Aplicabilidades e Desafios da Inteligência Artificial com Rutson Aquino, da Stellantis e Igor Santiago, da Startup I.Systems
Aplicabilidades e desafios da inteligência artificial foi tema do nosso INDTalks e traz uma perspectiva sobre soluções inovadoras e viáveis para essa tecnologia no cenário industrial.
Conversamos com o CEO e Cofundador da I.Systems, Igor Santiago, engenheiro de computação, especializado em IA.
I.Systems é uma empresa líder de inteligência artificial no mercado e tem 14 anos de atuação, o principal produto é o LEAF (Intelligence in Action).
Também tivemos o orgulho de receber para esse debate, Rutson Aquino, Coordenador de inovação e manufatura digital da Stellantis, uma das indústrias parceiras do FIEMG Lab.
e manufatura digital da Stellantis
Prefere assistir ao conteúdo? Confira o vídeo do evento abaixo, na íntegra:
A INTELIGÊNCIA ARTIFICIAL NAS STARTUPS INDTECHS
Igor Santiago compartilha com a gente algumas provocações a respeito do que é Big Data. Em uma definição geral se refere a quantidades de armazenamento de dados superiores a TB (Terabytes).
Porém, existe algo muito mais além do armazenamento que as empresas ainda não usam em seu total potencial.
E qual a relação do Big Data com os desafiosa da inteligência artificial?
Os Vs do Big Data para os desafios da inteligência artificial
- O volume depende da quantidade de dados gerados por organizações ou indivíduos;
- A velocidade depende da frequência na qual os dados são gerados, capturados e compartilhados;
- E a variedade depende em tipos e fontes de onde provêm os dados: por áudios, textos, voz, vídeos, etc.
É sempre importante observar a quantidade de dados gerados por uma empresa, para que eles sejam trabalhados da melhor maneira possível e que isso traga retorno à sociedade.
Porém, o BIG Data por si só não traz as respostas para os processos da empresa, é preciso usar BIG DATA com inteligência.
Nesse processo de coleta e aprendizado na inteligência artificial temos o Machine Learning com 3 classificações fundamentais:
- Aprendizado supervisionado;
- Aprendizado não supervisionado;
- Aprendizado por reforço.
No aprendizado supervisionado é importante mapear nosso problema para conseguir utilizar as marcas corretas, esse é o tipo de aprendizado que precisamos: que o sistema nos leve às resposta dentro do cenário ideal, nesse contexto do supervisionado temos dois pilares para esses problemas, eles podem ser:
1) Classificadores: os algoritmos de classificação são usados quando a variável de resposta de saída é categórica, como “sim-não”, “masculino-feminino”, verdadeiro-falso”…
2) Regressores: prever estados futuros como, tendências, previsão de tempo, etc. Os algoritmos de regressão são usados se houver uma relação entre a variável de entrada e a variável de saída.
Esse aprendizado pode ter aplicações em diferentes níveis e cenários:
- Para detectar falhas: dados históricos de falhas podem ser correlacionados com dados operacionais visando antecipar manutenções;
- Para planejar demandas: pode ser aprimorado reduzindo erros e contribuindo para o plano estratégico da campanha;
- Para simular cenários: avaliar cenários complexos e dinâmicos usando conjunto de dados existentes para entender o impacto das diferentes variáveis no gerenciamento de produção;
- Para converter clientes: as pessoas interagem com o processo de vendas e deixam uma pegada detalhada para ser analisada. Assim é possível otimizar o fluxo que gera a conversão;
- Modelagem de mix: escolher os produtos em que deve se investir mais de acordo com o interesse do consumidor;
- Direcionar produtos e materiais com a recomendação: onde a IA aprende o comportamento do usuário e passa a criar sugestões de acordo com o aprendizado dos nossos hábitos.
No aprendizado não supervisionado é quando não temos os dados corretos de saída, ele serve mais para trazer padrões nos dados para que, assim, possamos levantar boas perguntas:
1) Clusterização: Criar grupos de dados que são mais parecidos;
2) Associação: Sequenciamento de eventos. O sistema busca por proximidade temporal entre ações para localizar e aplicar a associação.
