Empreendendo com IA: da ideação ao modelo de negócio

Identificando Oportunidades Reais - Introdução

Apresentando o instrutor e o curso

Olá! Meu nome é Andrelms91 e faço parte do time de conteúdo da Alura.

Audiodescrição: Andrelms91 é um homem branco, usa óculos, tem barba cheia e cabelo curto, ambos na cor castanho claro. Ele veste uma camiseta verde e, ao fundo, há uma estante cheia de objetos, destacando-se o logotipo da Alura, com a letra A. O cenário está iluminado na cor roxa.

Hoje, damos as boas-vindas a este curso que aborda como podemos empreender na era da inteligência artificial e utilizar recursos de design para reduzir nossas incertezas. Este curso é destinado a quem deseja empreender na era da IA, utilizando técnicas de computação e design combinadas para sugerir valor ao usuário, criando soluções, sejam elas pautadas em serviços ou produtos. Ao mesmo tempo, buscamos garantir que a solução gere valor para o usuário, tornando-se uma solução comercial e não apenas um produto que eventualmente será colocado na prateleira.

Explorando o conteúdo do curso

Neste curso, vamos aprender a avaliar certezas, suposições e dúvidas que temos acerca de um problema que não necessariamente é do nosso domínio de especialidade. Vamos aprender a definir um problema centrado no usuário, ou seja, a partir de interações com pessoas reais, construir uma protopersona, definir soluções candidatas e avaliar essas soluções através do uso de uma matriz de decisão.

Além disso, vamos identificar encurtadores, ou seja, o que o mercado nos indica como importante para desenvolver soluções que façam sentido utilizando inteligência artificial. Vamos criar um canvas de modelo de negócio para estruturar os principais custos, fontes de receita e a relação que teremos com o usuário. Também vamos avaliar oportunidades para verificar se a solução que estamos desenvolvendo se encaixa bem com tecnologias de data analytics, inteligência artificial de modo geral, machine learning e inteligência artificial generativa ou otimização computacional.

Aplicando o conhecimento em um cenário prático

Vamos ver tudo isso na prática, discutindo um cenário em que queremos criar uma solução computacional para análise esportiva, especificamente nos esportes de raquete, beach tennis e tênis. Lembrem-se de aproveitar todos os recursos que temos na plataforma. Além dos vídeos, temos também atividades, nosso fórum e a comunidade no Discord. Aproveitem bastante e vamos aprender!

Identificando Oportunidades Reais - Identificando oportunidades de usar computação em cenários reais

Iniciando a jornada de inovação com IA

Olá, pessoal. Vamos dar início à nossa jornada focada em como podemos conectar a Inteligência Artificial (IA) para resolver problemas do mundo real. Para isso, é fundamental entendermos que a jornada de desenvolvimento de uma solução, desde uma ideia até se tornar uma inovação conectada ao mercado, garantindo valor comercial, não deve ser uma tarefa solitária. Não podemos garantir que teremos todas as respostas apenas no time de desenvolvimento para resolver um problema.

Uma etapa importante para que esse processo aconteça e para que possamos gerar valor empreendendo na era da IA é nos conectarmos com nossos usuários. Ao longo deste curso, utilizaremos uma abordagem de co-design, que parte da identificação de oportunidades para conectar a IA com demandas de usuários reais. Para isso, utilizaremos o contexto de um esporte de raquete bastante popular no Brasil, o beach tennis, para identificar oportunidades dentro desse ecossistema.

Explorando o ecossistema do beach tennis

Quando falamos desse ecossistema, referimo-nos a todas as partes envolvidas, que chamaremos de stakeholders. Identificaremos quais são as oportunidades para gerar valor através da computação e resolver problemas reais, sejam eles pontuais ou mais complexos, que conectem mais de um stakeholder. Exemplos de stakeholders incluem pessoas que trabalham com treinamento, técnicos, comissões de saúde, atletas, e pessoas que trabalham com alocação de quadras. Cada uma dessas pessoas dentro do ecossistema terá demandas específicas que podemos resolver com computação.

