A McKinsey está lançando o QuantumBlack Horizon, um conjunto de ferramentas de desenvolvimento de IA desenvolvido no QuantumBlack Labs, centro de inovação em IA e aprendizado de máquina da consultoria. Este centro é composto por mais de 250 colaboradores além de 1.300 cientistas de dados em mais de 50 locais. O QuantumBlack Horizon é um conjunto de produtos inédito que ajuda as organizações a obter valor da IA.
Estudos de mercado indicam que aproximadamente 90% dos projetos de ciência de dados não chegam à produção e uso no campo, sugerindo que os últimos cinco anos de transformação digital foram definidos mais por IA de prova de conceito do que por valor operacionalizado.
“Este lançamento é o resultado de investimentos significativos em talento técnico e P&D nos últimos três anos. Inclui aquisições críticas da McKinsey como a Iguazio , líder em tecnologia de aprendizado de máquina”, diz o sócio sênior e co-líder global da QuantumBlack, Alex Sukharevsky . “O lançamento do QuantumBlack Horizon apoia nossa crença de que obter valor de grandes avanços tecnológicos em IA e aprendizado de máquina requer um sistema de produção industrializado e coeso, pilha de tecnologia e modelo operacional.”
A suíte QuantumBlack Horizon foi criada para ser flexível, interoperável e compatível com todas as principais plataformas de tecnologia e componentes modernos de pilha de tecnologia que os clientes já possuem. A suíte ajuda os líderes de tecnologia a alcançar quatro objetivos principais em suas iniciativas de IA: dados limpos, organizados e precisos em fontes internas e externas; modelos de IA escaláveis ??e repetíveis que se complementam; uma abordagem de fábrica para desenvolvimento e monitoramento de modelos; e transparência de desempenho que permite uma tomada de decisão rápida e confiável.
“Quando se trata de IA, os líderes empresariais podem aprender muito com seus colegas nas corridas de Fórmula 1, onde a QuantumBlack tem sua herança usando IA para melhorar drasticamente o desempenho do carro”, diz Matt Fitzpatrick, sócio sênior e líder global da QuantumBlack Labs.
“Antes da corrida, há milhares de horas de design de carro, otimização de engenharia e testes em túnel de vento, o que leva uma equipe de engenharia a acreditar que um carro terá um bom desempenho. Mas depois há a corrida em si, com chuva, derrapagens e problemas de pneus, que requer inúmeros refinamentos de engenharia. O sucesso é determinado pela forma como um carro testa, aprende e evolui ao longo de uma temporada e como ele se sai na corrida – não no túnel de vento”.
“Vemos muitas organizações de tecnologia focadas em métricas de engenharia como o principal KPI, como número de iniciativas lançadas, dados movidos para um armazém ou melhoria prevista em um modelo”, continua ele, “mas a estrela do norte para todas as nossas iniciativas de IA deve ser o desempenho de campo. Acreditamos que os ciclos de teste e aprendizado ao vivo ajudam as organizações a alcançar consistentemente o próximo horizonte de aprendizado de máquina – e são mais significativos do que construir um modelo de IA perfeito durante a fase de desenvolvimento.”