Em qualquer desses cenários, nós temos as respostas, mas de maneira caótica. Mesmo assim, ainda podemos usar os dados para buscar respostas para:
- Marketing: localizar grupos de clientes que têm os mesmos interesses;
- Time: mapear perfis de alta performance para replicar;
- Causa raíz: efeito de causalidade. O sistema busca o histórico de eventos que ocorreram falhas ou impactos positivos para levantar uma sinalização (ou ação inteligente de reversão) quando o cenário se repetir.
OS DESAFIOS DA INTELIGÊNCIA ARTIFICIAL NAS INDÚSTRIAS
Na Stellantis, cada pequena peça inserida gera milhões de dados que são utilizados para tomada de decisão sobre a construção de carros no mercado e escolha de tecnologia, inteligência, processos, experiência para fazer os melhores carros.
Cada vez mais toda atividade e todo processo geram dados que precisam ser analisados e curados para extrair informações que irão se tornar ativos dentro da empresa.
A Stellantis tem uma estratégia de transformação digital em todos os seguimentos:
-
Customer Engagement and Commercial (Engajamento de cliente e comercial): Experiência integrada, multicanal e sem fricção para os clientes em toda a sua jornada – pesquisa, test drive, compra, uso, manutenção, recompra;
-
Connected services and vehicles (conexão entre veículos e serviços): o carro como plataforma que integra informações e serviços em um amplo ecossistema, uma experiência diferenciada para os clientes;
-
New Digital Business (novos negócios digitais): novas oportunidades de negócios;
-
Digital Backoffice: eficiência dos processos, automação de atividades e controles, melhor experiência no trabalho.
-
Digital Manufacturing (manufatura digital): eficiência dos processos produtivos, logística e qualidade, maior eficiência e redução de custos.
Existem alguns passos para seguir antes de alcançar excelência no uso da IA na indústria, chamamos de 7 passos da escolha de estratégia na inovação:
1) Seleção dos dados: Qual máquina? Qual informação? Entender quais informações precisamos usar e Onde queremos chegar.
2) Coleta de dados: Como coletar essa informação? Recursos para coletar os dados necessários do meio físico para o meio digital.
3) Análise descritiva: O que aconteceu? Criar dashboard com informações dos eventos para tomar decisões.
4) Análise diagnóstica: Por que aconteceu? quais foram os eventos paralelos no mesmo intervalo de tempo que podem se relacionar à causa do evento.
5) Análise preditiva: o que vai acontecer? Através do machine learning conseguimos prever o que pode acontecer baseado em históricos de acontecimentos e agir antes.
6) Análise prescritiva: Como posso fazer para acontecer? traça possíveis cenários e os caminhos alternativos para se chegar à meta/objetivo.
7) Análise cognitiva: O que fazer? Por que? Como? (golden circle)
Entendemos que inteligência artificial dentro da fábrica é uma trajetória gradual, por isso a importância dos 7 passos.
Portanto, quando chegamos no passo nº7 estamos mais robustos de informação e podemos agir com mais assertividade.
A inteligência artificial precisa representar um benefício para a indústria para ter retorno sobre o investimento.
Sobre a ótica dos desafios da inteligência artificial na indústria, além da aplicação em si desse recurso, podemos destacar que são necessários:
-
Formação técnica de profissionais: tanto da indústria quanto da startup;
-
Segurança dos dados;
-
Custo de determinadas aplicações;
-
Governança dos dados;
-
Manutenção dos modelos (algoritmos);
-
Integração de sistemas que fazem a indústria funcionar precisam se comunicar.
Com a parceria do FIEMG Lab e da I.Systems, uma das startups aceleradas pelo FIEMG Lab 4.0, a Stellantis conseguiu implementar uma inteligência artificial de visão computacional para entender a eficiência do processo e automatizar soluções para etapas em conflito ou com menos eficiência.
Corrigir falhas, aplicar segurança aos funcionários e prever quando deverá ser realizada a manutenção.
e manufatura digital da Stellantis
POR ONDE E COMO COMEÇAMOS COM A INTELIGÊNCIA ARTIFICIAL?
Igor Santiago responde a essa pergunta com algo simples que, muitas vezes, é negligenciado: “O começo é o começo de tudo: tenha foco no problema.”
A inteligência artificial é uma forma de tecnologia e está sempre no meio do processo.
Portanto, devemos pensar qual problema estamos querendo resolver, pra quem estamos querendo resolver e por que resolver esse problema.
