Implementando IA durante uma escassez mundial de talentos

As demandas do C-suite para a proliferação de IA em toda a empresa costumam ser complicadas pela falta de talentos disponíveis e das habilidades necessárias para se empenhar em tais implantações. O orçamento raramente é o fator limitante — especialmente para organizações maiores. O que falta são as pessoas com conhecimento e habilidades práticas para testar e instituir IA em toda a organização.

Quando os modelos certos de aprendizado de máquina (ML) são combinados com os casos de uso certos, a IA pode aumentar o atendimento ao cliente, executar tarefas administrativas, analisar grandes conjuntos de dados e executar muitas outras funções organizacionais em grande quantity e com baixas taxas de erro. Os líderes empresariais sabem disso. No entanto, eles estão sendo impedidos de agir com base nesse conhecimento.

Nova pesquisa da SambaNova Methods mostrou que, globalmente, apenas 18% das organizações estão implantando a IA como uma iniciativa de escala empresarial em larga escala. Da mesma forma, 59% dos gerentes de TI no Reino Unido relatam que têm orçamento para contratar recursos adicionais para suas equipes de IA, mas 82% disseram que, na verdade, contratação para essas equipes é um desafio.

Cada hora de tarefas repetitivas que podem ser cortadas pela automação ou aumento com IA é uma hora que os funcionários podem gastar agregando valor por meio de tarefas de pensamento lateral de ordem superior. As empresas estão observando seus concorrentes encontrarem uma vantagem competitiva quando testam, iteram e lançam programas de IA em larga escala, buscando qualquer experiência em IA e ML que possam atrair nesse meio tempo.

Esta crise de competências não é nova, nem surpreendente, nem facilmente resolvida. Tem sido um problema em todo o setor de tecnologia há anos, senão décadas. Em 2011, um estudo da PwC descobriu que mais de 56% dos CEOs estavam preocupados com a falta de talento para se adequar às funções digitais. E mais de uma década depois, 54% dos líderes de tecnologia classificaram a aquisição e retenção de talentos como a ameaça número um ao crescimento dos negócios.

A period da IA ​​tornou esse problema mais agudo – o ritmo da mudança está superando o que veio antes.

A crise de habilidades é exacerbada pelo ritmo acelerado de mudança nos modelos de IA

O desafio para quem trabalha com IA e deseja manter suas habilidades atualizadas é duplo. Em primeiro lugar, o ritmo da mudança é de tirar o fôlego e, aparentemente, está ficando cada vez mais rápido. Em segundo lugar, à medida que os modelos se tornam maiores, eles se tornam menos acessíveis para os engenheiros de software program treinarem, pois modelos grandes precisam de grandes orçamentos para serem executados.

O tópico mais quente em IA é provavelmente grandes modelos de linguagem (LLMs). O primeiro modelo de transformador pré-treinado generativo (GPT) foi lançado pela OpenAI em 2018 – que, como aluno de propósito geral, não é especificamente treinado para realizar as tarefas em que é bom. O modelo aproveita o aprendizado profundo e é capaz de realizar tarefas como resumir texto, responder a perguntas e gerar saída de texto – e fazê-lo em um nível humano. O primeiro modelo foi lançado há quatro anos, mas utilizava apenas 150 milhões de parâmetros (um conjunto de dados de menos de um milhão de páginas da internet). O avanço para GPT e modelos de linguagem grande veio com GPT-3, lançado em 2020 e tinha 175 bilhão parâmetros, mais de mil vezes o número do primeiro modelo GPT.

Desde esse primeiro modelo GPT de linguagem grande da OpenAI (que tem investimento significativo da Microsoft), outros foram lançados do Google, meta e Aleph Alfa. Não é por acaso que essas grandes empresas de tecnologia estão por trás de grandes LLMs: elas exigem muita experiência para treinar e administrar. O GPT-3 foi treinado em 45 terabytes de dados e provavelmente custou milhões de dólares em computação para criar o modelo. Mesmo o recém-lançado LLM de código aberto da BigScience, FLORESCERlevou os esforços combinados de mais de 1.000 pesquisadores voluntários, US$ 7 milhões em doações e acesso ao supercomputador Jean Zay perto de Paris.

