Artigo de percepções de pesquisa Como as organizações ... · na era moderna dos dados....

© 2019 por The Enterprise Strategy Group, Inc. Todos os direitos reservados.

O que faz com que as organizações que desvendam o capital de dados com IA se destaquem de seus concorrentes Por Adam DeMattia, diretor de pesquisa, Mike Leone, analista sênior, Scott Sinclair, analista sênior Novembro de 2019

Este documento ESG Research Insights foi encomendado pela Dell EMC e pela Intel e é distribuído sob licença do ESG.

Enterprise Strategy Group | Getting to the bigger truth.™

Como as organizações desvendam o capital de dados com a inteligência artificial

Artigo de percepções de pesquisa

Documento Research Insights: Como as organizações desvendam o capital de dados com a inteligência artificial 2


Contents

Resumo executivo ............................................................................................................................................................. 3

Os negócios modernos exigem a aplicação de inteligência artificial aos dados ............................................................... 4

Comparativo da conversão bem-sucedida do capital de dados ....................................................................................... 5

O que distingue as organizações bem-sucedidas em capital de dados habilitado por IA: Infraestrutura moderna ........ 6

Armazenamento otimizado por IA ................................................................................................................................ 6

Proteção abrangente de dados ..................................................................................................................................... 9

Computação habilitada por IA .................................................................................................................................... 10

O que distingue as organizações bem-sucedidas em capital de dados habilitado por IA:

aumento de habilidades em ciência de dados ................................................................................................................ 11

A escassez de habilidades em ciência de dados ......................................................................................................... 11

Maximizando o valor da IA com serviços de terceiros ................................................................................................ 12

A grande verdade ............................................................................................................................................................ 13

Como as tecnologias da Dell EMC e da Intel podem ajudar ........................................................................................... 14

Apêndice I — Metodologia de pesquisa e dados demográficos dos entrevistados ....................................................... 16

Apêndice II — Critérios para avaliar o sucesso das organizações ao desvendar o capital de dados.............................. 18

Documento Research Insight: Como as organizações desvendam o capital de dados com a inteligência artificial 3


Resumo executivo

O processo de extrair inteligência aplicada dos dados é uma das mais importantes atividades que as organizações executam atualmente. Mas as organizações estão sobrecarregadas pelo volume de dados que precisam armazenar e analisar. Além disso, os processos tradicionais de lógica analítica baseada em consulta têm desvantagens em termos de velocidade, propensão e precisão. A aplicação cuidadosa de inteligência artificial (IA) traz uma esperança. Cada vez mais, as organizações estão recorrendo à inteligência artificial para otimizar a análise de dados e a tomada de decisões. A pesquisa do ESG mostra que quase três quintos (59%) das organizações estão aumentando os gastos com IA em 2019.1 Essas pioneiras estão garantindo uma vantagem significativa: 71% das organizações que usam IA na produção atribuem mais de 5% da respectiva receita diretamente às iniciativas de IA.

Como as organizações podem aproveitar ao máximo seus dados com IA? Este relatório Research Insights mostra que o sucesso desfrutado pelas organizações que desvendam o valor de seus dados com IA varia — e que as organizações mais bem-sucedidas operam ambientes de TI fundamentalmente diferentes em comparação aos concorrentes. A Figura 1 ilustra a relação entre a capacidade de uma organização de usar IA para desvendar seu capital de dados e a propensão dessa organização em utilizar uma infraestrutura moderna.

Figura 1. Relação entre a conversão bem-sucedida do capital de dados e uma infraestrutura modernizada

Fonte: Enterprise Strategy Group

Essa relação entre o sucesso da IA e a infraestrutura moderna foi medida e comprovada pela pesquisa primária do ESG, que reuniu os pontos de vista de 750 responsáveis pelas decisões estratégicas de TI.

A pesquisa examinou as principais tecnologias de infraestrutura, inclusive as tecnologias de armazenamento que dão suporte à IA, como armazenamento totalmente flash, NAS de scale-out e tecnologias sofisticadas de armazenamento em camadas, para a agilidade do posicionamento de dados. Ela também observou os recursos de proteção de dados que garantem que o pipeline de dados de IA seja protegido do começo ao fim, independentemente do local e de como as organizações automatizam e aceleram seus ambientes de servidores. Por fim, a pesquisa revelou um vínculo entre o sucesso da IA e a propensão das organizações em firmar parcerias com prestadores de serviços terceirizados para implementar e otimizar os projetos de IA.

1Fonte: ESG Master Survey Results, Pesquisa de Intenções de Gastos em Tecnologia 2019, março de 2019.

https://research.esg-global.com/reportaction/2019technologyspendingintentionsmsr/Toc



O restante deste relatório detalha os critérios de segmentação que o ESG usou para categorizar as organizações em três fases: organizações da Fase 3 (bem-sucedidas em capital de dados), Fase 2 ou Fase 1. Ele também analisa as diferenças específicas no ambiente de TI e o aumento de habilidades observado entre as bem-sucedidas em capital de dados (Fase 3). Por exemplo, as bem-sucedidas em capital de dados tinham:

Quase três vezes mais chances do que as organizações da Fase 1 de usar extensivamente o armazenamento totalmente flash para dar suporte às cargas de trabalho de IA.

