O aprendizado de máquina é uma tendência que veio para ficar e se mostra cada vez mais essencial para empresas que querem automatizar a identificação de padrões no big data, na linguagem e nos dados gerados por máquina.

A tecnologia de aprendizado de máquina já está presente em várias ferramentas de analytics, como as soluções de analytics da Splunk oferecidas pela PROOF. Seus algoritmos, no entanto, não se constroem e nem se mantêm sozinhos. É preciso ter uma equipe de profissionais especializados em dados dedicados a essa responsabilidade.

Sem a manutenção adequada, os modelos de aprendizado de máquina podem cair em decadência, perdendo seu poder preditivo à medida que o ambiente sofre mudanças. O risco de perder sua eficácia é ainda maior quando o desempenho preditivo do algoritmo não é medido por um longo período.

Mais complexidade gera mais trabalho

Essa deverá ser uma constante preocupação das empresas ao longo do tempo. Junto com o aumento da produtividade e da implantação de ferramentas de automação, os profissionais de TI terão de dedicar mais tempo ao monitoramento e à validação dos algoritmos. Os recursos dedicados à manutenção dos modelos também devem aumentar devido à complexidade e à variedade crescentes dos modelos construídos.

Já existem algumas maneiras de determinar o quanto alguns modelos de aprendizado de máquina podem ser custosos em relação à sua manutenção futura e os fatores de risco são diversos. Entre os influenciadores estão as probabilidades variáveis, a dependência dos dados, os processos de pipeline, as configurações e outros fatores que intensificam a imprevisibilidade do desempenho do algoritmo de aprendizado de máquina.

Quanto mais essa complexidade aumenta, mais difícil ficam as análises necessárias para fazer uma manutenção efetiva dos algoritmos. Além disso, a falta de visibilidade dos ativos de aprendizado de máquina pode tornar ainda mais difícil a avaliação de quais linhas de código são responsáveis por uma ação específica gerada por qualquer algoritmo em particular, tornando o trabalho de atribuição bem mais difícil também do ponto de vista legal ou regulatório.

O aprendizado de máquina tem grande potencial para aumentar a produtividade dos negócios. No entanto, nem tudo pode ser automatizado. A tarefa de manter seus modelos e algoritmos ainda necessita de pensamento crítico e esforços manuais de uma equipe especializada.

Leia o whitepaper da PROOF, Como a análise preditiva pode ajudar sua empresa? e descubra como as habilidades preditivas podem dar mais competitividade para o seu negócio.

Com Infoworld