“Às vezes, não é preciso usar um canhão se você só precisa matar uma mosca…”
Depois de responder as perguntas básicas, passamos às perguntas específicas, como: “é um problema que pode ser resolvido por meio de inteligência artificial?”
Então temos que pensar se o problema tem uma complexidade que é aderente à uma solução com inteligência artificial.
A partir disso, uma coisa interessante é seguir aquela jornada dos passos que o Rutson Aquino trouxe e aqui é preciso questionar: “Temos dados? Temos boas perguntas? Temos um objetivo alinhado às expectativas?“
Só depois disso é que seguimos com a execução técnica de um processo de implementação. Veja quanta coisa devemos decidir antes de usar o formato de aprendizado supervisionado.
Tanto na IA quanto em qualquer outra abordagem de solução temos que seguir o caminho padrão, depois entender se é um problema de inteligência artificial e então partir para a análise de dados e execução técnica.
Rutson Aquino, da Stellantis, complementa trazendo à nossa atenção que muita coisa no início da jornada de inovação pode ser legal de trabalhar, porém, às vezes, a indústria acha que por ser um assunto que está no hype ela precisa inserir IA no processo de produção de alguma forma.
Entretanto, por causa disso, muitas empresas usam o processo contrário: aderem à inteligência artificial e tentam encaixar dentro do modelo de negócio. Esse é um caminho para a derrota!
Nós temos que ser agnósticos da tecnologia para entender de fato o problema antes de tudo.
Então, é importante sempre se questionar sobre qual o problema ou a questão que está gerando reflexão: faz sentido resolver o problema ou é melhor conviver com ele?
Em geral, os problemas chaves são o que chamamos de Pain Points (dores) no cenário da indústria e quando decidimos resolver o problema, partimos para entender se a IA é uma solução coerente para os pain points.
Sendo a IA uma das ferramentas na resolução do problema a ação seguinte é entender os 7 passos.
Portanto, buscar dados, sondar quais informações eu preciso, analisar as informações, conferir se há dados confiáveis sobre determinadas informações, saber trabalhar com a integração dos sistemas envolvidos e avaliar os 7 passos esclarece se a IA realmente é necessária para aquele momento na indústria.
Afinal, às vezes, um simples dashboard já resolve o problema dentro do chão de fábrica ou evita gastos de tempo e recursos.
Com isso, precisamos entender onde queremos chegar, o que vamos tratar, para assim chegar à tecnologia correspondente ao tipo de problema que precisa ser resolvido.
Então, o passo 1 é esse: enxergar a dor para depois ir à sua solução. Esse é um dos primeiros desafios da inteligência artificial.
Como capturam a necessidade do chão de fábrica, analisam e descobrem que a IA é a ferramenta para solucionar o problema?
Rutson Aquino nos mostra que o primeiro ponto que a Stellantis faz é conhecer muito bem o processo.
Então, uma das formas como as fábricas conhecem o seu processo é aplicando Lean Manufacturing¹ o que a Stellantis chama de world class manufacturing²:
Com essa metodologia nós temos todos os processos muito bem mapeados, a relação de todos os custos e detalhes da manufatura.
Com esse mapeamento prévio, que ocorre de maneira rotineira e contínua, sabemos exatamente onde gastamos mais, onde estamos tendo mais problemas com qualidade e, assim, conseguimos identificar onde ocorre a “dor”.
Quando identificamos onde há mais custos de produção ou onde há mais problemas com qualidade, vamos focar na redução desses custos de transformação para otimizar o processo.
Logo, quando observamos o mapeamento começamos a dividir os custos, em quais momentos tornam o processo mais oneroso.
Esse exemplo é apenas uma das vertentes dentro do processo de lean manufacturing porque dentro desse mapeamento temos todo o desdobramento de análise de custos e processos da indústria.
Além disso, na Stellantis são feitas várias rodadas de “bottom-up” com as plantas para ouvir do chão de fábrica, quem está na prática do dia a dia do processo, as principais dores dentro da rotina de produção.
e manufatura digital da Stellantis
Ou manufatura esbelta no Brasil, é uma filosofia de gestão oriunda do Sistema Toyota de Produção cuja premissa é focar na redução dos sete tipos de desperdícios.
É um conjunto de princípios e técnicas de gestão que foca nas melhores práticas para uma gestão com zero desperdício.
Quais são os principais erros cometidos na relação startup-indústria que potencializam os desafios da inteligência artificial e sua aplicação?