Quase três vezes mais chances do que as organizações da Fase 1 de relatar o uso extensivo de NAS de scale-out para dar suporte às cargas de trabalho de IA.

Muito mais chances do que as organizações da Fase 1 de proteger o pipeline de dados (84% versus 26%) e três vezes mais chances de relatar que a proteção é abrangente.

Duas vezes mais chances de relatar que recorrem muito mais a serviços profissionais de terceiros para IA do que para outras iniciativas.

Os negócios modernos exigem a aplicação de inteligência artificial aos dados

Os ativos mais valiosos das empresas modernas são seus dados. Com a TI, as organizações estão redefinindo setores inteiros e desvendando fluxos de receita anteriormente não reconhecidos. Reconhecer e capitalizar as oportunidades exigem que as organizações incluam, analisem e atuem sobre os dados de maneira dinâmica. Da mesma forma, as organizações desejam aproveitar o máximo possível dos dados, independentemente do tamanho, tipo ou proporção na qual eles mudam. Muitas organizações abordam o gerenciamento de dados usando uma série de analistas de negócios, que consultam bancos de dados em silos com as ferramentas preexistentes de análise e decisão. No entanto, essa abordagem legada não funcionará na era moderna dos dados. Simplesmente não é possível desvendar o valor dos dados usando tecnologias e processos defasados. É hora de modernizar.

Utilize a inteligência artificial (IA). A IA consiste em sistemas ou máquinas que podem simular a inteligência humana para tomar decisões ou executar tarefas. Esses sistemas podem ser aprimorados iterativamente com base nos dados que eles coletam e nas percepções oriundas de ações passadas. Por exemplo, uma empresa de eCommerce com um mecanismo de IA que inclui tráfego da Web e dados de interação do usuário em escala pode personalizar as ofertas para aprimorar em tempo real a experiência dos clientes que acessam o site. Outro exemplo seria um chatbot habilitado por IA que é treinado para responder às perguntas dos clientes de maneira mais eficiente e eficaz usando dados de interações e resultados anteriores do serviço de atendimento ao cliente.

A IA oferece várias vantagens em relação à lógica analítica tradicional baseada em consulta e aos fluxos de trabalho de tomada de decisão, inclusive:

Velocidade. Os sistemas de IA podem agir sobre os dados com mais rapidez do que os seres humanos podem tomar decisões com base em consultas.

Escala. Os sistemas de IA podem incluir e reter mais dados com mais variedade do que os seres humanos para fundamentar as decisões.

Imparcialidade. Com o treinamento adequado, os sistemas de IA podem minimizar as propensões nos processos de tomada de decisões.

Precisão. Os sistemas de IA podem criar inferências e cálculos de dados com mais precisão do que os seres humanos.

Tempo de funcionamento. Os sistemas de IA, diferentemente dos seres humanos, podem operar 24x7.



Claramente, a IA é uma ferramenta que as organizações podem aplicar aos respectivos dados para maximizar seu valor.

Mas e a conexão entre os casos de uso de IA e a utilização de uma infraestrutura moderna? Este relatório validado por

dados apresenta os resultados que as empresas estão alcançando atualmente a partir da implementação de IA em uma

infraestrutura de TI moderna. A pesquisa que apoiou este relatório incluiu entrevistados de todo o mundo, sendo que

40% residem na América do Norte, 20% na Europa Ocidental, 30% na região da Ásia–Pacífico e 10% na América Latina.

Todos os entrevistados ocupam uma função que envolve a tomada de decisões de TI em uma organização que utiliza

a IA no momento ou planeja implementá-la nos próximos 24 meses. Além disso, todos os entrevistados precisavam

estar familiarizados com as cargas de trabalho de IA que sustentavam a infraestrutura de TI, bem como as iniciativas

e os processos de negócios que eram ampliados pela IA.

Comparativo da conversão bem-sucedida do capital de dados

Um dos principais objetivos da pesquisa do ESG era entender o que distingue as organizações que desvendam com

sucesso o valor de seus dados com IA das que não fazem isso. Para observar as diferenças entre os grupos de

organizações, o ESG segmentou os entrevistados considerando dois critérios principais:

1. A capacidade de a organização afetar positivamente a receita bruta com iniciativas de IA. Para ser considerada

uma organização bem-sucedida em capital de dados ou de Fase 3, a organização deve utilizar IA para afetar

positivamente os resultados de negócios. As várias maneiras nas quais a IA pode ajudar a impulsionar a receita

são praticamente infinitas: o capital humano liberado pela automatização dos processos pode ser usado para

impulsionar outros projetos que geram receita, dados de clientes podem ser extraídos para identificar

oportunidades de venda cruzada e incremental, dados de sensores e máquinas podem ser usados para evitar

o tempo de inatividade da linha de produção ou para aumentar os resultados. Embora as oportunidades sejam

infinitas, os resultados alcançados pelas organizações podem ser normalizados e comparados em termos

de receita bruta. 39% dos entrevistados relataram que as iniciativas de IA são responsáveis por mais de um

décimo da receita total.

