Criando produtos de Inteligência Artificial: 3 passsos essenciais
(for english version, please click here)
Olá!
Escrevo este artigo para compartilhar um pouco da minha experiência criando produtos de AI. Resumi os passos que costumo seguir no esquema acima. Minha ideia é iniciar uma conversa a respeito do tema, falando o que faço, ouvindo dicas e sugestões e assim evoluir. Por isso, qualquer comentário ou feedback é super bem vindo, e vai me ajudar muito! Muito obrigado desde já!
Vamos começar com algumas perguntas:
Por que um novo framework, se já existem tantos para desenvolvimento de Produtos?
Porque, na minha opinião, AI é um tipo diferente de produto.
Por quê AI é tão diferente?
Existem vários motivos, mas eu destacaria que AI envolve conceitos difíceis de comunicar, e hoje é algo significativamente caro para desenvolver.
Por que os conceitos de AI são difíceis de comunicar?
Matemática. Estatística. Álgebra Linear. Cálculo. Esqueça dos filmes de Hollywood, lá ninguém fala de estatística, mas é disso que AI trata. Por trás de todo o glamour e das empresas da moda, temos muitos números e muitos conceitos matemáticos difíceis de compreender, aplicados de forma a emular um dos sistemas mais complexos que existe: A mente humana. A não ser que você seja um neurocientista, provavelmente enfrentaria dificuldades ao tentar explicar por que você pensa da forma como pensa, como os neurônios interagem para cada tomada de decisão. Com AI, acontece a mesma coisa.
Lembrando que um Product Manager constrói pontes entre pessoas, entre áreas, que se comunica com pessoas de diferentes áreas, funções e formações, e busca colocá-las em harmonia ao redor do problema a ser resolvido para poder construir uma solução, fica fácil entender o impacto que a comunicação de conceitos complexos tem aqui.
E por que é caro?
Bom, vou destacar 3 fatores que tenho percebido:
- Pessoas — Custo de Oportunidade. Um time de desenvolvimento de produtos de Inteligencia Artificial é raro e caro. Estamos numa crise mundial de falta de Data Scientists. Assim, se sua empresa tem um time desses, você vai buscar alocá-los nos projetos que podem trazer o maior retorno. Se você investir em um projeto com baixo potencial, ou alto risco, pode perder a oportunidade de trazer mais valor e diferenciais competitivos para a empresa em outros projetos.
- Dados. Conseguir dados não é uma tarefa fácil. É necessário gerar ou adaptar sistemas para consegui-los. Também será necessário tratar os dados, limpar outliers, fazer análises para excluir desvios… bastante trabalho. E por último, você precisará de poder computacional para trabalhar com uma grande quantidade de dados, e isso custa dinheiro.
- Tempo. Construir um modelo, treiná-lo, testá-lo, colocá-lo em produção, analisar os resultados. Tudo isso custa tempo, e custa mais com Inteligência Artificial. Aqui, é mais difícil fazer um MVP. A aplicação do Lean fica um pouco diferente, você gastará mais tempo validando hipóteses, e isso impactará diretamente os custos, em especial o custo de oportunidade.
Conceitos e tecnologia diferentes, difícil de comunicar, e caro. Isso afeta a forma como lidamos com esse tipo de produto, e as estratégias que empregamos para desenvolvê-los. Assim, vou compartilhar aqui um pouco do que tenho feito.
Meus 3 passos básicos são:
- Entender as necessidades
- Identificar as oportunidades
- Definir o Roadmap
Abaixo descrevo em mais detalhes.
Entender as necessidades
É importante ressaltar aqui que minha experiência se dá em empresas de tecnologia, startups já próximas da marca de unicornio a grandes grupos já próximos da marca de decacornios. Isso direcionou bastante os problemas que encontrei.
Assim, aqui estão as 3 principais necessidades que busquei entender antes de desenvolver um produto:
- Processo
Sabe aquela questão do custo de oportunidade? Então, por conta disso, antes de testar ideias brilhantes, já com produtos de AI, primeiro buscamos oportunidades de melhorar processos já existentes. Tais processos já encontraram uma oportunidade no mercado, provavelmente já alcançaram Product Market Fit, e aprimorá-los pode ser uma grande oportunidade. E como fazer isso?
Tudo começa com as pessoas. Entender as pessoas que cuidam desses processos. Quem são, o que fazem, e por que fazem o que fazem. Entender suas dores, e o que pode aliviá-las. Entender o que pode trazer ganhos. E isso é feito através de entrevistas. Entrevistas, que geram empatia com as pessoas e os processos. Para isso, utilizei um material bem interessante, de Design Thinking, o Stanford Bootcamp Bootleg. Compartilho o link no final do artigo. Mas entender o processo é só o começo.