Rutson Aquino oferece sua visão e experiência compartilhando que um dos principais erros é justamente não fazer o mapeamento mencionado anteriormente.
Assim como ignorar as dores do chão de fábrica e começar de trás pra frente, trazer a inteligência artificial sem saber como, porquê e onde utilizá-la.
Outro erro muito comum é não ter governança e segurança de dados.
Geralmente, temos alguns dados, mas esses dados não estão estruturados, com isso você pode até começar a fazer alguns modelos de algoritmos porque a IA é aplicável, mas depois que seguir a jornada dos passos – uma etapa tão importante quanto entender que a IA é viável – é estruturar os dados e colocá-los de maneira disponível e organizada.
Nesse aspecto, aquilo em que uma empresa mais peca é começar a fazer um processo em um dado que não está estruturado nem organizado, isso gera retrabalho e até perda de dados, ocasionando à perda do trabalho também.
Igor Santiago complementa sobre a governança de dados e ser uma tecnologia à procura de problema, a IA à procura de problema é um risco.
Outros erros padrões é subestimar a integração de sistemas.
Grandes empresas têm grandes sistemas de legado e não adianta criar um sistema que não seja compatível com o sistema legado, assim como também achar que essa integração será rápida.
Esses são pontos em que os empreendedores (startups) muitas vezes desconhecem a complexidade das indústrias e acabam matando os produtos e até os negócios ao se deparar com os desafios da inteligência artificial na indústria.
Outro ponto de atenção é o risco do empreendedor espelhar o seu conhecimento no conhecimento do usuário.
Entretanto, não dá pra gente achar que o usuário vai ter algum conhecimento próximo do que eu tenho para usar o sistema.
Devemos ter em mente que é uma pessoa leiga que vai utilizar e, portanto, focar na usabilidade humanizada do sistema. Precisamos lembrar e entender o ponto de vista do outro para fazer um sistema utilizável, flexível e fácil.
Um outro ponto muito relevante é que, nas indústrias, como toda grande empresa, normalmente quem paga não é quem usa.
Portanto, os empreendedores devem lembrar que sempre temos dois tipos de stakeholders envolvidos: o usuário imediato do sistema e a pessoa responsável pelo pagamento daquele sistema, que está comprando a solução que você oferece e tem outros valores para tomada de decisão.
Então, devemos lembrar que o uso do sistema é importante, assim como também a comprovação de benefício financeiro para o contratante.
Esses benefícios podem ser enxergados de diversas maneiras, podem ser: redução de custos, aumento de produtividade, redução de risco de acidentes…
Logo, demonstrar os benefícios é responsabilidade da startup e não do cliente.
Além disso, a startup deve mapear esse ganho e levar isso o mais detalhado possível para que o cliente tenha condições de defender a aplicação desse sistema internamente na indústria, com relação à necessidade do investimento na solução.
Trabalhar com indústria é diferente de trabalhar com uma empresa de desenvolvimento de app, mobile, onde é possível fazer vários testes A/B no mesmo dia.
Dentro da indústria, realizar testes A/B no mesmo dia é complexo, delicado e de alto risco. Por isso, existem mais desafios da inteligência artificial nesse cenário.
Portanto, se uma startup erra na solução, ela perde o cliente e tem que corrigir para seguir à captação do próximo, porque também não pode demorar para oxigenar o financeiro, uma vez que a startup sobrevive da proposta contratada.
Esses 3 fatores são bem críticos e por isso tudo tem que ser muito bem planejado.
Rutson Aquino complementa com a visão da Stellantis de que, muitas vezes, as empresas têm grandes propostas, soluções com aplicação de IA muito interessantes que realmente resolvem um problema, mas que não esclarecem realmente qual é o grande benefício que essa IA irá trazer para a indústria.
No final das contas, esse levantamento de benefícios pode ser traduzido em uma conta básica: quanto custa a solução e quanto a indústria terá de retorno.
Afinal, essa relação é “business” e estamos falando de relação de negócios.
Logo, a conta precisa ser positiva e é um fator que as pessoas precisam ter em mente sempre, sejam pessoas da empresa ou das startups – os provedores de soluções e tecnologia – que essa conexão é uma relação de negócios.