2. A propensão de a receita habilitada por IA ser incremental para os fluxos de receita existentes. Para ser considerada

uma organização bem-sucedida em capital de dados ou de Fase 3, sua receita habilitada por IA deve ser aditiva

(ou seja, ela não seria obtida sem os investimentos que a organização fez em IA). O ato de desvendar o valor dos

dados significa que, antes de ser revelado, o valor não era reconhecido. As organizações bem-sucedidas em capital

de dados usam IA para descobrir maneiras novas e inovadoras de influenciar os resultados de negócios. Quando o

ESG perguntou aos entrevistados qual porcentagem da receita da respectiva organização vinculada à IA era aditiva,

59% relataram que toda ou a maior parte da receita era incremental.

O ESG usou esses dois critérios para criar três segmentos de organizações dentro do conjunto de dados da pesquisa

(consulte a Figura 2). As organizações da Fase 1 são aquelas que não atendem a nenhum desses critérios: elas não geram

mais de 10% da receita com IA e, da receita obtida, grande parte seria recebida sem os investimentos em IA. As organizações

da Fase 2 são aquelas que atendem a um dos critérios, mas não aos dois. E as organizações da Fase 3 — bem-sucedidas em

capital de dados — atendem aos dois critérios e inovam ao desvendar o capital dos dados com IA. Cerca de um quarto dos

usuários atuais de IA (27%) atendem aos dois requisitos, 44% atendem a um requisito e 29% não atendem a nenhum deles.



Figura 2. Comparativo da conversão bem-sucedida do capital de dados


O que distingue as organizações bem-sucedidas em capital de dados habilitado por IA:

Infraestrutura moderna

A pesquisa do ESG abordou muitos aspectos dos ambientes de TI das

organizações. Ao comparar organizações em fases diferentes do sucesso em

capital de dados, ficou rapidamente claro que as bem-sucedidas em capital de

dados (organizações na Fase 3) avançaram muito mais para modernizar a

respectiva infraestrutura. Em comparação com as organizações da Fase 1, elas

tinham quase três vezes mais chances de usar extensivamente armazenamento

flash e NAS de scale-out para apoiar a IA, além de terem três vezes mais chances

de usar tecnologias de proteção de dados de maneira abrangente no pipeline

de dados de IA. O ESG acredita que, com a criação de ambientes de TI confiáveis,

dimensionáveis e de alto desempenho, as organizações da Fase 3 criam um

terreno fértil para que as iniciativas de IA espalhem suas raízes e prosperem,

gerando mais receita para a organização. O ESG acredita que a modernização

da TI representa grande parte do motivo pelo qual 100% das organizações bem-

sucedidas em capital de dados podem obter mais de 10% de receita das iniciativas de IA. As organizações que buscam criar

valor incremental e relevante a partir de seus dados com IA devem seguir o exemplo das organizações da Fase 3.

Em seguida, vamos explorar os três principais elementos da infraestrutura necessários para o sucesso das

implementações de IA nas organizações da Fase 3 — armazenamento, proteção de dados e computação.

Armazenamento otimizado por IA

Embora o treinamento do modelo de IA exija processamento altamente

paralelo, as organizações não poderão aproveitar ao máximo seus recursos

de computação se o mecanismo de entrega de dados não acompanhar

esse ritmo. Um armazenamento lento significa recursos de computação

subutilizados, desenvolvimento e refinamento de IA mais lentos, menos

eficácia da IA e menos valor gerado pela IA para a organização. Isso faz

com que a computação e o armazenamento precisem se manter lado a lado

para atender aos requisitos de desempenho das cargas de trabalho de IA.

Organizações na Fase 1:

Não geram mais de 10% da receita com IA

E

A receita atribuída às iniciativas de IA tende a não ser incremental

Organizações na Fase 2:

Geram mais de 10% da receita com IA

OU

A receita atribuída às iniciativas de IA é total ou majoritariamente incremental

MAS NÃO AMBOS

Organizações na Fase 3 (Bem-sucedidas em capital de dados):

AMBOS

Geram mais de 10% da receita com IA

E

A receita atribuída às iniciativas de IA é total ou majoritariamente incremental

Ao criar ambientes de TI ágeis, confiáveis e de alto desempenho, as organizações bem-sucedidas em capital de dados criam um terreno fértil para que as iniciativas de IA espalhem suas raízes e prosperem, impulsionando o valor para a organização.

As empresas que obtêm o valor máximo da IA atualmente estão fazendo os mais altos investimentos em plataformas de armazenamento totalmente flash de alto desempenho.

