Quatro passos para se habilitar em Machine Learning

O Época Negócios ensina quatro passos para desenvolver soluções baseadas na tecnologia dentro da empresa

A tecnologia está se tornando essencial nas empresas ao redor do mundo. Nos mais variados segmentos, o machine learning é uma grande promessa para as indústrias. O Época Negócios cita como exemplo a líder no mercado brasileiro de calçados, a Arezzo&Co, que utiliza a tecnologia para reclassificar mais de 60 mil itens de seu estoque. Além disso, futuramente vai utilizar a busca por imagens em seus sites de e-commerce e o mapeamento de concorrentes. 

O jornal também cita ainda a líder no mercado latino-americano de delivery de comida, o Ifood, que conta com uma Academia de Inteligência Artificial. Com foco no desenvolvimento de pesquisas em áreas como machine learning, a academia visa automatizar as decisões da empresa. 

Também, a NFL (National Football League) vai gerar novas informações sobre lesões de jogadores, regras do jogo, equipamentos, reabilitação e recuperação. 

De acordo com o relatório Deloitte Insights State of AI in Enterprise, em 2018, a porcentagem de empresas que investiram em tecnologia para alcançar seus concorrentes ou reduzir a diferença entre eles era de  63%. Segundo a IDC, a estimativa é que, até 2021, os investimentos globais em IA e outras tecnologias vão ultrapassar US$ 50 bilhões. 

As mudanças deixam claro que é importante instaurar uma mentalidade de machine learning no local de trabalho. A grande questão agora é como implementar uma estratégia de ML o mais rápido e da forma mais eficaz possível. O Época Negócios preparou quatro passos para ser bem-sucedido na jornada do ML.  

Organização de dados

O desafio número um é organizar os dados. De acordo com o Época, “mais da metade do tempo construindo modelos de ML pode ser gasto em manipulação e limpeza de dados, além de estágios de pré-processamento”. Se o empresário não investir em uma estratégia de dados sólida, o machine learning vai gastar uma grande parte do tempo gerenciando dados, em vez de desenvolver novos algoritmos. 

Segundo reportagem do Época, as três perguntas mais importantes a serem feitas são: Quais dados estão disponíveis hoje? Quais dados podem ser disponibilizados? E, daqui a um ano, quais dados gostaríamos de ter começado a coletar hoje?

Para tanto, é preciso superar o chamado data hugging – nome dado à tendência de equipes protegerem os dados com os quais trabalham e não compartilharem com outros grupos da organização. O empresário precisa ter uma visão mais ampla do cenário de dados para ter sucesso em longo prazo. 

Além disso, é necessário saber quais dados realmente importam como parte da abordagem de machine learning. Ao planejar a estratégia de dados, é importante pensar nas melhores formas de armazenamento e investir cedo nas ferramentas de processamento de dados para desidentificação ou anonimização. 

Identificar os problemas certos

Para instalar o ML, o Época explica que o empresário deve avaliar o problema em três dimensões. São elas: a prontidão de dados, impacto nos negócios e aplicabilidade do ML — além da chance de sucesso com base nas habilidades da equipe.

É fundamental equilibrar agilidade com valor de negócio. Ou seja, em vez de tentar embarcar em um projeto de, por exemplo, três anos, o empresário deve se concentrar em alguns casos críticos de uso que poderiam ser resolvidos entre 6 e 10 meses. 

Primeiro, o empresário deve procurar locais onde haja uma quantidade significativa de dados inexplorados. Em seguida, avaliar se a área se beneficiará do ML ou se está se tentando consertar algo que não está realmente defeituoso.

O Época alerta para evitar escolher um problema “que seja chamativo, mas que não tenha valor de negócio claro, pois acabará se tornando um experimento único que nunca se concretizará”.

Defender uma cultura de ML

Para passar de alguns projetos piloto para escalar machine learning, o empresário precisa defender uma cultura de ML. Segundo o Época, “líderes e desenvolvedores devem sempre pensar em como podem aplicar machine learning em problemas variados do negócio”.

Muitas empresas cometem o erro de colocar especialistas em tecnologia ML separados do restante da equipe. Porém, isso é prejudicial, pois ele podem acabar por construir modelos de ML como prova de conceitos, mas que não resolvem problemas reais dos negócios. 

As empresas precisam combinar uma mistura de especialistas técnicos e de domínio para trabalhar a partir do problema do cliente.  O Época explica que “a montagem do grupo certo também ajuda a eliminar a barreira cultural à adoção, com uma entrada mais rápida do negócio”. 

Ainda segundo o jornal, os líderes devem encontrar maneiras de simplificar a aplicação de ML por seus desenvolvedores. 

Como construir a infraestrutura para ML exige uma intensa carga de trabalho que impacta na implementação da inovação, gestores devem encorajar suas equipes a não se concentrarem nas tarefas operacionais da construção de modelos machine learning.

Através do uso de ferramentas que cobrem todo o fluxo de trabalho de ML para construir, treinar e implantar modelos, as empresas podem chegar à produção mais rápido, com menos esforço e com um custo menor.

Desenvolver a equipe

Por fim, para ser bem-sucedido na cultura de ML, é preciso se concentrar no aprimoramento da equipe, desenvolvendo habilidades certas para os engenheiros e garantindo que os gestores também estejam recebendo o treinamento necessário para lidar com o machine learning.  

Como recrutar talentos pode ser muito caro, as empresas devem usufruir da possibilidade de desenvolver talentos internos, cultivando as habilidades de ML dos desenvolvedores por meio de programas de treinamento interno. 

A criação de programas pode ajudar aspirantes a engenheiros a se familiarizar com machine learning e aprimorar o conhecimento interno. Segundo o Época, “esses cursos podem ser ampliados para outras áreas, como desenvolvedores, por exemplo, ou até mesmo para fora de empresa, contribuindo, assim, com a formação de novos profissionais e, consequentemente, para o aumento de maturidade do uso da tecnologia”.