O dia seguinte ao Machine Learning

Sem dúvida este é o termo do ano!

giphy.gif

Eu usarei bastante os termos IA e Machine Learning. Para vocês, entusiastas e ainda novos no assunto, explicarei abaixo de maneira bem simples a relação entre eles, para que não tenham duvidas durante a leitura deste post.

 

Group 12

 

Machine learning (ML) é um conjunto de métodos e modelos de análise de dados. É também um ramo da inteligência artificial (IA) baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana.

Feitos os esclarecimentos, volto ao nosso tema principal. Tenho visto empresas, de todos os tamanhos e segmentos, iniciando sua jornada de inteligência artificial. Com um pouco mais de força, empresas maiores já começaram a colocar ou pelo menos estão tentando colocar modelos de machine learning em todo tipo de lugar e área de negócio possível. Parece estimulante perceber todo esse movimento relacionado a um tema tão enigmático e cheio de mito e fantasia mas, de volta ao mundo real, não é tão difícil enxergar o que vêm no dia seguinte a revolução: como gerenciar e manter uma tecnologia que provavelmente não entendemos completamente e sobre a qual temos conceitos vagos e não conhecimento concreto?

Normalmente, o primeiro estágio para a maioria das empresas que estão implementando soluções de machine learning é encontrar as características certas para o seu modelo, descobrir qual o melhor algoritmo usar, provar o conceito e então integrar com seus aplicativos de negócio. Empresas estão agora focadas nisto e provavelmente o problema da gestão apareça somente um ano depois.

Apesar desta complexidade, já existem dezenas de casos de sucesso de machine learning e vários deles participam do cotidiano de nossas vidas. Já percebeu que você não precisa mais “Tagar” o rosto de seus amigos e familiares nas fotos do Facebook? Agradeça a uma técnica de machine learning chamada Convolutional Neural Network (CNN). O Google, por exemplo, implementa diversas técnicas em seus produtos: o Google Maps analisa velocidade no tráfego para calcular o ETA (Estimated Time of Arrival); recomendações e sugestões do buscador são baseadas em pesquisas anteriores do usuário e o Gmail com a funcionalidade de Smart Reply permite a sua caixa de entrada responder e-mails em seu nome.

Segundo a IDC, os gastos globais em inteligência artificial podem alcançar US$ 19,1 bilhões em 2018, um aumento de 54,2% em comparação com o ano anterior. Até 2021, a inteligência artificial atingirá aproximadamente US$ 52,2 bilhões, e machine learning lidera estes investimentos.

Ao mesmo tempo em que machine learning já faz parte de nossas vidas, muitas empresas não estão tendo sucesso em suas implementações e, o gerenciamento de IA após esta etapa pode ser um dos grandes problemas. Implementar IA é exatamente como a maioria de outras soluções corporativas, tais como CRM, ERP e e-Commerce e, manter, evoluir e expandir estas soluções é tão desafiante como concebe-las e construí-las. No caso de machine learning, quando se tem pouco ou nenhum conhecimento de como estas caixas pretas funcionam, o desafio fica muito maior.

No outro lado do espectro dos provedores de solução, já existem grandes provedores de serviços ML na nuvem (Cloud ML Service Providers) como AWS, Microsoft e Google. Estas empresas, através de seus parceiros, já começaram a empacotar serviços de machine learning como funções de negócio para atender especificamente demandas horizontais, como recomendações, predição de manutenção, reconhecimento de fraudes e chats bots.

Do ponto de vista comercial, este modelo de negócio tem apelo e faz sentido a aquisição por empresas que precisam implementar rápido e com menor time-to-market suas estratégias de IA, contudo, estes movimentos tornam IA mais fácil de consumir e o que vemos são estes pacotes se multiplicando e ganhando escala. A medida que isto acontece, os modelos de machine learning vão sendo mais e mais aplicados e incorporados aos aplicativos de negócios, aumentando a necessidade de gestão e suporte futuro.

AGENDA ML PÓS IMPLANTAÇÃO

PREPARE-SE PARA RESPONDER AOS PORQUÊS – A medida que sua solução
de machine learning começar predizer, sugerir ou classificar perguntas sobre
como e porquê os resultados são estes ou aqueles serão uma constante.

MONITORE A PERFORMANCE – São considerados bons modelos aqueles que
comprovadamente oferecem ótimas taxas de precisão, entretanto após a
implantação o que de fato tem valor é saber se os indicadores de negócios como
churn, volume de vendas ou custo de manutenção estão sendo impactados
positivamente.

PLANEJE RE-TREINAR SEU MODELO – Atualmente a maioria dos modelos é
offline, isso quer dizer que foram treinados e em seguida implantados, uma vez
implantados o modelo não muda. O problema com modelos offline é que eles
presumem que os dados de entrada permanecem razoavelmente consistentes e
isso definitivamente não é uma verdade.

SUSTENTAR E MELHORAR – Se é software então prepare-se para corrigir
problemas não detectados nas fases de desenvolvimento e, realizar pequenas melhorias especialmente no modelo e nos sistemas clientes que interpretam e utilizam os resultados.

O que impressiona, é que como empresas estão comprando toda essa parafernália e na prática, gestores ainda não sabem, por exemplo, sobre os algoritmos em que as soluções foram baseadas ou mesmo a ciência de dados por trás destas soluções. Basicamente, empresas estão investindo em coisas sobre as quais não entendem muito bem, sendo necessário começar agora a pensar em como gerenciar tudo isso. É fato: a gestão e tomada de decisão se tornam mais difíceis diante de situações até então não previstas.

Se nesse momento você está pensando: “OK vou contratar cientistas de dados”, a boa notícia é que você já começou a pensar em gestão; a má é que existe uma escassez de cientistas de dados disponíveis. Algumas empresas já possuem times de ciência de dados para colocar as ferramentas de IA em prática, mas a maioria ainda não.

Cientistas de dados são raridade no mercado

McKinsey Global Institute disse há algum tempo que esse ano (2018) haverá uma falta de 1 milhão e meio de gerentes e analistas preparados para cargos nas áreas de analítica e ciência de dados para suprir alta procura nos EUA, causada pelo crescimento do volume de dados e a competição de mercado para extrair valor desses dados.

Group 20

Cientistas de dados sem dúvida irão ajudar, mas com as empresas produzindo cada vez mais, variados volumes de dados, é importante entender que somente comprar pacotes e ter pessoas que facilitem a implementação no médio e longo prazo não salvam o dia. É preciso profissionais capacitados, que fazem as perguntas certas, repensam os fluxos de trabalho e criam insights a partir destas massas de dados, transformando-as em diferencial competitivo. Executivos devem ser capazes de planejar e montar estruturas aptas a alavancar, evoluir e principalmente suportar as iniciativas de IA, para que aqueles pacotes possam ajudar de maneira perene a redução de custos, o aumento de vendas e os ganhos de eficiência operacional da empresa.

 

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google

Você está comentando utilizando sua conta Google. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

Conectando a %s