Mais sucesso ao desvendar o capital de dados



Se os dados são o mais valioso ativo das organizações modernas, faz sentido considerar que o desempenho dos sistemas responsáveis por reter e oferecer esses dados seja uma área de foco para que as organizações maximizem os resultados de IA. Na verdade, essa hipótese surgiu na pesquisa do ESG. Quando o ESG perguntou aos entrevistados se a respectiva empresa usava armazenamento totalmente flash de alto desempenho para dar suporte às cargas de trabalho de IA, 79% dos que trabalham em organizações bem-sucedidas em capital de dados relataram o uso extensivo. Essa proporção foi quase três vezes maior do que a observada entre as organizações da Fase 1. As empresas que obtêm o valor máximo da IA atualmente estão fazendo os mais altos investimentos em plataformas de armazenamento totalmente flash de alto desempenho (consulte a Figura 3).

Figura 3. Uso organizacional da tecnologia totalmente flash para acelerar o valor da IA


A velocidade não é uma característica isolada do armazenamento otimizado por IA. O dimensionamento é uma consideração cada vez mais importante. Duas tendências impulsionam esse requisito.

As metodologias de IA estão usando cada vez mais algoritmos de

DL (Deep Learning, aprendizagem profunda). Um recurso distintivo desses algoritmos é que a qualidade dos modelos de IA que eles

habilitam aumenta à medida que aumenta o volume de dados alimentado pelo modelo. Em outras palavras, mantendo todos os outros elementos idênticos, um modelo de IA treinado com

1 petabyte (PB) de dados será mais eficaz do que um modelo treinado com 100 terabytes (TB) de dados, que será mais eficaz do que um

modelo treinado com 1 TB de dados.

O formato dos dados também aumenta cada vez mais a necessidade de dimensionar o armazenamento otimizado por IA. Os modelos de IA

utilizam frequentemente grandes conjuntos de dados não estruturados, como imagens e vídeos, que não podem ser compactados nem

desduplicados. Esses tipos de dados tendem a usar mais espaço do que os dados estruturados.

Essas duas tendências combinadas tornam mais fácil entender como a escalabilidade do armazenamento se tornou um requisito importante nos ambientes de IA.



Como as organizações bem-sucedidas em capital de dados arquitetam seus ambientes de armazenamento para contabilizar

esses requisitos de escalabilidade? O ESG perguntou aos entrevistados se a respectiva organização usava sistemas NAS de scale-out nos ambientes de IA para acomodar o dimensionamento necessário pelos tipos de dados não estruturados.

Os resultados foram notáveis: as organizações da Fase 3, que geram o mais alto valor com IA atualmente, têm quase três vezes mais chances do que as organizações da Fase 1 de relatar o uso extensivo de NAS de scale-out para dar suporte às

cargas de trabalho de IA (consulte a Figura 4).

Figura 4. Uso organizacional de NAS de scale-out para dar suporte ao dimensionamento da IA


Claramente, as organizações bem-sucedidas em capital de dados identificaram um ambiente de armazenamento híbrido

como a “ferramenta certa para o trabalho” no que se refere ao suporte às respectivas iniciativas de IA. Por um lado, as operações de IA de alto desempenho, como o treinamento de modelos, são habilitadas pelo armazenamento totalmente

flash de alto desempenho e de uso específico. Por outro lado, para reter de modo econômico os conjuntos de dados massivos e abrangentes que potencializam os aplicativos de IA, as organizações usam sistemas NAS de scale-out, o que provavelmente inclui um nível “barato e profundo” para tipos de dados como vídeos e imagens.

O ambiente de armazenamento híbrido aumenta a necessidade de uma solução sofisticada de armazenamento

em camadas, que consiga mover os dados ativos para o flash de alto desempenho e, ao mesmo tempo, armazenar os dados frios em uma capacidade de baixo custo. Quando o ESG perguntou aos entrevistados quão eficiente era

a respectiva organização no armazenamento de dados de IA em camadas, as bem-sucedidas em capital de dados ficaram em primeiro lugar. Quase metade (49%) dos entrevistados da Fase 3 disseram que sua organização era

altamente eficiente no armazenamento de dados de IA em camadas, o que representa 5,5 vezes a frequência das organizações da Fase 1 (9%).

O armazenamento otimizado por IA, conforme evidenciado pelas

organizações que desvendam o valor máximo do capital de dados, tem três

requisitos principais:

1. Velocidade para garantir que o armazenamento não se torne

um gargalo de IA.

2. Escalabilidade para atender aos algoritmos de IA que consomem

muitos dados.

3. Inteligência para mover os dados para o armazenamento que pode

oferecer com perfeição a combinação ideal de velocidade

e escalabilidade.

Quase metade (49%) dentre as bem-sucedidas em capital de dados disseram que a respectiva organização era altamente eficiente no armazenamento de dados de IA em camadas, o que representa 5,5 vezes a frequência das organizações da Fase 1 (9%).



Proteção abrangente de dados

As cargas de trabalho de IA contam com um complexo pipeline de dados ou uma série de etapas para a transição dos dados

brutos ao modelo de AI treinado e ajustado. Primeiro, os dados a serem usados pelo modelo de IA devem ser identificados,

capturados e integrados. Em seguida, eles devem ser convertidos a um formato compatível com os algoritmos de IA, o que

inclui contabilizar os registros ausentes ou incompletos, reformatar os dados conforme necessário e adicionar variáveis

ao conjunto de dados para melhorar o desempenho ou a precisão do modelo. Os dados devem então ser selecionados

para o treinamento. Além disso, é preciso garantir que eles sejam representativos, de alta qualidade e livres de erros

e propensões. Por fim, os modelos de IA podem ser desenvolvidos, treinados, ajustados e, eventualmente, implementados

na produção.

