Como qualquer nova tecnologia as solu\u00e7\u00f5es de Machine Learning (ML) n\u00e3o iam passar em branco no que se refere ao desafio de se implementar e o que estamos vendo \u00e9 um n\u00famero cada vez maior de empresas se frustrando na implementa\u00e7\u00e3o dessa tecnologia.<\/p> \n
Existem todos os tipos de obst\u00e1culos poss\u00edveis que v\u00e3o desde a qualidade dos dados at\u00e9 a compreens\u00e3o do que realmente essa tecnologia vai entregar de valor ao neg\u00f3cio. Pretendo discutir aqui os problemas enfrentados pelas empresas, explorando um pouco mais as causas e trazendo algumas ideias de como driblar essa armadilha.<\/p> \n
A import\u00e2ncia dos dados e a qualidade deles<\/strong><\/p>\n O primeiro ponto a ser compreendido \u00e9 que, sem dados, n\u00e3o existe Machine Learning. Do mesmo modo que um estudante n\u00e3o pode aprender sem livros, um algoritmo n\u00e3o pode aprender sem dados. Algumas empresas levam isso t\u00e3o literalmente que pensam que quantidade de dados j\u00e1 \u00e9 um passo e n\u00e3o \u00e9. Ter quantidade \u00e9 um fator, mas a qualidade dos dados \u00e9 o fator crucial.<\/p> \n Sem qualidade nenhum algoritmo ir\u00e1 conseguir retirar nenhum insight. Ao longo dos anos as empresas implementaram diversos sistemas que se tornaram legados e poucas delas se importaram de fato pela qualidade dos dados. As pr\u00f3prias empresas produtoras de software n\u00e3o tinham grandes crit\u00e9rios para qualidade de software. \u00c9 verdade que ningu\u00e9m pensava que em alguns anos haveria uma explos\u00e3o de ferramentas de ML, mas minimamente o cuidado com a qualidade deveria ter sido tomado.<\/p> \n Existem diversos tipos de problemas de qualidade. Alguns s\u00e3o contorn\u00e1veis e outros infelizmente fazem com o que projeto de ML precise ser parado. E esses s\u00e3o os mais cr\u00edticos e incluem: lacunas de dados causadas por atualiza\u00e7\u00f5es de sistemas ou falta de regras de neg\u00f3cio consistentes, inconsist\u00eancias na rastreabilidade dos dados, como a quebra de integridade dos dados ao longo do tempo e erros prim\u00e1rios no desenho das solu\u00e7\u00f5es de dados, como a falta de atualiza\u00e7\u00e3o correta das informa\u00e7\u00f5es ap\u00f3s mudan\u00e7as na estrutura da empresa.<\/p> \n Esses tr\u00eas elementos, juntos ou separados, s\u00e3o suficientes para que um projeto de ML n\u00e3o consiga ser implementado. Pense numa empresa que perde a rastreabilidade de seus pedidos. Como iremos criar o mapa de comportamento de compra naquela empresa que ao longo do tempo foi implementando novos e novos campos e todas as informa\u00e7\u00f5es do passado est\u00e3o em branco. Isso destr\u00f3i qualquer projeto de ML.<\/p> \n Se a empresa passou pelo quesito qualidade, agora vem o segundo ponto: a quantidade de dados.<\/p> \n Desafio 2: quantidade de dados<\/strong><\/p>\n Ter dados \u00e9 um fator importante. Algumas empresas acreditam que t\u00eam dados suficientes para que um algoritmo de ML possa aprender e gerar insights \u00fateis. No entanto, isso nem sempre \u00e9 verdade. Algoritmos de ML, especialmente aqueles que preveem tend\u00eancias ou padr\u00f5es, requerem grandes volumes de dados hist\u00f3ricos para serem eficazes.<\/p> \n N\u00e3o existe uma conta pronta para determinar a quantidade de dados necess\u00e1ria para que um algoritmo consiga gerar insight. Vai depender muito da finalidade do projeto e de quais vari\u00e1veis ser\u00e3o usadas para determinar esse insight ou comportamento. Desenvolver solu\u00e7\u00f5es de ML envolve uma complexidade tecnol\u00f3gica consider\u00e1vel. \u00c9 necess\u00e1rio contar com profissionais capacitados e experientes em \u00e1reas como ci\u00eancia de dados, engenharia de dados e desenvolvimento de software. Al\u00e9m disso, a escolha das ferramentas e plataformas adequadas para implementar e gerenciar solu\u00e7\u00f5es de ML pode Projetos de Machine Learning n\u00e3o devem ser tratados apenas como projetos de TI. Em vez disso, eles devem ser de propriedade do neg\u00f3cio, ali\u00e1s todo projeto Data Analytics deve ser de propriedade do Neg\u00f3cio e n\u00e3o da TI.