Porém, não necessariamente o retorno será financeiro, o resultado pode ser voltado à segurança ou voltado à qualidade, seja qual for, temos que ter isso muito bem inserido na mente: a solução tem que se pagar e trazer benefícios para o cliente.
Se esse primeiro ponto não for validado ainda temos muito que alinhar até validar uma proposta de solução.
No início podemos não ter muita clareza dos benefícios que a solução irá gerar, até para as startups em alguns momentos isso ocorre do ponto de vista do produto, que ainda não tem uma maturidade robusta para garantir um benefício ou resultado.
Quais as dificuldades de colocar modelos em produção e como monitorar estes modelos?
A dificuldade é que você tem que garantir e ter certeza que trabalhou com os dados confiáveis, toda parte de uso de dados e integração com o sistema tem que estar alinhada.
Antes de colocar em produção você tem que garantir e se certificar da confiabilidade da sua base de dados, que essa base tenha uma governança muito clara sob o aspecto de que realmente é o que você precisa.
Além disso, deve garantir que os dados estão saindo do sistema A pro sistema B de uma forma integrada e que o modelo vai conseguir fazer com que o sistema atue de maneira fluida.
Esses são os primeiros pontos para mitigar os desafios da inteligência artificial e só para encontrar as respostas dessas perguntas você já tem um bom trabalho antes de implementar qualquer coisa.
Só depois de ter tudo isso muito claro é que você pode colocar a proposta em produção.
Um segundo ponto é, depois de realizada essa coleta e organização de dados, sempre monitorar o modelo quando estiver em produção.
Para isso, a Stellantis criou uma iniciativa de que o profissional que criou esse modelo fique responsável por manter o funcionamento do mesmo e realizar as análises necessárias no seu progresso.
Então, é importante ter uma pessoa especialista naquela solução para monitorar o sistema e toda comunicação integrada.
Não adianta eu inserir nesse contexto uma pessoa que não sabe qual foi a lógica desse modelo porque ela não vai saber realizar o monitoramento, manutenção e funcionamento do sistema.
Precisamos ter um time que garante a confiabilidade dos dados, a coleta de dados de maneira correta e fluida, que gerencia o banco de dados e a partir disso é feito o modelo.
A pessoa que fez o modelo é quem vai garantir o funcionamento do mesmo.
Essa é a forma como a Stellantis entende como melhor formato.
Hoje, nesse mundo de inovação e novas tecnologias, prioriza-se sempre a base de dados confiável antes de colocar qualquer modelo em produção.
DESAFIOS DA INTELIGÊNCIA ARTIFICIAL NA RELAÇÃO DE NEGÓCIOS
Nesse contexto, 3 pontos principais nortearam a I.Systems e podem se tornar pontos de atenção para outros empreendedores:
- Probabilidade de Falha: o que a startup não sabe responder sem a visão completa de dados da indústria;
- Custo da Falha: se o modelo tiver qualquer problema o que pode acontecer? A linha de produção vai parar? Pode colocar vidas em risco? Então, o custo da falha é um fator determinante na avaliação de quando temos que colocar um modelo em produção.
- Velocidade de Fallback: que é a velocidade de retorno ao “Status Quo“, de como funcionava antes. Quanto mais rápido conseguir retornar ao processo anterior da indústria, mais tranquilidade o cliente tem e quanto mais difícil for essa reversão, estamos expondo o nosso cliente a mais riscos e quanto mais riscos expomos o cliente, menos chance de vender uma proposta de solução. Nosso trabalho é mitigar o risco do cliente.
Quanto custa para inserir essa inovação na indústria ou preço é mais um dos desafios da inteligência artificial?
Começa com o dever de casa de que a conta tem que fechar em positivo, como foi citado pelo Rutson Aquino.
Além disso, vamos destacar: temos que entender a estrutura de custos do cliente, o ideal é cobrar por Valor e não por Tempo!
Igor Santiago exlica que o custo de ineficiência nas grandes empresas é espantoso. São cerca de R$ 20bi de dólares calculados em processos de ineficiência, só no Brasil.
Então, é preciso calcular se a startup vai retirar esse custo do cliente ou aumentar a eficiência do cliente, e ela merece um pedaço desse retorno para haver uma boa relação de negócios.
A melhor via é você conhecer bem a estrutura de custos e informar esses dados de maneira coerente e técnica para que você consiga capturar parte daquele ganho.
