O guia definitivo para o desenvolvimento de IA

O processo de desenvolvimento de produtos de IA não é uma tarefa simples. É preciso uma equipe unida (e, podemos acrescentar: uma equipe bem informada, experiente e criativa). Então, como enfrentamos os novos desafios da tecnologia de visão computacional? Aqui estão cinco perguntas-chave que usamos para orientar todos os novos projetos.

1. Que produto exatamente queremos desenvolver? E será que precisamos mesmo de IA?

A primeira e mais básica pergunta que nos fazemos é: que solução queremos desenvolver e se os usuários realmente precisam dela. Quando temos uma resposta clara para essa pergunta, decidimos se devemos abordar o assunto com IA e de que maneira.

Em geral, a IA é a melhor opção nessas condições:

1. O problema que nos propusemos a resolver é muito difícil, ou mesmo impossível, de ser abordado com uma abordagem de desenvolvimento clássica ou tradicional.
2. Deveríamos ser capazes de modelar o problema utilizando um método ou abordagem específica de IA.
3. Existe um conjunto de dados suficientemente bom para que possamos utilizá-lo em pesquisas.

Essa etapa é parte integrante da nossa gestão de produtos e envolve todos na nossa organização.

2. Como modelar o problema de IA?

Depois de identificarmos a parte do produto na qual utilizaremos a IA, o próximo passo é determinar como modelá-la. Às vezes, essa é uma tarefa bastante simples, mas, em outras ocasiões, não fica claro qual abordagem traria os melhores resultados. Por exemplo, nesta etapa do processo de desenvolvimento, precisamos avaliar se um determinado problema de visão computacional seria melhor resolvido com um modelo de segmentação semântica ou com um modelo de detecção de objetos. Nossa equipe de pesquisa desempenha o papel mais importante na resposta a essa questão.

3. Como encontramos um bom conjunto de dados?

Depois de termos uma ideia de como resolver um determinado problema com IA, precisamos encontrar um conjunto de dados suficientemente bom com o qual possamos trabalhar. Muitas vezes, esse é um ponto decisivo, pois, se não conseguirmos encontrar um conjunto de dados adequado para a equipe de pesquisa realizar seus experimentos, não poderemos oferecer a melhor solução para o problema que nos propusemos a resolver inicialmente.

Existem várias maneiras de acessar os dados. Nesse processo, é muito importante compreender as diferenças no conteúdo e na qualidade dos conjuntos de dados.

Nossa equipe de vendas mantém uma colaboração muito estreita com parceiros e clientes. Eles nos ajudam a aprimorar nossa tecnologia, e nós desenvolvemos novos recursos para serem aplicados em suas soluções para problemas altamente específicos.

Às vezes, a outra abordagem consiste em começar desenvolvendo nossos próprios conjuntos de dados internamente, o que é a função da nossa equipe de Dados.

4. Como preparamos os dados para o processo de aprendizado?

Os dados brutos coletados não são suficientes para treinar modelos de IA. É por isso que estabelecemos processos específicos de anotação de dados.

Para esse fim específico, nossa equipe de Web desenvolveu um sistema que chamamos internamente de MLS (Sistema de Aprendizado de Máquina). O MLS é utilizado pela nossa equipe de dados, responsável pela anotação de dados. O MLS é uma parte essencial do desenvolvimento de nossos produtos. Ele nos permite ter o máximo controle sobre a qualidade dos dados anotados, além de aprimorar e agilizar continuamente o processo de anotação.

O processo é exigente e demorado, mas temos orgulho de dizer que, em menos de três anos, nossa equipe de Dados anotou dezenas de milhões de imagens para diversos fins de treinamento. A equipe trabalha em estreita colaboração com a equipe de Pesquisa para garantir que os engenheiros de aprendizado de máquina criem modelos que realmente resolvam o problema inicialmente definido.

5. Como integrar o modelo ao produto final?

O modelo de aprendizado de máquina desenvolvido é apenas uma peça do quebra-cabeça. Para que o produto final seja útil, é necessário um vasto conhecimento técnico e de experiência do usuário (UX) para integrar todas as suas partes.

Nossa equipe de Ferramentas e Infraestrutura é responsável pelo desenvolvimento de componentes especializados para a implementação e execução de redes neurais. Esses componentes permitem uma integração muito mais simples e rápida em dispositivos móveis do que qualquer alternativa de código aberto.

A integração final do modelo é realizada pelas nossas equipes de Desenvolvimento de Produto, Dispositivos Móveis e Web. Elas são responsáveis por garantir que o produto final realmente resolva o problema dos usuários, que o software seja rápido e robusto e que a experiência do usuário seja adaptada a cada plataforma (iOS, Android ou web).

Por que fazemos assim

Esse processo exige conhecimento e criatividade em engenharia de software, aprendizado de máquina, experiência do usuário (UX) e muita persistência. Mas, né… quem não arrisca, não ganha.

Essa abordagem nos permite manter sempre em mente o panorama geral e, em última análise, oferecer o maior valor possível ao produto. É assim que acreditamos que todos os produtos de IA devam ser desenvolvidos — com o objetivo de alcançar a qualidade máxima.

Esta é a Parte II da nossa breve série sobre a criação de produtos de IA para empresas. Leia a Parte I: Como é, na verdade, o desenvolvimento de IA?