Dez dicas para começar a aprender Machine Learning

---

A inteligência artificial e o aprendizado de máquina podem render soluções de mudança de jogo para as empresas. Veja o que os líderes sênior de TI precisam saber para lançar e manter uma estratégia de aprendizado de máquinas bem-sucedida

O Machine Learning (ML) (Aprendizado de Máquina) está se tornando rapidamente um teste decisivo para CIOs com visão de futuro. As empresas que não conseguirem adotar o aprendizado de máquina no desenvolvimento de produtos ou nas operações comerciais correm o risco de ficar atrás de concorrentes mais ágeis na próxima década. Isso de acordo com Dan Olley, que como CTO da Elsevier, a unidade de informação científica e de saúde do Grupo RELX, aumentou a adoção de tecnologias de ML 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”, disse Olley a uma audiência de colegas no mês passado, no Simpósio CIO100, em Colorado Springs. “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 subcampos como o ML, 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. A atividade empresarial desencadeada por esses desenvolvimentos atraiu três vezes mais investimentos em 2016 – entre US$ 26 bilhões e US$ 39 bilhões – do que nos três anos anteriores, de acordo com o McKinsey Global Institute .

A hora de adotar AI e ML é agora

A adoção de AI fora do setor de tecnologia está hoje em um estágio inicial, experimental, com poucas empresas implantando em escala, diz o relatório da McKinsey. As empresas que ainda não adotaram Inteligência Artificial em escala ou como parte central de seus negócios não têm certeza dos retornos que podem esperar de tais investimentos, de acordo com a McKinsey. Mas Olley, cujos esforços da ML na Elsevier ajudaram os clientes farmacêuticos a descobrir drogas e entregar informações médicas relevantes aos médicos, disseram que casos de uso para ML abundam em gerenciamento de talentos, vendas e marketing, suporte ao cliente e outras áreas.
Os CIOs deveriam se adaptar às tecnologias emergentes se quiserem estabelecer uma vantagem competitiva ou pelo menos ficar à frente da curva. “É algo que você tem que começar a implementar agora”, disse Olley.
Mas como as organizações que nunca viram algoritmos de Inteligência Artificial embarcaram na Ciência dos Dados ou no Machine Learning? Olley e o Gartner oferecem 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 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 ou 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-se de que 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 buscando.
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 uma “faixa preta” 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.

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.

6 ‒ Sugira plataformas

As empresas interessadas mas com dúvidas sobre o aprendizado de máquina 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 hospitalar 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 demasiadamente 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 aprendizado de máquina como meios para influenciar a estratégia do CEO sobre o potencial da tecnologia para causar disrupção em mercados, bem como refazer modelos de negócios existentes, de acordo com a Gartner. Afinal, operações de aprendizado automático bem-sucedidas podem ser a chave para o futuro da organização.

Esta é uma tradução do artigo: 10 tips for getting started with machine learning

Autor: Clint Boulton