- Empresa
Se um processo já existe, provavelmente é para atender a uma necessidade da companhia. Assim, é muito importante, ao mapear o processo, entender por que ele existe. É possível que seu novo produto de AI substitua o processo existente, então boa parte das dores mapeadas anteriormente simplesmente desaparecerão. Porém, para fazer isso, é preciso que esse novo produto gere mais valor que o processo antigo, atenda melhor às necessidades da empresa.
- Mercado
Seu novo produto de AI precisa aumentar o Product Market Fit da empresa. É necessário gerar valor para a empresa, tendo em vista o mercado. Isso pode ser traduzido em diversas decisões, desde a escolha por desenvolver a ferramenta internamente ao invés de comprar uma pronta e adaptar, até a escolha do processo que o produto de AI irá aprimorar ou substituir, e trará o maior impacto na empresa.
Identificando oportunidades
Aqui, adapto a Arvore de Oportunidades e Soluções, desenvolvida por Teresa Torres, para as necessidades que encontrei. No final do artigo compartilho o link para a solução original descrita por ela.
Tal arvore aqui envolve 3 conceitos, descritos abaixo:
- Necessidades
Aqui é importante modelar as necessidades em uma linguagem comum tanto a clientes e stakeholders quanto desenvolvedores e Data Scientists. Em outras palavras, é importante traduzir o problema mapeado de forma que possa ser compreendido e gerar insights, gerar insights estatísticos (é disso que AI trata, lembra?). Modelar é uma arte, e aqui é importante não esquecer o objetivo principal: Comunicar.
Dica: Algo que me ajudou bastante foi criar mockups. Simples, pobres, até mal feitos, feitos as pressas… usando planilhas, usando um amontoado de imagens… o importante é traduzir os conceitos abstratos em algo que possa ser visto, algo com que as pessoas possam minimamente interagir, criando uma linguagem comum.
- Oportunidades
Com as necessidades devidamente mapeadas e comunicadas, podemos começar a pensar (e conduzir brainstorms para isso) a respeito das oportunidades de atender tais necessidades, gerando ganhos e reduzindo dores. Mais uma vez, aqui é extremamente importante que as dores mapeadas sejam claramente compreendidas pelos Data Scientists, pois eles serão as grandes fontes de insights a respeito das oportunidades que temos em AI para endereçar as necessidades.
- Solução
Aqui começamos a desenhar soluções que endereçam as oportunidades. Usualmente podemos começar com benchmarks ou teorias que endereçam tais oportunidades em outros mercados, ou pesquisas acadêmicas a respeito do tema. O importante é desenhar soluções, e reduzir o risco tomando por base coisas que já foram testadas.
Definindo o Roadmap
Aqui o projeto começa a ficar sério :) Precisamos pensar em investimento, retorno e risco. Tomo por base para as decisões nessa fase os conceitos aprendidos no curso Stanford Strategic Decision and Risk Management, cujo link compartilho ao final.
De forma a entender se um projeto é viável, precisamos analisar o investimento a ser empregado (destacando o custo de oportunidade) e a expectativa de retorno. Como produtos de AI geralmente envolvem soluções ainda não testadas, isso trás risco ao retorno calculado. E por isso, tal retorno deve ser considerado em função do risco.
De maneira geral, para reduzir o risco total do projeto, dividimos em etapas, se possível entregando valor ao negócio em cada uma dessas etapas, e testando hipóteses essenciais a cada uma.
Assim, mesmo que o produto não seja finalizado, a cada etapa algum valor já foi entregue, algo foi feito para melhorar o processo atual.
E além disso, como cada uma testa hipóteses essenciais, se alguma hipótese não se provar é possível parar o projeto e abandonar ou ajustar, reduzindo o prejuízo. Por isso inclusive, sempre que possível, é importante trazer as hipóteses de maior impacto para o início do projeto.
Bom, isso é um resumo do que tenho feito :)
Agradeço muito, muito muito por ler até aqui, e ficarei extremamente agradecido por quaisquer comentários, sugestões ou feedbacks. Valeu!!! ;)
Referências Principais:
Stanford Bootleg — Design Thinking: https://dschool.stanford.edu/resources/design-thinking-bootleg
Opportunity Solution Trees — Teresa Torres
Stanford Strategic Decision and Risk Management
https://online.stanford.edu/strategic-decision-and-risk-management
