10 dicas práticas para começar a trabalhar com Machine Learning

O Machine Learning (ML) está
se tornando rapidamente um teste decisivo para CIOs com visão de
futuro. As empresas que não conseguirem adotar a tecnologia para o desenvolvimento de produtos ou para as operações
comerciais correm o risco de ficar atrás de concorrentes mais ágeis na
próxima década, segundo Dan Olley, que como CTO da Elsevier, a unidade
de informação científica e de saúde do Grupo RELX, aumentou o uso de Machine Learning de sua organização nos últimos anos .  

“Acredito fundamentalmente que estamos em
um ponto de inflexão com o aprendizado da máquina, que vai mudar a
maneira como interagimos com o mundo digital na próxima década”, afirma
Olley . “Vamos ter decisões tomadas por máquinas”.

É uma suposição razoável. O crescimento no
poder de computação, a crescente sofisticação de algoritmos e modelos
de treinamento e uma fonte de dados aparentemente ilimitada facilitaram
inovações significativas em Inteligência Artificial (IA).

A IA, que inclui qualquer tecnologia em
que uma máquina pode imitar o comportamento da mente humana, inclui
sub-campos como o Machine Learning, no qual os algoritmos baseados em estatísticas
automatizam a engenharia do conhecimento. Google, Amazon, Baidu e outros
estão investindo muito dinheiro em IA e ML.

Os CIOs devem se adaptar às tecnologias
emergentes, sem demora, se quiserem estabelecer uma vantagem competitiva ou pelo
menos ficar à frente da curva. “É algo que você tem que começar a
embarcar agora”, disse Olley.

Mas como as organizações que nunca viram
algoritmos de Inteligência Artificial embarcam na Ciência dos Dados ou
no Machine Learning? Olley oferece as seguintes dicas
práticas.

1 – Compreenda onde a Ciência dos Dados se encaixa
Não
será preciso centralizar a operação de Ciência de Dados e as operações
de aprendizagem automática. Na verdade, pode fazer sentido incorporá-las
em todos os departamentos, incluindo os de vendas, marketing, recursos
humanos e finanças.

2 ‒ Comece
As empresas
não precisam de um plano de cinco pontos para desenvolver uma empresa
proficiente em ciência de dados, nem de uma estrutura para construir um
produto de Machine Learning bem polido. O Gartner recomenda que se
promovam pequenas experiências em diferentes áreas de negócios com
tecnologias específicas de IA para fins de ML, inicialmente não tendo o
ROI como objetivo predominante.

3 ‒ Trate os dados como se fossem dinheiro
Como
os dados servem de combustível para qualquer esforço de IA/ML, os CIO
devem tratar deles como se fossem dinheiro, gerindo-os , protegendo-os,
obcecadamente.

4 ‒ Pare de procurar gênios
Os
cientistas de dados tendem a ser pessoas com grande aptidão em
matemática e estatística. São habilidosos em descobrir novas
perspectivas mais aprofundadas a partir dos dados. Mas não são
necessariamente engenheiros de software que podem escrever algoritmos e
fazer novos. Muitas vezes, as empresas procuram candidatos que são
mestres em estatística, engenheiros de software criativos e
especialistas em um domínio industrial. Conseguir conjugar tudo é muito
difícil.

Lembre sempre: a abordagem de um cientista de dados para a análise de dados depende não
apenas da indústria a qual a sua empresa pertence, mas também das
necessidades específicas do negócio ou departamento para o qual estão
trabalhando. Antes que um cientista de dados possa encontrar significado
em dados estruturados ou não estruturados, líderes empresariais,
departamentais ou gerentes precisam informar o que eles estão
procurando.

Além disso, um cientista de dados deve ter conhecimento e domínio suficientes sobre
negócios para traduzir em dados os objetivos corporativos ou
departamentais, por meio mecanismos de predição, análise de detecção de
padrões, algoritmos de otimização e outros.

5 ‒ Crie um plano de formação em Ciência de Dados
Nem
todo mundo que faz uso da Ciência de Dados é ou será um cientista ou
obterá um “cinturão negro” no ofício. Mas os CIOs podem promover ou
patrocinar cursos de atualização em probabilidade e estatística, com um
exame final que os candidatos devem passar para provar o seu valor.

O Gartner aconselha identificar o
conhecimento sobre IA existente na empresa, assim como as lacunas de
talento e desenvolver um plano de formação e contratação para
incrementar capacidades.

6 ‒ Sugira plataformas
As
empresas interessadas mas com dúvidas sobre a Machine Learning e como
resolver um problema de Ciência dos Dados podem despejar os seus dados
em plataformas de Ciência dos Dados como a Kaggle. Nelas as equipes de
cientistas de dados, estatísticos, programadores de software, e outros
que adoram abordar problemas difíceis, para competir em desafios
empresariais centrados em desenvolver soluções, podem encontrar recursos
básicos e avançados para iniciarem o trabalho.

7 ‒ Cuidado com os “dados derivados”
No
caso de se partilhar algoritmos com um parceiro, lembre-se de que ele
vai ver os seus dados. É importante entender estrategicamente o que
deseja manter sigiloso e o que interessa compartilhar, tratando os dados
sempre como dinheiro.

8 ‒ Não tente sempre resolver o problema por inteiro
Uma
organização de cuidados de saúde poderia tentar desenvolver um
algoritmo que fizesse a gestão de todos os cuidados médicos primários,
para garantir a assistência contínua, com bastante antecedência. Mas não
seria melhor optar por resolver uma parte do problema escrevendo um
algoritmo que pelo menos consiga discernir se determinados pacientes vão
precisar apenas de uma aspirina em vez de um tratamento mais complexo?

9 ‒ Não repense demais os modelos de dados
É
mais importante obter uma estrutura de formação correta, do que
aperfeiçoar os modelos de dados. Não deixe os profissionais muito livres
com os dados, pois há o risco de os modelos de dados se deteriorarem
rapidamente.

10 ‒ Eduque o CEO e alta gerência sobre IA
Quando
os projetos piloto de Ciências de Dados se mostram promissores, o CIO
deve procurar promover a IA e o Machine Learning como meios para
influenciar a estratégia do CEO sobre o potencial da tecnologia para
causar disrupção em mercados e refazer modelos de negócios existentes,
de acordo com a Gartner. Afinal, operações de aprendizagem automática
bem-sucedidas podem ser a chave para o futuro da organização.