Esta é a era de ouro do Machine Learning (ML). Antes considerada periférica, a tecnologia de Machine Learning tornou-se uma parte central das empresas em todo o mundo. Desde a Saúde à Agricultura, das Fintech aos meios de comunicação e entretenimento, o Machine Learning é a grande promessa para as indústrias de uma forma global.
Se arrancar com projetos de ML pode ser desafiador, enraizar uma mentalidade de Machine Learning no local de trabalho é crítico. Em 2018, o relatório Deloitte Insights State of AI in Enterprise indicava que 63% das empresas investiram em Machine Learning para acompanhar ou reduzir a liderança da concorrência. A IDC estima que, até 2021, os gastos globais com a Inteligência Artificial (IA) e outras tecnologias cognitivas vão ultrapassar os 50 mil milhões de dólares.
A Cerner, líder mundial na saúde e tecnologia, utiliza o ML para melhorar os cuidados ao paciente. A Intuit, uma empresa mundial de software financeiro e empresarial, identifica transações fraudulentas com a ajuda do ML. E com o ML, construído na AWS, a NFL vai gerar novos insights sobre lesões de jogadores, regras do jogo, equipamento, reabilitação e recuperação.
Portanto, a questão já não é se a empresa deve ter uma estratégia de ML, mas sim, como pode a empresa pôr em prática essa estratégia de forma rápida e eficaz?
Partilho quatro passos que deve ter em conta de forma a que a sua jornada para o Machine Learning seja bem-sucedida.
Arrume os dados
Quando se trata de adotar o ML, os dados são frequentemente citados como o principal desafio. Na nossa experiência com os clientes, mais de metade do tempo de construção de modelos de ML pode ser gasto na gestão e limpeza de dados, e estágios de pré-processamento. Se não investir no estabelecimento de uma forte estratégia de dados, qualquer talento de machine learning que contrate será forçado a gastar uma parte significativa do seu tempo a lidar com limpeza e gestão de dados, em vez de inventar novos algoritmos.
No início, as três perguntas mais importantes a fazer são: Quais os dados disponíveis atualmente? Que dados podem ainda ser disponibilizados? E daqui a um ano, que dados gostaríamos de ter começado a recolher agora?
Para determinar que dados estão hoje disponíveis, é preciso ultrapassar o data hugging, a tendência para as equipas guardarem dados com que trabalham e não os partilharem com outros departamentos da empresa. Desconstruir silos de dados entre departamentos para uma visão mais abrangente do panorama de dados é crucial para o sucesso a longo prazo. E ao longo do caminho, será necessário assegurar que há controlo de acesso e governança de dados adequados.
Em última instância, terá de saber que dados são realmente importantes como parte da abordagem do ML. Pense nas melhores formas de armazenar dados e invista previamente nas ferramentas de processamento de dados para identificação e/ou anonimato, se necessário.
Identifique o correto problema de negócio
Ao avaliar qual e como aplicar o Machine Learning, deve concentrar-se na avaliação do problema em três dimensões: disponibilidade dos dados, impacto empresarial e a aplicabilidade do ML – a probabilidade de sucesso com base nas competências da equipa.
Em vez de tentar embarcar num projeto de ML com a duração de três anos, concentre-se em casos críticos que poderiam ser resolvidos num prazo de 6-10 meses. Deve procurar primeiro os locais onde já tem muitos dados por explorar. A seguir, avaliar se a área beneficia do ML ou se está a tentar solucionar algo que já não tem solução. Evite escolher um problema que seja evidente, mas que tenha um valor comercial pouco claro.
Um bom exemplo de solução dos problemas certos pode ser visto na F1. O desporto automóvel estava à procura de novas formas de fornecer métricas de corrida que pudessem mudar a forma como os fãs e as equipas experimentam as corridas, mas tinha mais de 65 anos de dados históricos de corridas a analisar. Utilizaram assim o Amazon SageMaker para formar modelos de deep learning sobre os dados históricos e extrair estatísticas de desempenho crítico, fazer previsões de corridas, e, em segundos, transmitir aos fãs os insights envolventes sobre as decisões e estratégias adotadas por equipas e pilotos.
Defenda uma cultura de Machine Learning
Tanto líderes como developers devem refletir como podem aplicar o Machine Learning nos vários problemas empresariais. Haverá problemas no percurso, mas na sua essência, o ML é uma experiência que melhora com o tempo, pelo que a organização deve também abraçar os fracassos e ter uma visão a longo prazo do que é possível.
Um erro comum que muitas empresas cometem é colocar peritos técnicos numa equipa separada. Ao trabalharem num silo de dados, podem acabar por construir modelos de ML como prova de conceitos, mas na realidade não resolvem problemas empresariais verdadeiros. Pelo contrário, as empresas têm de combinar um mix de peritos técnicos e especialistas para trabalharem de trás para a frente a partir do problema do cliente.
Do mesmo modo, os líderes devem encontrar formas de facilitar aos developers a aplicação do ML. A construção da infraestrutura para fazer o Machine Learning à escala é um processo de trabalho intensivo que abranda a inovação. Devem encorajar as equipas a não se concentrarem nas partes indiferenciadas de “pesos pesados” de construção dos modelos ML. Ao utilizar ferramentas que cobrem todo o fluxo de trabalho de ML para construir, formar e implementar modelos de ML, as empresas podem chegar à produção mais rapidamente com muito menos esforço e a um custo mais baixo.
Faça a equipa crescer
A Morningstar – uma empresa global de serviços financeiros – utilizou a formação prática para os colaboradores com o AWS DeepRacer para acelerar a aplicação do Machine Learning através dos produtos, serviços e processos de investimento da empresa. Agora cerca de 500 colaboradores estão envolvidos na competição AWS DeepRacer League e conseguiram aumentar o nível de qualificação e unir todas as suas equipas.
Para construir uma cultura de ML de sucesso, precisa de se concentrar no desenvolvimento da sua equipa. Isto inclui a construção das competências certas para os engenheiros e a garantia de que os seus gestores empresariais estão também a receber a formação para compreender o ML. O recrutamento de talentos altamente experientes num campo já limitado é altamente competitivo e muitas vezes demasiado caro, pelo que as empresas devem desenvolver também os talentos internos.