Embora os conceitos sejam acessíveis, é muito mais difícil para um engenheiro de software program típico obter experiência prática com os modelos devido ao custo de executá-los.

O desafio de formar uma equipe

Pesquisa SambaNova constatou que apenas um em cada oito líderes de TI possui equipes com recursos completos e trabalhadores qualificados suficientes para atender ao que o C-suite está pedindo. Mais um em cada três está lutando para atender às demandas impostas a eles. O restante (mais da metade) não consegue entregar a visão do C-suite com as pessoas que eles têm.

Os líderes de TI têm orçamento para contratar, mas o recrutamento e a retenção geralmente podem ser um processo extremamente complexo e difícil. As empresas de tecnologia não estão em uma corrida por {hardware} ou recursos tanto quanto estão em uma corrida pelas melhores mentes. Como consequência, essas mentes se tornaram um recurso valioso por si mesmas.

As questões relacionadas com a escassez de oferta são variadas, muitas vezes difíceis de isolar e sobrepor. Um dos principais obstáculos enfrentados pelas equipes que desejam contratar novos talentos para suas iniciativas de IA, e a causa dessa escassez, é que, como disciplina prática, a IA é relativamente nova. Ele tem sido estudado na teoria e na prática desde que temos o conhecimento técnico e de computação para alcançá-lo, mas a educação acadêmica formal só agora se difundiu. Isso não ajuda as organizações que precisam agora de um banco de talentos abrangente e totalmente formado.

Corpo docente com experiência e treinamento em IA — tanto na teoria quanto na prática — são difíceis de encontrar nas universidades. Apesar das especulações sobre a atração do setor de tecnologia, muitos pesquisadores continuam interessados ​​na academia. No entanto, a enorme demanda por cursos e um histórico relativamente curto de graduados em uma disciplina tão nova diminuem o número de professores disponíveis e restringem o pipeline de talentos.

Portanto, não apenas as organizações lutarão para contratar as habilidades de IA de que precisam, mas também aqueles que procuram uma educação em IA para adquirir essas habilidades. É por isso que as organizações precisam procurar maneiras alternativas de atingir suas metas de IA/ML.

Como o upskilling pode ajudar a promover o talento interno

Existem maneiras de os engenheiros aprimorarem e ampliarem seus conhecimentos em IA. Existem vários projetos de código aberto, como TensorFlow (código aberto do Google) e Pytorch (código aberto da Meta).

O upskilling, como prática e política no native de trabalho, é tão bom para o funcionário quanto para a empresa. A organização obtém uma força de trabalho preparada para o futuro, com habilidades mais amplas e recursos interdisciplinares de IA, trabalhando com as abordagens e pesquisas mais recentes para melhorar sua base de conhecimento. Para o funcionário, eles garantem que seu conjunto de habilidades esteja alinhado com as tendências atuais do setor e possam preparar suas próprias carreiras para o futuro, preparando-se para a longevidade no setor.

Ao investir em programas de aprendizagem, as empresas podem ajudar a amenizar alguns dos impactos mais graves da crise de habilidades. Esses programas podem preencher a lacuna entre os talentos que as organizações já possuem e os talentos de que precisam para implementar modelos e programas de ML que podem criar valor adicional. Isso significa ter uma visão muito clara de onde os programas de qualificação começam e terminam: as habilidades que eles gostariam que sua força de trabalho tivesse e como eles podem promovê-las internamente.

Portanto, quando os melhores talentos se tornam disponíveis, eles agem como um complemento para uma equipe de IA já em funcionamento, em vez de a base para um projeto que está esperando sua chegada.

Quando a terceirização é a opção certa?