Cada uma dessas etapas é serial, pois depende da execução efetiva

da etapa anterior. Se os dados em qualquer etapa do processo forem

excluídos ou corrompidos, a precisão do modelo poderá ser afetada, o que

significa que os dados precisarão ser substituídos ou reparados e os modelos

deverão ser retreinados — afetando negativamente o tempo de retorno do

investimento. Além disso, essas etapas provavelmente serão executadas

em locais diferentes, seja um data center principal, um local de borda ou

a nuvem. Essas duas dinâmicas enfatizam a importância da proteção de dados

abrangente em todo o pipeline de dados e independentemente do local.

Quando o ESG perguntou aos entrevistados se a respectiva organização usava tecnologias de proteção de dados no

pipeline de dados de IA, 84% dos que trabalham em organizações bem-sucedidas em capital de dados relataram que

isso era feito, seja em todo o pipeline ou com algumas lacunas. Isso representa um aumento de 35% em relação às

organizações da Fase 1. Ao analisar o estado mais cobiçado de proteção de dados de IA, as organizações da Fase 3

têm três vezes mais chances do que as organizações da Fase 1 de ter proteção de dados abrangendo todo o pipeline

de dados de IA (14%) (consulte a Figura 5).

Figura 5. Uso organizacional de proteção de dados abrangente em todo o pipeline de IA


As organizações bem-sucedidas em capital de dados tinham três vezes mais chances do que as da Fase 1 de ter proteção abrangendo o pipeline de dados de IA.



Computação habilitada por IA

O ESG acredita que a agilidade, a escalabilidade e a eficiência

do ambiente computacional de uma organização são todos pré-

requisitos para o provisionamento de recursos de TI com

autoatendimento. O ESG acredita também que a TI com

autoatendimento é essencial para otimizar os fluxos de trabalho de

IA. Ao possibilitar que engenheiros, arquitetos e cientistas de dados

provisionem os recursos necessários para desenvolver, treinar

e implementar modelos de IA na produção, a TI habilita a inovação

da IA, em vez de atuar como um gargalo de IA. As organizações bem-

sucedidas em capital de dados fazem os investimentos necessários no

respectivo ambiente de servidor para permitir que os especialistas em dados maximizem o valor dos dados da organização.

O ESG pediu para os entrevistados descreverem os fluxos de trabalho de gerenciamento de servidor no respectivo

ambiente, desde completamente manual até totalmente automatizado. Independentemente da atividade, as organizações

da Fase 3 operam um ambiente de servidor muito mais automatizado: 68% descreveram as tarefas de configuração

e provisionamento de servidores como majoritária ou completamente automatizadas, 74% descreveram o diagnóstico

e a remediação de problemas como majoritária ou completamente automatizados e 77% descreveram que as atualizações

e o monitoramento de servidores como majoritária ou totalmente automatizados (consulte a Figura 6).

Figura 6. Automatização do gerenciamento de servidores


Além da automatização extrema, as organizações bem-sucedidas em capital de dados operam muito mais ambientes

de servidor altamente virtualizados. O ESG perguntou aos entrevistados qual proporção de servidores de produção nos

respectivos ambientes eram máquinas virtuais. Em comparação com as organizações da Fase 1, as organizações da Fase 3

tinham 2 vezes mais chances de relatar que mais de 60% dos servidores de produção eram máquinas virtuais (36% versus

17%). Por outro lado, as organizações da Fase 1 tinham quase 2 vezes mais chances de relatar que 40% ou menos de seus

servidores de produção eram máquinas virtuais (47% versus 25%).

Embora as organizações da Fase 3 tenham muito mais chances do que suas contrapartes de avançar na automatização

e virtualização em todos os ambientes de servidores, as cargas de trabalho de IA são especializadas e muitos casos

de uso exigem aceleração de hardware.

As organizações bem-sucedidas em capital de dados fazem os investimentos necessários no respectivo ambiente de servidor para permitir que os especialistas em dados maximizem o valor dos dados da organização.



O ESG perguntou aos entrevistados se a respectiva organização usa aceleradores de hardware, como GPUs ou FPGAs,

para dar suporte às cargas de trabalho de IA. A maioria das organizações da Fase 3 (51%) relataram usar amplamente

aceleradores de hardware para IA, o que representa 6 vezes a frequência das organizações da Fase 1 (consulte a Figura 7).

Figura 7. Uso de aceleradores de hardware para cargas de trabalho de IA


O que distingue as organizações bem-sucedidas em capital de dados habilitado por IA: aumento

de habilidades em ciência de dados

A pesquisa do ESG mostra como a infraestrutura moderna é o mecanismo de uma carga de trabalho de IA eficaz,

ajudando as organizações a maximizar o retorno financeiro sobre o esforço e as despesas com IA. No entanto,

é preciso mais do que apenas uma infraestrutura para transformar a IA em geradora de valor aditivo e relevante

para a organização. A pesquisa do ESG também revela as diferenças drásticas nas maneiras em que as organizações

bem-sucedidas, como um grupo, aumentam os talentos de IA em comparação às organizações que se esforçam para

transformar a IA em uma ferramenta significativa de conversão do capital de dados.

