Conheça os principais requisitos para obter vantagens com inteligência artificial e machine learning

A inteligência artificial (AI, na sigla em inglês) e o machine learning vão começar a tomar muito mais decisões. Eles provavelmente ainda não serão usados ​​em um futuro próximo para tomar decisões “grandes”, como colocar uma tarifa de 25% sobre uma commodity e iniciar uma guerra comercial com um parceiro.

No entanto, praticamente qualquer coisa que você tenha colocado no Excel, codificado ou classificado é um bom problema de cluster, classificação ou aprendizado para a tecnologia. Tudo que for um conjunto de valores que podem ser previstos é um bom problema de machine learning. Tudo o que é um padrão, forma ou objeto que você acabou de passar e “procurar” é um bom problema de deep learning.

E os negócios estão cheios disso. Assim como o processador mundial substituiu o pool de máquinas de escrever, AI em breve substituirá os trabalhadores de escritório que estão olhando para o Excel – e também substituirá alguns analistas.

As empresas precisam se preparar para essa mudança. Assim como as empresas que não se preparavam para a web e o comércio eletrônico foram deixadas de lado, também as empresas que não se adaptam a AI e ao machine learning.

Para se preparar para essa mudança, você tem cinco pré-requisitos antes mesmo de iniciar uma transformação de negócios. São eles:

1.Educação

Você não pode tornar todos na sua empresa um cientista de dados. Além disso, parte da matemática está correndo muito rápido para nós, meros mortais – o algoritmo específico que as pessoas acham mais eficiente esta semana provavelmente não será o certo na próxima semana.

No entanto, algumas coisas básicas não vão mudar. Todos na sua organização devem entender alguns recursos básicos de aprendizado de máquina, especialmente desenvolvedores:

Clustering: Agrupando as coisas.

Classificação: Classificando as coisas em grupos rotulados.

Previsão em uma linha: se você puder criar um gráfico de linhas, provavelmente poderá prever qual será esse valor.

Predição de variância: se é um risco de liquidez ou vibrações ou picos de energia, se você tiver um conjunto de valores que se enquadram em um intervalo, é possível prever qual será sua variação em um determinado dia.

Classificando/ordenando/priorizando: não estou falando sobre coisas simples. Seja para pesquisa ou priorização, o que a pessoa de vendas ou de suporte chama de próxima, isso é algo que pode ser tratado.

Reconhecimento de padrões: seja uma forma, um som ou um conjunto de intervalos ou eventos de valores, os computadores podem aprender a encontrá-lo.

Uma coisa fundamental é ter um conjunto de pessoas que pode emburrá-lo para as pessoas com base no seu nível de habilidade. Seus desenvolvedores podem estar interessados ​​em algoritmos ou técnicas específicas, mas seus analistas e executivos devem entender os problemas básicos de negócios e as técnicas de computação. Seus executivos não precisam saber como o clustering funciona, mas precisam reconhecer que um problema “parece” um problema de clustering.

Finalmente, você precisa de uma atualização de educação regular, pelo menos anualmente, porque os recursos estão se expandindo.

  1. Componentização

Algumas das ferramentas recentes em torno da componentização são “notebooks” para cientistas de dados – muitas das outras ferramentas crescem a partir delas. Essas são ótimas ferramentas para os cientistas de dados e seus colaboradores.

O problema é que eles encorajam práticas ruins quando se trata de produção. A interface para um algoritmo de classificação parece mais ou menos a mesma que todos os outros algoritmos. Uma implementação específica do algoritmo de classificação não muda com o problema de negócios.

Assim como muitas empresas tiveram que descobrir como fazer uma representação de um cliente (em vez de totalmente diferentes em cada sistema para cada problema de negócios), você precisa fazer o mesmo para os algoritmos. Isso não quer dizer que você inventa o algoritmo de cluster único, mas que você compõe o que é diferente.

  1. Sistematização

Apesar de toda a comoção, a maioria dos sistemas ainda parece o mesmo. Existe algum processo para obter os dados em um algoritmo, algum processo para executar o algoritmo e um local para colocar o resultado. Se você está projetando todas essas coisas várias vezes para cada algoritmo, está perdendo tempo e dinheiro e criando um problema maior para si mesmo. Assim como SOA mudou quantas empresas implementam software de aplicação, técnicas semelhantes são necessárias em como AI é implantada.

Você não precisa de um monte de clusters Spark personalizados funcionando com “cadernos” personalizados em todos os lugares e processos ETL personalizados. Você precisa de sistemas de AI que possam fazer o trabalho pesado, independentemente do problema de negócios.

  1. Componentização de AI/UI

Em um mundo de interface de usuário JavaScript/Web com serviços RESTful no back end, muitas de suas interfaces de usuário devem ser capazes de apenas misturar um componente AI. Seja uma recomendação baseada no comportamento do usuário ou um assistente virtual completo, sua empresa deve criar uma biblioteca de interface do usuário que inclua a funcionalidade da AI para incorporar facilmente aos seus aplicativos de negócios.

  1. Instrumentação

Nada disso funciona sem dados. Não vamos voltar a criar depósitos de dados grandes, nos quais apenas coletamos um monte de lixo no HDFS e esperamos que ele tenha algum valor algum dia, como alguns fornecedores o incentivaram a fazer. Em vez disso, vamos ver o que as coisas devem ser instrumentadas.

Se você está fabricando, há pontos de partida simples: qualquer pessoa que esteja usando um medidor manual está desperdiçando seu tempo. No entanto, mesmo em vendas e marketing, você tem e-mail e telefones celulares – os dados podem ser coletados automaticamente a partir deles, o que é claramente útil. Em vez de incomodar os vendedores a obterem a entrada de dados, por que não permitir que os sistemas façam isso sozinhos?

Fonte: Computerworld

Autor: Andrew C. Oliver – InfoWorld (EUA)