Outro ponto importante é que dividiremos a capacidade de computação em quatro cenários diferentes para verificar como ela colabora na geração de valor para esses usuários. Isso será sempre citado ao longo do curso. O primeiro cenário envolve entregar valor através de dados e análise de dados, ou seja, data e analytics, devido à alta demanda para esse tipo de problema em casos reais. O segundo cenário envolve aprendizagem de máquina, ou machine learning, que eventualmente será combinada com técnicas de computação mais específicas, como visão computacional.

Considerando soluções de IA e otimização

Também consideraremos soluções que conectem IA generativa, utilizando modelos de linguagem ou grandes modelos de linguagem, como os LLMs, migrando para soluções que envolvem selecionar modelos já prontos, refinar esses modelos e até combiná-los com outros tipos de artefatos. Por último, abordaremos a ideia de otimização, que são problemas onde podemos utilizar matemática e lógica para resolvê-los.

No nosso contexto, é importante diferenciar essas oportunidades. Não teremos implementação técnica ao longo deste curso. A ideia é discutir como aplicar IA em um contexto de negócios para quem deseja empreender, oferecendo uma visão de como dar os primeiros passos. Para começar nossa jornada, partiremos de um vídeo de uma partida de beach tennis entre uma dupla brasileira e uma dupla italiana.

Defendendo a abordagem de co-design

É importante lembrar que, ao entregar valor com computação, não necessariamente agimos como especialistas no assunto. Por isso, ao longo deste curso, defenderemos a ideia de que o processo de desenvolvimento para gerar valor para o usuário deve partir de uma abordagem de co-design. Como pessoas desenvolvedoras, assumimos que não sabemos todas as regras sobre o assunto e precisamos nos aprofundar para enxergar como entregar valor. Muitas vezes, será necessário interagir com usuários e clientes para verificar se as hipóteses de que vale a pena investir esforço computacional para resolver um problema realmente geram valor.

Queremos criar produtos, soluções e serviços, o que é excelente para colocar em prática nosso conhecimento em IA. No entanto, para que isso se torne uma inovação, é importante que cumpra três critérios: ser viável, factível e desejável. Precisamos garantir que temos condições de implementar a solução e que, do ponto de vista de custo, ela está apta para ser entregue ao mercado. Acima de tudo, alguém deve estar disposto a pagar por essa solução.

Analisando dados não estruturados no beach tennis

Para desenvolver uma solução computacional, é necessário que ela seja tecnicamente viável, comercialmente atraente e que haja demanda por essa solução. Ao analisar um vídeo de uma partida de beach tennis no mundial, percebemos que há diversas informações acontecendo simultaneamente: atletas próximos à rede, marcações de patrocinadores, a própria quadra e pessoas ao redor. O desafio ao criar uma solução computacional para essa situação é que os dados não estão estruturados. Isso significa que, embora haja oportunidades de gerar valor para atletas, árbitros, comissão técnica, pessoal de saúde e marketing, os dados não estão prontos para serem processados por um computador. Esses são chamados de dados não estruturados.

Precisamos capturar esses dados de forma que faça sentido, o que exige um esforço computacional significativo para transformar a ideia em realidade. Um exemplo disso é a aplicação de técnicas para extrair e transformar dados não estruturados em estruturados. Em um segundo vídeo, observamos mudanças significativas, com marcações em uma partida de beach tennis. Para extrair dados, é necessário ter uma quadra, atletas jogando, autorização para uso das imagens e técnicas computacionais sofisticadas.