A escassez de habilidades em ciência de dados

A IA é uma aplicação da ciência de dados, um campo emergente em alta demanda. A BLS

(Bureau of Labor Statistics, Secretaria de Estatísticas Trabalhistas) dos Estados Unidos

rastreia e projeta os empregos de quatro cargos sob o conjunto “ocupações em ciência

matemática”. De 2016 a 2026, a BLS prevê que os empregos nesse campo aumentarão

em 27,9%, superando em até 4 vezes suas projeções de crescimento para todas as

ocupações (7,4%; consulte a Figura 8). Embora a demanda seja alta, o mercado de

trabalho para cientistas de dados é restrito. Um relatório recente do LinkedIn sobre

a força de trabalho quantificou a escassez de indivíduos com habilidades em ciência

de dados como quase 152.000. Considerando que a BLS estimou que todos os empregos

em ocupações de ciência matemática somaram 181.000 em 2016, os empregos no

campo da ciência de dados precisariam praticamente dobrar do dia para a noite para

suprir a deficiência de talentos existente.

Os empregos no campo de ciência de dados precisariam praticamente dobrar do dia para a noite para suprir a deficiência de talentos existente.



Figura 8. Previsão de crescimento dos empregos em ciência de dados

Fonte: Secretaria de Estatísticas Trabalhistas dos Estados Unidos, programa de projeções de empregos

Maximizando o valor da IA com serviços de terceiros

A pesquisa do ESG abordou o tópico do aumento de habilidades por meio do consumo de serviços profissionais.

Mais uma vez, a pesquisa confirma que há comportamentos essencialmente diferentes entre as organizações que

maximizam o capital de dados e suas respectivas contrapartes que não têm o mesmo sucesso. O ESG perguntou aos

entrevistados se a respectiva organização recorre a prestadores de serviços terceirizados para ajudar a arquitetar,

implementar e gerenciar a tecnologia de IA. Entre todos os entrevistados, a resposta foi um ressonante sim — sendo

que mais de nove entre dez relataram que sua organização firmou parcerias com equipes de serviços profissionais de

fornecedores de TI, um consultor externo (integrador do sistema, VAR etc.) ou ambos. No entanto, as organizações

bem-sucedidas em capital de dados tinham muito mais chances de buscar ajuda externamente (consulte a Figura 9).

Figura 9. Uso de serviços profissionais de terceiros para IA




A pesquisa do ESG mostrou que as bem-sucedidas em capital de

dados estavam mais aptas a envolver terceiros para otimizar seus

esforços de IA e tinham mais chances de relatar que essas

interações eram maiores e mais estratégicas. O ESG pediu para

que os entrevistados comparassem as interações com terceiros

para IA com outros contratos de serviços profissionais em suporte

a outros projetos de TI importantes. As organizações da Fase 3

tinham duas vezes mais chances de relatar que recorrem muito

mais a serviços profissionais de terceiros para IA — do que outras

iniciativas para as quais terceiros são consultados (consulte

a Figura 10).

Figura 10. Comparativo da profundidade da interação com terceiros para IA


O ESG acredita que todas as organizações com aspirações de IA enfrentam um mercado de trabalho restrito, sem as

habilidades necessárias para concretizar tudo o que desejam. No entanto, as organizações da Fase 3 parecem atuar com

mais agilidade perante essa realidade. As organizações que desejam maximizar o impacto da IA não devem hesitar em

envolver especialistas terceirizados.

A grande verdade

Para muitas organizações, as iniciativas de lógica de dados ainda estão evoluindo. No entanto, a pesquisa do ESG

mostra que, atualmente, muitas organizações atribuem diretamente uma parte mensurável da respectiva receita

às iniciativas de lógica analítica de última geração: a inteligência artificial. Além disso, a maioria (59%) das organizações

que monetizam a IA acreditam que essa receita é incremental aos fluxos de receita existentes. Muitas vezes, essas

melhorias de receita são compostas por reduções de custo que podem ser atribuídas à IA, melhorando

expressivamente a rentabilidade das organizações. Mais de dois quintos (42%) das organizações pesquisadas

relataram a redução do custo das operações de negócios por meio da automatização habilitada por IA.

No entanto, o sucesso das organizações tem variado. As bem-sucedidas em capital de dados (Fase 3) compõem apenas 27%

de todos os usuários de IA atualmente. No entanto, todas essas organizações relatam que as iniciativas de IA contabilizam

mais de 10% da respectiva receita e que toda ou a maior parte dessa receita é incremental — resultados verdadeiramente

notáveis.

As organizações bem-sucedidas em capital de dados tinham duas vezes mais chances de relatar que recorrem muito mais a serviços profissionais de terceiros para IA — do que outras iniciativas para as quais terceiros são consultados.



