto diferentes, como mão de obra dispendiosa e requisitos de capital e alta complexidade de algoritmos, que os tornam diferentes de um sistema de informação tradicional”, disseram os coautores do estudo.

“A natureza de destaque da IA ​​pode aumentar o desejo das partes interessadas de compreender melhor o que impulsiona o risco dos projetos de TI relacionados à IA.”

A equipe RAND identificou as principais causas do fracasso do projeto de IA:

• “As partes interessadas da indústria muitas vezes entendem mal – ou comunicam mal – qual problema precisa ser resolvido usando IA. Muitas vezes, as organizações implementam modelos de IA treinados apenas para descobrir que os modelos otimizaram as métricas erradas ou não se enquadram no fluxo de trabalho e contexto geral. ”
• “Muitos projetos de IA falham porque a organização não possui os dados necessários para treinar adequadamente um modelo de IA eficaz.”
• “A organização se concentra mais em usar a melhor e mais recente tecnologia do que em resolver problemas reais para os usuários pretendidos.”
• “As organizações podem não ter infraestrutura adequada para gerenciar seus dados e implantar modelos de IA completos, o que aumenta a probabilidade de fracasso do projeto”.
• “A tecnologia é aplicada a problemas que são muito difíceis de serem resolvidos pela IA. A IA não é uma varinha mágica que pode fazer desaparecer qualquer problema desafiador; em alguns casos, mesmo os modelos de IA mais avançados não conseguem automatizar uma tarefa difícil.”

Embora as práticas ágeis formais possam ser muito complicadas para o desenvolvimento de IA, ainda é fundamental que os profissionais de TI e de dados se comuniquem abertamente com os usuários empresariais. Os entrevistados no estudo recomendaram que “em vez de adotar processos de engenharia de software estabelecidos – que muitas vezes não passam de listas sofisticadas de tarefas – a equipe técnica deveria se comunicar frequentemente com seus parceiros de negócios sobre o estado do projeto”.

Além disso: é hora de as empresas superarem o hype da IA ​​generativa e encontrarem valor real

O relatório sugeria: “As partes interessadas não gostam quando você diz: 'está demorando mais do que o esperado; entrarei em contato com você em duas semanas'. Eles estão curiosos. A comunicação aberta cria confiança entre as partes interessadas do negócio e a equipe técnica e aumenta a probabilidade de que o projeto acabe sendo bem-sucedido.”
Portanto, os desenvolvedores de IA devem garantir que a equipe técnica entenda o propósito do projeto e o contexto do domínio: “Mal-entendidos e falhas de comunicação sobre a intenção e o propósito do projeto são os motivos mais comuns para o fracasso do projeto de IA. Garantir interações eficazes entre os tecnólogos e os especialistas de negócios pode ser a diferença entre o sucesso e o fracasso de um projeto de IA.”

A equipe da RAND também recomendou a escolha de “problemas duradouros”. Os projetos de IA exigem tempo e paciência para serem concluídos: “Antes de iniciar qualquer projeto de IA, os líderes devem estar preparados para comprometer cada equipe de produto na solução de um problema específico por pelo menos um ano. Se um projeto de IA não valer um compromisso de tão longo prazo , provavelmente não vale a pena se comprometer com isso.”

Além disso: quando é o momento certo para investir em IA? 4 maneiras de ajudá-lo a decidir

Embora seja crucial focar no problema de negócios e não na solução tecnológica, as organizações devem investir na infraestrutura para apoiar os esforços de IA, sugeriu o relatório da RAND: “Os investimentos iniciais em infraestrutura para apoiar a governança de dados e a implantação de modelos podem reduzir substancialmente o tempo necessário para concluir projetos de IA e pode aumentar o volume de dados de alta qualidade disponíveis para treinar modelos de IA eficazes.”

Finalmente, como observado acima, o relatório sugere que a IA não é uma varinha mágica e tem limitações: “Ao considerar um potencial projecto de IA, os líderes precisam de incluir especialistas técnicos para avaliar a viabilidade do projecto”.