<\/p> \n Abordagem de implementa\u00e7\u00e3o<\/strong><\/p>\n \u00c9 importante come\u00e7ar pequeno ao implementar projetos de ML. Uma abordagem de projeto m\u00ednimo vi\u00e1vel (MVP). Acho que MVP nunca fez tanto sentido como que para projeto de ML. Desenvolver uma solu\u00e7\u00e3o b\u00e1sica, em um ambiente controlado, que possa ser refinada e expandida com base nos resultados e aprendizados obtidos \u00e9 fundamental para que possa ser medido o desempenho do pr\u00f3prio projeto.<\/p> \n Implementar solu\u00e7\u00f5es de Machine Learning nas organiza\u00e7\u00f5es pode ser uma tarefa complexa e desafiadora. No entanto, ao abordar os principais desafios \u2013 qualidade e quantidade de dados, complexidade tecnol\u00f3gica, envolvimento do neg\u00f3cio e a abordagem de implementa\u00e7\u00e3o \u2013 as empresas podem aumentar suas chances de sucesso.<\/p> \n Algumas recomenda\u00e7\u00f5es para superar esses desafios incluem:<\/strong><\/p>\n Defina claramente qual \u00e9 o objetivo do projeto de ML. Voc\u00ea quer prever vendas mensais, di\u00e1rias, comportamento do cliente? Quanto mais granular for seu objetivo, mais dados ser\u00e3o necess\u00e1rios.<\/p> \n O segundo ponto \u00e9 escolher o modelo de ML correto. Cada modelo tem diferentes requisitos de dados. Exemplo: se voc\u00ea quer fazer previs\u00e3o de vendas temporais, o modelo ARIMA pode ser indicado. Tenha dados hist\u00f3ricos relevantes. Se os dados n\u00e3o forem relevantes, n\u00e3o faz sentido gastar tempo ou dinheiro com o projeto. D\u00ea passos para tr\u00e1s e reveja a qualidade dos dados. Invista na melhoria da qualidade e quantidade de dados dispon\u00edveis, estabelecendo regras de neg\u00f3cio consistentes e garantindo a integridade dos dados ao longo do tempo. N\u00e3o permita que vers\u00f5es novas dos softwares quebrem a integridade temporal dos dados. Garantir a colabora\u00e7\u00e3o entre as equipes de TI e de neg\u00f3cios, com o envolvimento ativo dos Ao abordar esses desafios de maneira sistem\u00e1tica e estrat\u00e9gica, as empresas podem maximizar o potencial das solu\u00e7\u00f5es de Machine Learning para gerar valor e impulsionar a inova\u00e7\u00e3o.<\/p> \n A chave \u00e9 abordar o ML com uma mentalidade aberta e adaptativa, aprendendo com os desafios e aproveitando as oportunidades que ele oferece, mas sem renunciar \u00e0 qualidade dos dados.<\/p> \n","protected":false},"excerpt":{"rendered":" Como qualquer nova tecnologia as solu\u00e7\u00f5es de Machine Learning (ML) n\u00e3o iam passar em branco…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[7488,727,8425],"tags":[8426],"class_list":["post-85780","post","type-post","status-publish","format-standard","hentry","category-destaques","category-noticias","category-verde-amarelo","tag-verde-amarelo","wpcat-7488-id","wpcat-727-id","wpcat-8425-id"],"_links":{"self":[{"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/posts\/85780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/comments?post=85780"}],"version-history":[{"count":0,"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/posts\/85780\/revisions"}],"wp:attachment":[{"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/media?parent=85780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/categories?post=85780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/verde-amarelo.net\/verdeamarelo\/wp-json\/wp\/v2\/tags?post=85780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
ser um desafio por si s\u00f3.<\/p> \n
Discuta seu projeto com profissionais de dados. Deixe claro seu objetivo. Isso ser\u00e1 importante para que eles consigam estabelecer a avalia\u00e7\u00e3o do modelo, curva de aprendizado e divis\u00e3o de dados.<\/p> \n
l\u00edderes e profissionais de neg\u00f3cios no projeto far\u00e1 toda diferen\u00e7a no projeto. A TI sabe acelerar o projeto e o Neg\u00f3cio \u00e9 quem sabe para essa acelera\u00e7\u00e3o vai servir.<\/p> \n