Utilizando técnicas computacionais avançadas

Utilizamos uma biblioteca chamada YOLO na versão 11, combinando visão computacional com processamento de imagem e computação gráfica. A quadra é marcada com linhas verdes de contorno e uma quadra auxiliar bidimensional no canto superior esquerdo. Ambas as quadras, tridimensional e bidimensional, estão divididas em quadrantes. A rede divide a quadra, com atletas brasileiras identificadas como jogador 1 e jogador 2 no lado da quadra. Há cinco colunas e três linhas, cada uma com cores diferentes: verde, amarela e vermelha, com marcações X e Y, e espelhadas no outro lado com marcações A e B.

Dividindo em quadrantes, podemos extrair dados como a posição das atletas, a concentração de tempo em determinadas áreas, a velocidade de deslocamento e pontos onde mais perdem a bola. Também é possível detectar a bola, mas isso é complexo e envolve várias técnicas computacionais, como visão computacional e homografia, que transforma pontos tridimensionais em bidimensionais para extrair dados de uma partida inteira.

Considerações finais e próximos passos

Além disso, é necessário ter uma câmera bem posicionada e referências dos cantos da quadra, o que demanda conhecimento técnico, investigação e persistência. No entanto, é crucial garantir que haja clientes dispostos a pagar por essa solução. Por isso, entender o problema é fundamental.

No próximo vídeo, vamos explorar ferramentas de um toolkit de design para resolver problemas complexos, aproximando o usuário para reduzir riscos e incertezas antes de implementar soluções significativas. Até o próximo vídeo, onde trabalharemos com essas ferramentas para avaliar se vale a pena avançar no uso de IA e dados.

Identificando Oportunidades Reais - Mapeando Certezas, Duvidas e Suposições

Explorando o universo do design

Como comentamos anteriormente, a ideia é que passemos a explorar o universo do design, um caminho bastante complexo, onde os problemas não são simples e as respostas não são óbvias. Como pessoas desenvolvedoras, não necessariamente dominamos o universo de negócios. Para isso, veremos algumas ferramentas dentro de um ambiente de co-design, para que possamos começar a entender como dimensionar um problema na visão do usuário e trazê-lo para mais perto, reduzindo os riscos ao implementar soluções sofisticadas usando IA.

A primeira ferramenta que vamos explorar é a matriz CSD. Essa matriz é composta por três colunas que abordam certezas, suposições e dúvidas sobre um tema de investigação ou um tema que queremos trabalhar, com o objetivo de transformar uma solução computacional em uma inovação que se conecte com o mercado. Dentro das certezas, trazemos tudo aquilo que temos de informação e conhecimento, seja com nosso time de desenvolvimento ou através de discussões, até o momento sobre um problema.

Criando valor no ecossistema do BitTennis

Nosso desafio é criar valor dentro da cadeia de soluções que envolve o ecossistema do BitTennis. Para isso, vamos envolver todos os usuários potenciais interessados nesse processo. Esses usuários potenciais, ou partes interessadas, chamaremos de stakeholders. São stakeholders desse processo pessoas que trabalham na parte de treinamento, seja técnico ou técnica, pessoas que trabalham com condicionamento físico, preparadores, educadores, e eventualmente os próprios atletas, jogadores ou jogadoras de BitTennis. Atletas profissionais têm um perfil diferente de iniciantes ou hobbistas, e cada um deles terá uma visão diferente sobre o problema.

Inicialmente, trazemos tudo o que temos de certeza sobre o processo, suposições eventuais que já trazem alguma carga de decisão, mas que ainda precisam de validação, e dúvidas que estão em aberto e precisam ser validadas antes de decidirmos se vale a pena investir esforço nelas. Esse processo é orgânico, permitindo que criemos e modifiquemos a matriz aos poucos.

Mapeando certezas e suposições

Por exemplo, uma primeira certeza que mapeamos é o interesse de técnicos e atletas em medir a evolução. Partimos do princípio de que isso é uma verdade, por isso está listado como uma certeza. Se não for, estamos em um ambiente de co-design, chamado Miro, que é gratuito e útil para criar em conjunto com nosso time de forma assíncrona. Podemos arrastar post-its, criar novos, e ajustar suas cores e tamanhos.

