10 sugestões para experimentar a aprendizagem automática

Veja o que os líderes de TI precisam de saber para lançar e manter uma estratégia de bem sucedida.

A aprendizagem automática está a tornar-se rapidamente num teste decisivo para os CIO com visão de futuro. As empresas que não conseguem adoptá-la para o desenvolvimento de produtos ou operações comerciais correm o risco de ficar atrás de concorrentes mais ágeis na próxima década. A opinião é de Dan Olley, CTO da Elsevier, a unidade de informação científica e de saúde do grupo RELX.

É uma previsão razoável. O crescimento no poder de computação, a crescente sofisticação de algoritmos e modelos de treino e uma fonte de dados aparentemente ilimitada facilitaram inovações significativas na inteligência artificial (IA). Esta, que inclui qualquer tecnologia com a qual uma máquina pode imitar o comportamento da mente humana, inclui sub-campos como a aprendizagem automática, na qual os algoritmos baseados em estatísticas automatizam a engenharia do conhecimento.

A adopção de IA fora do sector das TIC está sobretudo num estágio inicial, experimental, com poucas empresas a implantá-a em grande escala, diz a McKinsey. As empresas que ainda não adoptaram a tecnologia dessa forma ou como parte central dos seus negócios não têm certeza dos retornos, que podem obter com tais investimentos, de acordo com a McKinsey. “Mas é algo que se tem de começar a fazer agora”, insiste Olley.

Este responsável e a Gartner oferecem as seguintes sugestões como boas práticas:

‒ Compreender onde se encaixa a ciência dos dados

Não será preciso centralizar a operação de ciência de dados e operações de aprendizagem automática. Na verdade, pode fazer sentido incorporá-las em todos os departamentos, incluindo o das vendas, de marketing, de recursos humanos e finanças.

‒ Começar

As empresas não precisam de um plano de cinco pontos para desenvolver uma empresa assente em ciência de dados nem uma estrutura para construir um produto de aprendizagem automática bem polido. A Gartner recomenda que se promovam pequenas experiências em diferentes áreas de negócios com tecnologias específicas de IA para fins de aprendizagem e não tendo o ROI, como objectivos predominante.

‒ Tratar os dados como se fossem dinheiro

Como os dados servem de combustível para qualquer esforço de AI / ML, os CIO devem tratar deles como se fossem dinheiro, gerindo-os , protegendo-os. Obcecadamente.

‒ Parar de procurar génios

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. As empresas muitas vezes procuram candidatos que são mestres em estatística, engenheiros de software criativos e especialistas num domínio industrial. Conseguir conjugar tudo é muito difícil.

‒ Criar um plano de formação em ciência de dados

Nem toda a gente que usa ciência de dados será um cientista ou obterá um “cinturão negro” no ofício. Mas os CIO podem criar um curso de actualização em probabilidade e estatística, com um exame final que os candidatos devem passar para provar o seu valor.

A 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.

‒ Sugerir plataformas

As empresas interessadas mas com dúvidas sobre a aprendizagem automática 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 equipas de cientistas de dados, estatísticos, programadores de software, e outros que adoram abordar problemas difíceis, para competir em desafios empresariais centrados em desenolver soluções.

‒ Cuidado com os “dados derivados”

No caso de se partilhar algoritmos com um parceiro, convém perceber que ele vai ver os seus dados. É importante entender estrategicamente o que deseja manter e o que interessa partilhar, tratando-os sempre como dinheiro.

‒ Não tente sempre resolver o problema por inteiro

Uma organização de cuidados de saúde poderia tentar desenvolver um algoritmo que faça a gestão de todos os médicos de cuidados primários, para garantir a assistência contínua, com bastante antecedência. Ou pode 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.

‒ Não repensar demasiado os modelos de dados

É mais importante obter uma estrutura de formação correcta, 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.

‒ Educar o CEO e administração sobre IA

Quando os projectos piloto de ciências de dados se mostram prometedores um CIO, deve procurar promover a AI e aprendizagem automática, como um meio 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.

Autores

Artigos relacionados

O seu comentário...

*

Top