Aprendizado de máquina precisa de manutenção constante

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

Aprendizado de máquina será tendência em 2016

Em um ano de crise, a tendência é que cada vez mais empresas busquem a inovação tecnológica para vencer os desafios, manter a competitividade e encontrar maneiras de aumentar a eficiência de processos e operações. Segundo previsões do IDC divulgadas no final de 2015, um em cada três CIOs da América Latina vai ter a transformação digital como base de sua estratégia corporativa.

Com base nisso, conceitos como business analytics, ciência e dados e aprendizado de máquina têm tudo para ganhar espaço no mundo corporativo. Soluções baseadas na nuvem abrem oportunidades para que essas tecnologias passem a exercer uma forte influência sobre os negócios.

Veja o que o ano de 2016 reserva de tendências em analytics e veja como seu negócio pode se beneficiar:

Sistemas vão se aprimorar sozinhos

O Gartner prevê que o aprendizado de máquina será uma forte tendência em 2016. Com base na análise de dados gerados por máquina, em breve sistemas poderão ser projetados para descobrir estratégias de aprimoramento para melhorar seu próprio funcionamento. Além dos dados gerados por máquina, a técnica inclui o uso de algoritmos preditivos e integração contínua com o ambiente. Esses sistemas vão propor mudanças com base nos dados gerados pelos próprios usuários enquanto usam os serviços da empresa.

Um sistema de analytics é necessário para entender o que está sendo perguntado e como os problemas estão sendo solucionados, absorvendo o vocabulário do usuário. Assim, as aplicações serão capazes de usar uma linguagem natural para atender às solicitações de maneira praticamente autônoma.

Os dados ficarão mais próximos

A criação de ferramentas que simplificam a análise e aproximam a ciência de dados do usuário final mostra que, aos poucos, os dados estão saindo das mãos dos especialistas e analistas. Aplicações fáceis de usar e que contam com recursos como análises e relatórios automáticos democratizam a ciência e dados e têm ganhado espaço no mundo corporativo, pois mesmo aqueles que não foram treinados para lidar com as informações, podem começar a extrair insights com o business analytics. Em 2016 mais decisões serão guiadas pelas descobertas proporcionadas pelas ferramentas de analytics.

Capacidade analítica é essencial

A coleta e a exploração de dados complexos exigem um conjunto de ferramentas e as aplicações que permitem apresentar informações de maneira visual são cada vez mais valorizadas. A visualização permite uma extração mais rápida de conhecimento, mas, muito além de gráficos chamativos, o mais importante é encontrar ferramentas que tenham dashboards dinâmicos e ofereçam as respostas certas de acordo com as mudanças das tendências.

Com Smart Data Collective