Outra certeza é a possibilidade de capturar vídeos das partidas com uma ou duas câmeras fixas na quadra. Se essa for uma certeza, garantimos a capacidade de capturar esses dados de alguma forma. Vamos assumir essa premissa e seguir adiante no processo.

Considerando fatores externos e relatórios

A areia e o vento afetam o jogo e os dados. Isso resulta em deslocamento mais lento e trajetórias irregulares, o que pode impactar a captura de dados. Essa é uma certeza baseada em nossa experiência na área de visão computacional. Caso não tenhamos essa experiência, talvez seja necessário validar essa suposição buscando informações de outras pessoas que já trabalharam com isso, produtos do mercado ou até pesquisas acadêmicas.

Relatórios em linguagem simples aumentam a adoção. Tanto pessoas em fase de treinamento quanto técnicos preferem relatórios mais simples. A janela generativa pode ser uma hipótese de que ela nos ajudará a resumir esse tipo de assunto. Dados só têm valor se se transformarem em decisões de treino, indicando o que repetir e o que mudar. Apresentamos algumas certezas dentro do universo de analíticas. Se não tivermos certeza sobre a relevância dos dados, podemos migrar para a suposição e, se for uma pergunta, para a dúvida.

Explorando suposições e hipóteses

Vamos agora às nossas suposições. Colocamos a suposição de que um smartphone com tripé garante qualidade mínima para a visão computacional. Se houver dúvida profissional, ainda não temos certeza disso, mas já descrevemos um caminho para transformar essa dúvida em suposição. Existe a hipótese de que um celular com tripé pode proporcionar qualidade de computação suficiente. Uma homografia simples, técnica que transforma a visão da quadra em uma visão bidimensional, pode ser suficiente para mapear posições 2D, mas precisaremos de métricas de qualidade, como acurácia, para ter certeza e sair do campo da suposição.

Atletas aceitam anotações automáticas de ralis na disputa, mesmo com 5% ou 10% de imprecisão. Se esse número mudar, descobriremos isso confrontando com pessoas reais antes de virar uma certeza. Atletas querem se comparar a si mesmos, sem ranking público, para saber se estão evoluindo. Essa é uma suposição que precisa ser comprovada antes de se tornar certeza. Clubes autorizam a gravação e o uso interno das imagens. Devido à LGPD e questões legais, é importante que isso se torne uma certeza, confrontando com leis e diretrizes dos clubes.

Abordando dúvidas e questões legais

Por último, temos as dúvidas. Qual é o nível de precisão mínimo aceitável para que o técnico confie em uma solução como essa? É viável detectar a bola de maneira consistente com iluminação variável? Qual a latência desejada? Após quanto tempo de uma partida jogada, a comissão técnica e o atleta vão querer esses dados? Como lidar com consentimento e privacidade? Quem pode ver cada vídeo e relatório? Isso afetará nossa solução. Qual o modelo de preço? Plano por atleta, time, quadra, hora ou vídeo? Essas dúvidas precisam ser respondidas antes de decidir qual LLM usar, qual modelo, se utilizaremos visão computacional ou uma IA generativa, ou se um algoritmo simples resolverá.

Estamos falando de negócios, que são construídos em cima de valor. Continuaremos essa jornada no próximo vídeo para entender melhor como sair dessa matriz e começar a pensar em problemas. Até lá.

Sobre o curso Empreendendo com IA: da ideação ao modelo de negócio

O curso Empreendendo com IA: da ideação ao modelo de negócio possui 81 minutos de vídeos, em um total de 30 atividades. Gostou? Conheça nossos outros cursos de IA para Dados em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Identificando Oportunidades Reais
• Definindo problemas e caracterizando uma persona
• Mapeando soluções centradas em pessoas
• Comprendendo o ecossistema de inovação com IA
• Desenhando um modelo de negócio