Vamos falar um pouco de AI/Machine Learning?
Ao contrário do propósito do blog, esse post vai de contra o que você pode imaginar de “oba, vamos mergulhar em códigos!”.
Mas, calma, deixe-me explicar…
Nesses pouco mais de 3 anos de estudo da área, tenho acompanhado muitos projetos bons, mas, um emaranhado de outros sem sentido algum.
Estamos vendo uma enxurrada de informações através da grande mídia, cursos “milagrosos” e os evangelizadores de AI/Machine learning. Com os holofotes sobre o assunto, todos querem, mas, ninguém sabe por onde começar. E ai o grande equivoco acontece e que faz com que projetos, investimento e tempo se estagnarem e/ou uma grande probabilidade de vir a falhar.
A tendência da expectativa de um projeto que o investidor espera como um ultra robô que ande sobre a lua e ainda faça café, bem provável não sair nem um lego de 4 peças bem montado. Outro fator, a ansiedade. “Vamos gente, mergulhe em código, tire certificações, faça cursos e coloque para funcionar!”
E eis a pergunta: Colocar o que para funcionar a onde? para que? Em que agregará valor?
Então, estou aqui a ajudar a evitar o grande erro, “começando pelo fim!”
É simples pensar em uma analogia com uma pizza. Pizza? Sim, você não começa uma pizza de trás para frente a não ser que é desses como eu, prático e pede via telefone. Você não contrata um PhD em AI/Machine learning esperando que ele envolva toda a empresa em novos projetos super tecnológicos sem ele saber a regra de negócio.
Mas, vamos imaginar que iremos construir a nossa pizza. Por onde começamos? Precisamos primeiramente ter conhecimento de como fazer uma pizza? Sim, mas, você sabe qual sabor de pizza que você quer?
Antes de você mergulhar em cursos, códigos etc, precisa-se primeiro definir qual o problema que você quer resolver. Se você é novo na empresa, é necessário que alguém saiba como fazer a massa da pizza para você. Quem seriam essas pessoas? Os donos do negócio, gestores, resumindo “o tomador de decisão”. Comece por ele. Corra atrás dessas pessoas e defina qual o sabor da pizza, ou, o que se quer como entrega final, qual o resultado que se espera com as novas tecnologias. Se você é o detentor da regra de negócio, ótimo, você sabe o que quer comer!
O primeiro passo certo é focar nos resultados e objetivos.
Alguém recém-saído de um PhD ainda não entende sua empresa, então não está qualificado para essa tarefa.
Se você é um DataScience novo na empresa e seu gestor não sabe o que quer como entrega, cara, procure outro emprego.
Pensamos como administração de um restaurante. Por que você pensaria em comprar, ou, pior ainda, inventar um forno de pizza antes mesmo de considerar adicionar pizza ao cardápio, faz sentido?
Mas certamente você não quer seu cão policial perseguindo ovelhas! Ou vice-versa, para esse assunto. Uma resposta melhor é que depende do que o dono quer.
Mergulhar em algoritmos e dados antes de descobrir quais resultados é um pouco como colocar um filhote em um porão com comida e água, então ficar surpreso com o que sai. Com certeza não será um bom cão policial. Você não pode esperar apenas polvilhar o aprendizado de máquina em seu negócio, deixá-lo fermentar e obter algo útil.
O Analytics pode ser mais adequado para você.
AI aplicada requer que você tenha uma visão muito clara do que seu modelo precisa para crescer (e por que), então você tem que treiná-lo para isso. Se você não sabe o que quer, vá para a fonte de inspiração: Analytics.
Muitas pessoas que pensam que querem ML / AI na verdade só precisam de análises.
Voltando a nossa pizza, já definimos o que se quer comer e qual o sabor, agora precisamos dos ingredientes, certo? Os ingredientes são como os dados que entrarão no projeto. Você precisa saber em qual supermercado/loja irá buscar, qual a melhor qualidade você está disposto a aceitar e como você irá combina-los para agregar valor sabor.
Para fazer o seu trabalho completamente, você também precisa de imaginação suficiente para imaginar quais comportamentos você está mirando e o que você está tentando evitar.
Além disso, ajuda a realizar uma verificação de realidade intuitiva rápida: verifique se os dados relevantes estão ao seu alcance e se você tem o poder de hardware para processá-los.
É necessário que os negócios entendam adequadamente o que um sistema Ml / AI deve fazer por você e por que vale a pena construir. Concentre-se primeiro nisso, antes de chegar perto do âmago da questão, incluindo descobrir se o algoritmo que resolverá seu problema é considerado AI ou ML (você lida com isso muito mais tarde).
Então, antes de ver filmes de ficção cientifica e já sair debruçando em cima de gastos e tempo em coisas que podem acabar sendo descontinuados em sua vida/projeto, pense no objetivo final.
Posteriormente farei um guia passo a passo “eba – agora sim codigo” de como implementar um projeto de ML/AI.
Até mais!
SQL DATA BLOG 
Deixe um comentário