Uma dica que facilita muito é a lógica 1:3: um terço do ganho é um bom indicador, é a meta, porque é fácil do cliente conseguir justificar isso internamente para que a indústria consiga aderir à tecnologia e efetivar a compra.
Existe uma definição em inglês que se chama No-Brainer³ e a partir desse conceito podemos afirmar que qualquer proposta que você fizer que tenha 10 benefícios para 1 investimento, o cliente se sente compelido e seguro a comprar sua solução.
1:10 é um resultado muito bom! A conta fechou? Faz sentido pra startup? Então é um ótimo negócio para ambas as partes.
Portanto, seu preço deve ficar entre 1:10 e 1:3 do ganho.
Seu trabalho, portanto, não é formar seu preço, é descobrir seu ganho. E esse é o trabalho de todo empreendedor: quanto de valor ele está gerando de valor para o cliente!
Esse é um dos desafios de inteligência artificial que envolve uma visão estratégicamente financeira.
Ddesigna qualquer coisa que se pode resolver ou conseguir sem muita inteligência ou habilidade especial.
Na Stellantis, sempre é feito uma relação custo x benefício, se a relação for 1:1 porque a indústria ou o cliente vai querer fazer o investimento na compra dessa tecnologia?
Mas devemos avaliar: eu vou gastar X e vou ter o mesmo retorno… E se eu ficar sem fazer nada o resultado é o mesmo nesse caso? Ou vou perder mais?
Se não houver um ganho, tangível ou intangível, não faz sentido contratar a solução, é fazer muito esforço, para nenhum ou pouco resultado.
Portanto, a relação custo x benefício, ou business case, tem que ser mais atrativo. Se for 1:10 a relação de negócio está praticamente fechada.
Depois de identificar se é um problema real, realizar o estudo de viabilidade técnica e o benefício for 1:10, a chance de aprovação é quase 100%.
Muitas vezes, infelizmente, acontece muito de a startup chegar para apresentar a proposta e a relação ficar 1:1 ou 2:1 ou seja, o custo é o dobro do benefício.
Às vezes, a solução é muito boa, ataca um problema real, mas o custo da produção é maior que o benefício que se consegue mapear dentro da indústria.
Então, é importante ficar muito atento à questão de valor vs. preço e fazer um trabalho a 4 mãos: startup (ou fornecedor de tecnologia) junto à indústria, para entender de fato qual o real benefício potencial.
Afinal, é compreensível que, muitas vezes, não teremos o benefício claro, mas conseguimos obter o benefício potencial que me permita assumir o risco.
Uma dica final para indústrias que querem trabalhar com Inteligência Artificial
Faça uma política de redução de desconto.
Como a incerteza no começo é muito alta, feche um contrato com o cliente que você tem um desconto significativo no começo, e gradativamente, aplica reajustes sobre o preço, conforme você entrega mais valor ao mesmo.
Durante esse tempo, você avalia com seu sponsor como será feito o pagamento enquanto a startup tem que evoluir o produto, para ter mais funcionalidade, gerar mais impacto e mais benefício para justificar a próxima mensalidade.
Esse formato se torna mais um dos desafios da inteligência artificial e é uma corrida contra o tempo, mas porque é bom esse formato?
Isso já fica estabelecido em contrato, você não precisa passar por compras de novo e, se caso lá na frente não der certo, não há atrito entre as partes, a startup obteve aprendizado e a indústria conseguiu experimentar e validar se aquela solução é o que ela precisava.
Fechando esse tipo de contrato, tenha em mente seus prazos de entrega, como o Rutson falou: prazos fixos, entregáveis flexíveis.
Então, quando o projeto alcançar o período de prova de conceito, a mudança de pagamento já vai ocorrer porque está estabelecido em contrato.
É uma tática de ouro, mas que necessita muito foco da startup para provar os benefícios da solução, do contrário, a indústria e os envolvidos vão questionar o trabalho feito e isso pode prejudicar toda uma relação ne negócios.
E como terminamos o evento “Aplicabilidades e Desafios da Inteligência Artificial” falando de provas de conceito, o FIEMG Lab tem o propósito de disseminar inovação e conhecimento para fomentar o ecossistema e, por isso, lançamos o primeiro e-book de inovação aberta na prática com foco no planejamento de provas de conceito entre startup-indústria.
Você pode fazer o download do material gratuitamente clicando aqui ou na imagem abaixo:
