Recursos/White Papers

Opinião

Como preparar a rede para IA e Aprendizado de Máquina

A TI deve começar a se preparar para dar suporte a essas novas tendências, a fim de garantir não só o ROI esperado, como também que as redes possam ser compatíveis com esses esforços no longo prazo

Destiny Bertucci *

Publicada em 10 de agosto de 2017 às 14h01

A integração de recursos de inteligência artificial (IA) e aprendizado de máquina está prestes a alterar drasticamente o cenário comercial moderno. Uma pesquisa recente com CEOs da Fortune 500® mostrou que em 2017, 81% acreditam que essas tecnologias terão um impacto positivo em suas organizações, em comparação aos 54% de 2016. Além disso, o recente relatório de previsões de tecnologia da Forrester® estima que "2017 será o ano da enxurrada de big data, incentivado por um apetite voraz por insights contextuais mais profundos que impulsionam o envolvimento dos clientes por meio de dispositivos móveis, tecnologia vestível e [a Internet das Coisas (IoT)]".

As possibilidades para uma transformação impactante nos negócios são infinitas. Cada vez mais organizações estão percebendo as possíveis vantagens competitivas incluídas nos dados dos clientes e dos negócios e estão começando a investir em IA e aprendizado de máquina para aproveitar o valor desses dados. No entanto, a IA e o aprendizado de máquina trazem não só possibilidades infinitas para líderes de negócios, mas também desafios de gerenciamento de rede para os quais você deve começar a se preparar.

Princípios básicos de IA e aprendizado de máquina
Os benefícios desses recursos de predição e análise são bastante abrangentes. Um varejista, por exemplo, pode coletar e processar dados de cliente para identificar tendências relevantes, como os interesses da moda para a próxima coleção, e usar esses insights para informar suas decisões de inventário. Outras organizações podem aproveitar dados de negócios para impulsionar o gerenciamento de projetos informados por dados, permitindo que os líderes de negócios determinem, com mais precisão, quanto tempo certas operações podem durar e quanto custarão.

No entanto, esses recursos também colocam mais responsabilidades nos ombros dos administradores de rede, começando com a necessidade de aumentar a familiaridade com vários métodos matemáticos e de scripts de algoritmo a fim de obter o resultado comercial desejado pela empresa. Você está implementando algoritmos neutros de rede, supervisionados ou não supervisionados? Que tipo de tarefa o algoritmo deve executar? Árvores de decisão? Classificações? Análise de cluster? Reconhecimento de padrões? Na maioria dos casos, a sua organização utilizará um especialista de programação para fazer isso, mas cabe a você, como administrador de rede, ter um entendimento fundamental do que esses processos são, a fim de preparar os processos de segurança e rede adequadamente.

Há diversos resultados que podem surgir de cada processo de dados e algoritmo único; portanto, você deve estar preparado para seguir seis etapas básicas a fim de definir adequadamente o seu problema e mapear uma fórmula específica.

Felizmente, tecnologias como SDN (Software Defined Networking, rede definida por software) e IoT, já deram aos profissionais de TI, pelo menos até certo ponto, uma amostra de como as implantações de aprendizado de máquina afetarão a rede e as práticas recomendadas de gerenciamento. Com a SDN, você cria um gabarito e comportamentos associados, e a rede acionada pelo software implementa as alterações conforme necessário. Como um produto dessa tecnologia, o aprendizado de máquina vai um passo além dos fundamentos da SDN ao procurar uma ação X (talvez o tráfego de rede prioritário esteja ficando congestionado) para correção automática fazendo Y (ajustando recursos de largura de banda).

Considerações de implementação
Para todos os benefícios, os recursos de IA e aprendizado de máquina exigem atenção a certas considerações; a primeira delas é o custo. Aproveitar essas tecnologias não é barato. Os princípios básicos dessas tecnologias estão enraizados em algoritmos orientados a dados, que possibilitam que as máquinas desenvolvam respostas aprendidas ou recursos preditivos. Como resultado, com a IA e o aprendizado de máquina vêm os dados (ou melhor, big data) que exigem alocação de recursos, não apenas especialistas como programadores, mas também outros recursos locais como armazenamento, CPUs de servidor, largura de banda de rede e serviços de armazenamento hospedados na nuvem.

