realmente importantes como parte da abordagem
do ML. Pense nas melhores formas de armazenar
dados e invista previamente nas ferramentas de
processamento de dados para identificação e/ou
anonimato, se necessário.
IDENTIFIQUE O CORRETO
PROBLEMA DE NEGÓCIO
Ao avaliar qual e como aplicar o Machine Lear-
ning, deve concentrar-se na avaliação do problema
em três dimensões: disponibilidade dos dados,
impacto empresarial e a aplicabilidade do ML – a
probabilidade de sucesso com base nas compe-
tências da equipa.
Em vez de tentar embarcar num projeto de ML
com a duração de três anos, concentre-se em
casos críticos que poderiam ser resolvidos num
prazo de 6-10 meses. Deve procurar primeiro os
locais onde já tem muitos dados por explorar. A
seguir, avaliar se a área beneficia do ML ou se está
a tentar solucionar algo que já não tem solução.
Evite escolher um problema que seja evidente,
mas que tenha um valor comercial pouco claro.
Um bom exemplo de solução dos problemas
certos pode ser visto na F1. O desporto automó-
vel estava à procura de novas formas de fornecer
métricas de corrida que pudessem mudar a forma
como os fãs e as equipas experimentam as corridas,
mas tinha mais de 65 anos de dados históricos de
corridas a analisar. Utilizaram assim o Amazon
SageMaker para formar modelos de deep learning
sobre os dados históricos e extrair estatísticas de
desempenho crítico, fazer previsões de corridas,
e, em segundos, transmitir aos fãs os insights en-
volventes sobre as decisões e estratégias adotadas
por equipas e pilotos.
DEFENDA UMA CULTURA
DE MACHINE LEARNING
Tanto líderes como developers devem refletir como
podem aplicar o Machine Learning nos vários
problemas empresariais. Haverá problemas no
percurso, mas na sua essência, o ML é uma ex-
periência que melhora com o tempo, pelo que a
organização deve também abraçar os fracassos
e ter uma visão a longo prazo do que é possível.
Um erro comum que muitas empresas cometem
é colocar peritos técnicos numa equipa separada.
Ao trabalharem num silo de dados, podem aca-
bar por construir modelos de ML como prova de
conceitos, mas na realidade não resolvem pro-
blemas empresariais verdadeiros. Pelo contrário,
as empresas têm de combinar um mix de peritos
técnicos e especialistas para trabalharem de trás
para a frente a partir do problema do cliente.
Do mesmo modo, os líderes devem encontrar
formas de facilitar aos developers a aplicação do
ML. A construção da infraestrutura para fazer o Ma-
chine Learning à escala é um processo de trabalho
intensivo que abranda a inovação. Devem encorajar
as equipas a não se concentrarem nas partes indi-
ferenciadas de “pesos pesados” de construção dos
modelos ML. Ao utilizar ferramentas que cobrem
todo o fluxo de trabalho de ML para construir,
formar e implementar modelos de ML, as empresas
podem chegar à produção mais rapidamente com
muito menos esforço e a um custo mais baixo.FAÇA A EQUIPA CRESCER
A Morningstar – uma empresa global de serviços
financeiros – utilizou a formação prática para os
colaboradores com o AWS DeepRacer para acele-
rar a aplicação do Machine Learning através dos
produtos, serviços e processos de investimento da
empresa. Agora cerca de 500 colaboradores estão
envolvidos na competição AWS DeepRacer League
e conseguiram aumentar o nível de qualificação e
unir todas as suas equipas.
Para construir uma cultura de ML de sucesso,
precisa de se concentrar no desenvolvimento da
sua equipa. Isto inclui a construção das compe-
tências certas para os engenheiros e a garantia de
que os seus gestores empresariais estão também
a receber a formação para compreender o ML. O
recrutamento de talentos altamente experientes
num campo já limitado é altamente competitivo e
muitas vezes demasiado caro, pelo que as empresas
devem desenvolver também os talentos internos.