Existe, claro, outra opção. Terceirização. Ter uma start-up externa ou uma empresa especialista em IA parceira de uma empresa pode ajudá-la a obter acesso ao valor e à economia de custos da IA. No entanto, isso vem com toda uma série de questões e considerações. Será a opção certa em alguns casos, mas há desvantagens que precisam ser levadas a sério.

A integração de start-ups e outras empresas dentro de uma estrutura corporativa nem sempre funciona sem problemas: a cultura de startup de ‘mover rápido, quebrar as coisas’ pode colidir com uma abordagem burocrática mais ponderada. A diferença entre pensamento de curto prazo e pensamento de longo prazo também pode surgir, dependendo da dinâmica da parceria. Como regra, esses projetos de implementação são investimentos de longo ou curto prazo, e é important entrar na mesma página desde o início para que os cronogramas e as prioridades sejam claros.

Para empresas menores que olham melancolicamente para a atração gravitacional que empresas como Google e Meta têm para construir iniciativas de IA repletas de estrelas, a terceirização é uma maneira de acelerar seu próprio desenvolvimento. Assim como uma pequena start-up que contrata um freelancer para fazer seu internet design, redação ou finanças, as PMEs podem usar a terceirização para implementar os modelos de IA certos rapidamente e sem grandes custos iniciais – juntamente com garantias de retorno sobre o investimento.

Nesse sentido, os líderes empresariais devem considerar a eficácia técnica de quaisquer parceiros de terceirização e suas métricas específicas para o sucesso. Se um parceiro é capaz de definir e mostrar claramente a eficácia de seus modelos e algoritmos, o quanto pode fazer com os dados e quanto tempo pode levar o processo de treinamento, isso mostra que há alguma base comum e expectativa para o que sucesso parece.

Por fim, dada a escassez histórica de talentos em IA, as empresas e os líderes de equipe precisam tomar as decisões certas para eles. Os custos de trabalhar internamente e construir sua própria equipe desde o início, em um momento em que grandes empresas de tecnologia como Google, Meta e outras estão envolvidas em um cabo de guerra por funcionários experientes, podem ser extremamente caros e ineficientes . Mas não há dois projetos ou empresas iguais, e apenas aqueles com os dados na ponta dos dedos podem dizer se precisam de ajuda externa ou não.

Qual é o próximo passo para equipes de IA com poucos recursos?

Empresas e organizações menores estão percebendo que os pequenos modelos que foram implantados na empresa para vários propósitos se tornaram incontroláveis; eles são fragmentados, isolados e frequentemente incompreensíveis para todos, exceto para seu criador.

À medida que os funcionários saem em busca de melhores ofertas, condições de trabalho mais favoráveis ​​ou apenas uma mudança, processos e sistemas inteiros são deixados para trás. As empresas não têm certeza se essas enormes quantidades de modelos de IA e seus usos podem ser auditados e, muitas vezes, esses desvios congelam os modelos no tempo. Como um achado arqueológico, ninguém quer tocá-los para que não quebrem.

Os benefícios, presentes e futuros, da IA ​​estão ao nosso redor. Vemos as estatísticas diariamente: bilhões de dólares em valor agregado, milhares de horas economizadas em tarefas administrativas e a interrupção de setores inteiros. No entanto, a lacuna entre o que os executivos de nível C desejam e o que eles podem ter é infelizmente grande – e isso começa com sua luta para contratar as pessoas certas.

O governo do Reino Unido apresentou recentemente propostas para um novo livro de regras sobre IA, além das alocações de financiamento existentes, para realmente estabelecer o Reino Unido como um centro international de IA. Para realizar esse potencial, mais deve ser feito. Isso começa no nível universitário: alimentando uma enorme demanda com cursos de primeira classe, professores experientes e experiência prática e prática com os modelos.

Mas as empresas nem sempre podem esperar tanto tempo para colher os benefícios da IA ​​e, com a variedade de opções disponíveis a curto prazo, talvez não precisem fazer isso.

Marshall Choy é vice-presidente sênior de produtos da SambaNova Methods