Ao mesmo tempo, apesar de ser tentadora a ideia de adotar rapidamente uma nova tecnologia para antecipar vantagens transformadoras, é essencial que você e a sua organização definam expectativas de implantação realistas: pode ser um pouco ambicioso presumir que uma implantação de IA ou aprendizado de máquina vá começar a funcionar e gerar insights acionáveis em três meses. Se você não tiver cuidado, poderá atrapalhar sua empresa em vez de ajudá-la. Para perceber esses benefícios de forma mais eficaz e precisa, a sua organização deve antecipar as expectativas, percorrer as diversas etapas de preparação de implantação, conhecer o problema que você deseja resolver e garantir que você tenha os dados necessários para resolvê-lo.

machinelearning

Preparando a sua rede: práticas recomendadas
Apesar de as implantações levarem tempo e nem todas as organizações estarem prontas para aproveitar essa tecnologia no momento, os departamentos de TI devem começar a se preparar para dar suporte a essas novas tendências, a fim de garantir que não só o ROI esperado seja obtido, mas que as suas redes possam ser compatíveis com esses esforços no longo prazo. Veja algumas práticas recomendadas que ajudarão você a começar a preparar as redes para IA e aprendizado de máquina:

Conheça o problema que você deseja resolver

De que tipo de recursos de aprendizado de máquina ou IA a sua organização precisa? Antes de implantar esses recursos, sua organização deve seguir seis etapas que ajudarão a definir e começar a resolver o problema:

1 - Classifique o problema que você deseja resolver. Qual resultado comercial você precisa alcançar?
2 - Adquira os dados necessários para chegar a uma solução. A solução já existe?

3 - Processe os dados. Como você vai limpá-la e prepará-la para vários algoritmos? Você executará algoritmos supervisionados ou não supervisionados?

4 - Modele o problema. Que algoritmos sua empresa vai usar? Há diversos suítes de suporte, mas você precisa se alinhar ao problema que está tentando resolver.

5 - Execute e valide os resultados. Você precisa mesmo refinar o processo?

6 - Implante o processo e o algoritmo atualizado para gerar insights comerciais relevantes.

Informe-se
Assim como você se preparou para a migração para a nuvem, é necessário começar a aprimorar as habilidades para dar os primeiros passos em IA e aprendizado de máquina. É preciso ter compreensão da arte do desenvolvimento de algoritmos e implementações de aprendizado de máquina para preparar sua rede para essas cargas de trabalho. Muito da matemática básica por trás das implantações de aprendizado de máquina costuma ficar a cargo do programador ou cientista de dados, mas você deve complementar isso com pesquisas adicionais nessa área e procurar saber qual tipo específico de aprendizado de máquina será usado. Esse insight ajudará você, como administrador de rede, a prestar melhor auxílio ao desenvolvimento de estratégias para as demandas adicionais dos seus recursos de rede.

Estabeleça linhas de base de desempenho
Essa deve ser a tarefa principal do administrador de rede ao preparar uma rede para IA e aprendizado de máquina. Você é capaz de oferecer suporte à largura de banda adicional necessária para o tráfego de dados? Caso contrário, o que você precisa fazer para permitir que sua empresa consiga dar suporte a esses processos? Ao aproveitar uma ferramenta abrangente de monitoramento e gerenciamento, você pode estabelecer linhas de base de uso de desempenho e recursos que permitirão que você tome decisões bem-informadas sobre como sua rede será afetada pela introdução de big data de IA e aprendizado de máquina. Essas ferramentas também deverão incluir a capacidade de monitorar e manter a visibilidade do seu datacenter local na nuvem, onde os dados costumam ser armazenados, a fim de garantir que você esteja ciente das possíveis vulnerabilidades ou congestionamentos de desempenho.

Crie uma base de segurança sólida
Certamente, esta não é uma prática recomendada exclusiva de IA e aprendizado de máquina, mas deve ser mantida para todas as tecnologias ou recursos baseados em dados introduzidos no seu ambiente. Você deve garantir que somente as pessoas que realmente precisam das informações obtenham acesso a esses dados. Procure estabelecer uma política de conformidade abrangente, que inclua notificação de alterações em tempo real e um processo de aprovação que ajude a evitar a ocultação da extração de dados, bem como violações e sabotagens.

Considerações finais
À medida que as empresas procuram desenvolver estratégias de transformação digital e criar vantagens competitivas únicas, a IA e o aprendizado de máquina são cada vez mais considerados como as soluções para revelar a importância dos dados acumulados de uma organização. A diretoria e os líderes de TI continuarão se empenhando para transformar esses dados acumulados em realidade na organização, mas a implementação e o gerenciamento responsáveis são atribuições suas. Esses novos recursos exigem novas abordagens para gerenciamento e monitoramento para os quais você e sua organização podem se preparar ao aproveitar as práticas recomendadas acima. 

 

 

(*) Destiny Bertucci é Head Geek da SolarWinds



Reportagens mais lidas

Acesse a comunidade da CIO

LinkedIn
A partir da comunidade no LinkedIn, a CIO promove a troca de informações entre os líderes de TI. Acesse aqui