Em contraste, a maioria (51%) das organizações da Fase 1 atribuem de 6% a 10% da respectiva receita às iniciativas de IA

e 72% dizem que apenas metade dessa receita é aditiva. Embora os dois conjuntos de organizações estejam obtendo ganhos

palpáveis de negócios graças à IA, as bem-sucedidas estão influenciando muito mais a transformação de negócios com IA.

Esta pesquisa revela algumas das ações que as organizações bem-sucedidas estão adotando atualmente e que as

distingue das defasadas em IA:

1. Dar suporte às cargas de trabalho de IA com ambientes de armazenamento que oferecem o desempenho da

tecnologia totalmente flash quando ele é necessário, a escalabilidade do NAS de scale-out para possibilitar a criação

de modelos ricos em dados que utilizam tipos de arquivo como vídeos e imagens, bem como a inteligência para

mover dados entre níveis com base nos requisitos.

2. Proteger os dados na totalidade do pipeline de dados — desde a preparação dos dados até os novos

treinamentos do modelo — e independentemente do local — desde o core-to-edge até a nuvem.

3. Utilizar extensivamente tecnologias de aceleração de hardware para habilitar os requisitos de MPP (Massively

Parallel Processing, processamento altamente paralelo) para a criação e o treinamento de modelos de IA em

muitos casos de uso.

4. Envolver terceiros para ajudar a implementar e otimizar os projetos de IA.

Os ganhos antecipados graças à IA são notáveis. Além disso, eles são amplificados nas organizações que sustentam suas

iniciativas de IA com uma infraestrutura avançada. Para as organizações atualmente defasadas, os comportamentos dos

líderes com alto sucesso em IA oferecem um roteiro claro. Os retardatários devem investir em uma infraestrutura habilitada

por IA e, ao mesmo tempo, procurar a expertise em IA das equipes de Professional Services dentro da comunidade de

fornecedores para não correr o risco de ficar para trás.

Como as tecnologias da Dell EMC e da Intel podem ajudar

Este documento ESG Research Insights foi encomendado pela Dell EMC e pela Intel Corporation. Para saber mais sobre a

Dell EMC e como sua família de marcas com tecnologia Intel pode ajudar a explorar ao máximo sua visão de IA, comece aqui:

O portfólio de armazenamento da Dell EMC com base nos processadores Intel Xeon abrange o NAS de scale-

out Isilon e o PowerMax, com toda a velocidade necessária para potencializar as mais exigentes cargas de

trabalho de IA.

o O NAS de scale-out Dell EMC Isilon F800 All-Flash oferece desempenho de lógica analítica

e simultaneidade extrema no dimensionamento de petabytes para IA. Habilitado pelo sistema

operacional Isilon OneFS, o Isilon F800 dá suporte à simultaneidade massiva, dimensiona-se de

dezenas de TBs a dezenas de PBs de dados e dimensiona de modo linear a largura de banda de

15 GB/s para até 945 GB/s por cluster. Isso faz do Isilon F800 o perfeito complemento de dados para

os requisitos de alto desempenho e grande largura de banda das cargas de trabalho de IA que mais

exigem dados e computação. Além disso, os recursos corporativos do Isilon para gerenciamento,

segurança, conformidade e proteção de dados ajudam suas soluções de IA a atender aos requisitos

regulamentares e de políticas de segurança corporativa.

o O Dell EMC PowerMax é um sistema de armazenamento em block desenvolvido para as etapas do

fluxo de trabalho de IA e os algoritmos específicos de aprendizagem automática e profunda, que

exigem latência baixíssima para as taxas de resposta em tempo real durante a inclusão de dados,

a preparação de dados e a inferência de produção. O PowerMax é baseado em NVMe completo,

oferecendo latências inferiores a 300 ms, entre 1,7 e 10 milhões de IOPS e com até 13 TB por brick.

https://www.dellemc.com/pt-br/storage/isilon/index.htm?tfcid=4389014

https://www.dellemc.com/pt-br/storage/powermax.htm?tfcid=1203791



As soluções de proteção de dados da Dell EMC, com seu amplo suporte a aplicativos, inclusive Hadoop e proteção

de aplicativos personalizados com BoostFS, garantem que os aplicativos de IA e a infraestrutura de sua

organização — bem como seu mais importante recurso, os dados — fiquem protegidos e permaneçam disponíveis

do edge-to-core até a nuvem.

A consultoria da Dell Technologies ajuda organizações de todos os portes, setores e níveis de maturidade

a adotar e acelerar seus recursos de lógica analítica e IA, desde a estratégia até a execução e a modelagem

dos dados. Os serviços para IA incluem os serviços de consultoria ProConsult, compostos pelo desenvolvimento

facilitado de um plano para modernizar suas plataformas de lógica analítica e arquiteturas de modo a garantir

a escalabilidade e o desempenho usando nossa metodologia de ESTADO ATUAL/ESTADO FUTURO. Fornecemos

uma avaliação completa e imparcial, que apresenta resultados acionáveis alinhados a sua visão e estratégia

corporativas.

