Fazer login no IT Mídia Redefinir senha
Bem-vindo de volta,
Digite seu e-mail e clique em enviar
Ainda não tem uma conta? Cadastre-se
Salvar em Nova pasta de favoritos

+

Criar pasta
Salvar Escolher Pasta
10 sinais de que você está pronto para a IA
Home > Tendências

10 sinais de que você está pronto para a IA

Nem todo problema pode ser resolvido e nem toda empresa está pronta para IA. Veja se sua equipe está preparada para colher os benefícios da tecnologia

Martin Heller, CIO (EUA)

28/11/2019 às 8h19

Foto: Shutterstock

O aprendizado de máquina é visto por muitos como o remédio para todos os problemas, portanto, a sua empresa deve ser capaz de usá-lo com lucro, certo? Possivelmente; mas talvez não. Isso é apenas um hype de marketing. Vamos discutir se você tem o que é necessário para aproveitar a inteligência artificial - e como você pode chegar a esse ponto se ainda não estiver preparado.

Para começar, você sabe o que deseja prever ou detectar? Você tem dados suficientes para analisar para criar modelos preditivos? Você tem as pessoas e ferramentas necessárias para definir e treinar modelos? Você já possui modelos estatísticos ou físicos para fornecer uma linha de base para previsões?

Aqui, detalharemos o que você precisa para que os seus projetos de IA e ML sejam bem-sucedidos, discutindo suas ramificações para ajudá-lo a verificar se a sua equipe está realmente pronta para aproveitar o aprendizado de máquina, o deep learning e a inteligência artificial.

1. Você tem muitos dados

Dados relevantes suficientes são a condição básica para previsões e identificação de características. Com isso, você pode ter sucesso; sem isso, não. De quantos dados você precisa? Quanto mais fatores você estiver tentando levar em consideração, mais dados serão necessários, esteja você fazendo previsões estatísticas comuns, aprendizado de máquina ou deep learning.

CIO2503

E-book por:

O aprendizado de máquina precisa de mais dados que os modelos estatísticos, e os modelos de deep learning precisam de muito mais. Por exemplo, se você tem uma loja de roupas e quer saber quais peças serão vendidas, é possível aplicar as técnicas de aprendizado de máquina para prever o comportamento do consumidor. Você pode levar em consideração fatores externos, como clima e tendências da moda. As blusas de manga curta vendem melhor quando está mais quente ou mais ensolarado do que quando está mais frio ou chuvoso? Provavelmente. Você pode testar essa hipótese incluindo dados climáticos no seu modelo.

Leia mais na IT Trends

2. Você tem cientistas de dados suficientes

Para construir os modelos, é preciso experiência, intuição, capacidade de programar e um bom conhecimento em estatística para chegar a qualquer lugar com o aprendizado de máquina, independentemente das ferramentas usadas. Certos fornecedores tendem a alegar que "qualquer pessoa" pode usar os seus modelos de aprendizado de máquina de forma simples, mas o mais comum é que os seus dados não sejam adequados a esses sistemas. Como você precisa treinar o modelo, dependerá de analistas e cientistas de dados.

3. Você monitora o que importa

Mesmo que você tenha muitos dados e cientistas de dados na sua equipe, poderá não ter dados para todas as variáveis ​​relevantes. Em termos de banco de dados, você pode ter muitas linhas, mas faltam algumas colunas. Estatisticamente, você pode ter uma variação inexplicável. As medidas para algumas variáveis ​​independentes, como observações meteorológicas, são facilmente obtidas e mescladas no conjunto de dados, mesmo após o fato. Outros fatores podem ser difíceis, impraticáveis ​​ou caros de medir.

4. Você filtra e transforma os dados

A etapa de filtragem de dados em qualquer processo de análise geralmente exige mais esforço para configurar - na minha experiência, 80% a 90% do tempo total de análise. Algumas lojas costumam filtrar os dados em seus processos ETL (extrair, transformar e carregar) para que os analistas nunca vejam pontos de dados incorretos, mas outros deixam todos os dados no banco. Ou seja, mesmo os dados claramente errados são salvos. A justificativa? Os filtros e transformações precisarão ser refinados ao longo do tempo. Vale destacar que mesmo dados de qualidade podem precisar ser transformados antes que você possa analisá-los bem.

5. Você já fez análises estatísticas dos dados

Um dos grandes pecados na análise de dados e na solução de problemas: Antes de descobrir o que aconteceu e o porquê, é necessário voltar e analisar todas as variáveis ​​e as suas correlações. A análise exploratória dos dados pode mostrar rapidamente os intervalos e distribuições de todas as variáveis, se os pares de variáveis ​​tendem a ser dependentes ou independentes, onde estão os clusters e onde pode haver discrepâncias. Quando você tem variáveis ​​altamente correlacionadas, geralmente é útil retirar uma ou outra da análise. Não quero sugerir que o modelo final será linear, mas é sempre útil tentar modelos lineares simples antes de introduzir complicações.

6. Você testa muitas abordagens para encontrar os melhores modelos

Há apenas uma maneira de encontrar o melhor modelo para um determinado conjunto de dados: tentar todos eles. Você pode se sentir tentado a experimentar apenas os "melhores" modelos, mas, infelizmente, sistemas dependem de conhecimento especializado e você poderá precisar de mais poder computacional.

7. Você tem capacidade computacional para treinar modelos de deep learning

Quanto maior o seu conjunto de dados e mais camadas o seu modelo de deep learning tiver, mais tempo levará para treinar a rede neural. Ter muitos dados ajuda a treinar um modelo melhor, mas prejudica você por conta do aumento no tempo de treinamento. Ter muitas camadas ajuda a identificar mais recursos, mas também demanda muito mais tempo de treinamento.

Você provavelmente não pode esperar um ano para treinar cada modelo. Uma semana é mais razoável, principalmente porque você provavelmente precisará ajustar os seus modelos dezenas de vezes. Uma maneira de contornar a questão do tempo de treinamento é usar as unidades de processamento gráfico de uso geral (GPUs), como as fabricadas pela Nvidia, para executar os cálculos de vetores e matrizes (também chamados álgebra linear) subjacentes às camadas da rede neural. Além de uma única GPU, você pode configurar redes coordenadas de CPUs e GPUs para resolver problemas maiores em menos tempo.

8. Seus modelos de ML superam os seus modelos estatísticos

Seus modelos estatísticos simples definem os padrões do seu trabalho com aprendizado de máquina e deep learning. Caso a aplicação não dê certo com um determinado modelo, você deve ajustá-lo ou tentar uma abordagem diferente. Depois de saber o que está fazendo, você pode configurar treinamentos para muitos modelos em paralelo, e usar os melhores resultados para orientar a próxima etapa do seu processo.

9. Você consegue implantar modelos preditivos

No final das contas, você deseja aplicar os seus modelos treinados em tempo real. Dependendo do aplicativo, a previsão pode ser executada em um servidor, em uma nuvem, em um computador pessoal ou em um smartphone. As estruturas de deep learning oferecem várias opções para incorporar os seus modelos em aplicativos móveis e da web. Amazon, Google e Microsoft demonstraram praticidade produzindo dispositivos de consumo e aplicativos para smartphones que entendem a fala.

10. Você pode atualizar os seus modelos periodicamente

Se você treinou o seu próprio modelo com os seus dados, poderá descobrir que as taxas de erro (falsos positivos e negativos verdadeiros) aumentam com o tempo. Isso ocorre basicamente porque os dados variam ao longo do tempo: seus padrões de vendas mudam, sua concorrência muda, estilos mudam e a economia muda. Para acomodar esse efeito, a maioria das estruturas de deep learning tem uma opção para treinar novamente o modelo antigo com novos dados e substituir o serviço preditivo pelo novo modelo. Se você fizer isso mensalmente, poderá se manter atualizado. Se não puder, o modelo acabará se tornando obsoleto demais para ser confiável.

Retornando às nossas perguntas iniciais, você sabe o que deseja prever ou detectar? Você tem dados suficientes para analisar e criar modelos preditivos? Você tem as pessoas e as ferramentas necessárias para definir e treinar modelos? Você já possui modelos estatísticos ou físicos para fornecer uma linha de base para as previsões?

Se sim, o que você está esperando?

Vai um cookie?

A CIO usa cookies para personalizar conteúdo e anúncios, para melhorar sua experiência em nosso site. Ao continuar, você aceitará o uso. Para mais detalhes veja nossa Política de Privacidade.

Este anúncio desaparecerá em:

Fechar anúncio

15