Os servidores PowerEdge habilitados por IA com processadores dimensionáveis Intel Xeon e Intel FPGAs

oferecem a melhor automatização da categoria, compatibilidade de aceleração de hardware e agilidade modular.

O PowerEdge R740xd tem 2 processadores dimensionáveis Intel Xeon de 2a geração com até 28 núcleos de

capacidade de processamento, cada um com Intel Deep Learning Boost — tudo o que você precisa para começar

e dimensionar suas iniciativas de negócios de IA ao longo do tempo.

https://www.dellemc.com/pt-br/data-protection/index.htm?tfcid=3578026

https://www.dellemc.com/resources/pt-br/asset/offering-overview-documents/services/H17456-dell-emc-proconsult-advisory-services-svo.pdf?tfcid=2713865

https://www.dellemc.com/pt-br/servers/index.htm?tfcid=3120905



Apêndice I — Metodologia de pesquisa e dados demográficos dos entrevistados

Para coletar dados para este relatório, o ESG conduziu uma pesquisa on-line abrangente com tomadores de decisão de

TI de organizações dos setores público e privado de 9 países: EUA (32%), Canadá (7%), Reino Unido (9%), França (11%),

Austrália (8%), Nova Zelândia (3%), Singapura (9%), China (11%) e Brasil (11%). A pesquisa foi conduzida entre 07 e 30 de

maio de 2019. Para se qualificar para a pesquisa, os entrevistados precisavam ter influência sobre o processo de compra

de infraestrutura do data center, investimentos em nuvem privada, proteção de dados ou tecnologias de IA/ML. Além disso,

todos deveriam conhecer as iniciativas de IA atuais/planejadas da respectiva organização.

Depois de filtrar os entrevistados não classificados, remover respostas duplicadas e fazer uma triagem das respostas

restantes (de acordo com diversos critérios) para garantir a integridade dos dados, restou uma amostra final de

750 entrevistados.

Todos os entrevistados receberam um incentivo para responder à pesquisa na forma de prêmios em dinheiro

e/ou equivalentes a dinheiro. Obs.: os totais representados em números e tabelas neste relatório podem não

chegar a 100% devido a arredondamentos.

Os números a seguir detalham os dados demográficos da base de entrevistados, inclusive as atuais responsabilidades

individuais de trabalho dos entrevistados, bem como o número total de funcionários das organizações entrevistadas,

o setor principal e a receita anual.

Figura 11. Entrevistados da pesquisa, por responsabilidade de trabalho




Figura 12. Entrevistados da pesquisa, por tamanho da empresa (número de funcionários)


Figura 13. Entrevistados da pesquisa, por setor




Figura 14. Entrevistados da pesquisa, por orçamento de TI


Apêndice II — Critérios para avaliar o sucesso das organizações ao desvendar o capital de dados

Para segmentar as organizações pelo respectivo sucesso ao desvendar o capital de dados com IA, o ESG fez

a cada entrevistado duas perguntas sobre o impacto das iniciativas de IA sobre a receita até o momento:

1. Qual parcela da receita pode ser atribuída diretamente às iniciativas de IA?

2. Qual proporção da receita que contribuiu para as iniciativas de IA é incremental a outros fluxos de receita?

As organizações que relataram que a IA gera diretamente mais de 10% da receita e que a maior parte ou toda essa

receita é incremental foram classificadas como organizações da Fase 3 ou bem-sucedidas em capital de dados. Aquelas que

atenderam a um desses critérios foram classificadas como Fase 2, e as organizações que não atenderam a nenhum desses

critérios foram classificadas como Fase 1. As figuras a seguir detalham as perguntas usadas para segmentar as organizações.



Figura 15. Receita atribuível às iniciativas de IA


Figura 16. Proporção da receita de IA que é incremental a outros fluxos de receita


1% a 2%



Todas as marcas comerciais são propriedade de suas respectivas empresas. As informações contidas nesta publicação foram obtidas por fontes que

o Enterprise Strategy Group (ESG) considera confiáveis, mas não são garantidas pelo ESG. Esta publicação pode conter opiniões do ESG que estão

sujeitas a alterações de tempos em tempos. Esta publicação é propriedade do The Enterprise Strategy Group, Inc. Qualquer reprodução ou

redistribuição desta publicação, integral ou parcial, seja em formato impresso, eletrônico ou de outra forma a pessoas não autorizadas a recebê-la,

sem o consentimento expresso do Enterprise Strategy Group, Inc., estará violando a lei de direitos autorais dos EUA e estará sujeito a uma ação por

danos civis e, se aplicável, processo criminal. Em caso de dúvida, entre em contato com o departamento de atendimento ao cliente do ESG nos

Estados Unidos pelo telefone +1 (508) 482-0188.

www.esg-global.com [email protected] T. +1 (508).482-0188

O Enterprise Strategy Group é uma empresa de análise, pesquisa, validação e estratégia de TI que oferece informações e insights práticos à comunidade global de TI.


Artigo de percepções de pesquisa Como as organizações ... · na era moderna dos dados....

Documents

Transcript of Artigo de percepções de pesquisa Como as organizações ... · na era moderna dos dados....