A Inteligência Artificial é uma grande promessa de negócios, mas a maioria das empresas não está preparada para utilizá-la.
O futuro da Inteligência Artificial (AI) está repleto de possibilidades empolgantes, onde a ciência de dados, equipes experientes e ferramentas avançadas trabalham juntas para impulsionar os limites crescentes da tecnologia. Mas o caminho que vai dos dados para um projeto de sucesso não é linear.
O Gartner estima que 85% dos projetos de Big Data falham. Gigantes da tecnologia como a Microsoft, por exemplo, aprenderam isso na prática da maneira mais difícil. Ou seja: é difícil de se acertar, mas é fácil errar.
Isso não significa que você está fadado somente ao erro. Aqui estão 5 dicas fundamentais a serem consideradas:
1. Encontre dados de uma fonte confiável
Não há outra maneira de criar esse projeto, os algoritmos de Machine Learning precisam de informações. Antes de prosseguir, você precisa definir quantos dados você precisa e como pretende obtê-los.
Os cientistas de dados têm algumas opções ao criar conjuntos de treinamento para alimentar seus algoritmos: podem comprar, buscar em fontes abertas, usar informações artificiais ou interagir com soluções de terceirização inteligente em que os anotadores dedicados fornecem conteúdos precisos para treinar e desenvolver seus modelos de Inteligência Artificial.
A última opção atua como uma extensão de seus recursos internos. É possível anotar dados de treinamento, mas nem todos têm tempo para isso.
2. Escolha seus algoritmos para Machine Learning
Você deve estar se perguntando: qual algoritmo de Machine Learning usar? De acordo com o guia da Microsoft, isso depende do seu projeto. Aqui estão algumas considerações para ajudá-lo a reduzi-lo:
• Precisão dos resultados
• Tempo de treino
• Uso de linearidade
• Número de parâmetros
• Número de recursos
Não há escassez de algoritmos à sua disposição, mas é claro que você vai querer escolher o que é mais adequado para o seu projeto. Como você já deve saber, grande parte do Machine Learning usa aprendizado supervisionado. Alguns exemplos populares incluem regressão linear e máquinas de vetores de suporte para problemas de classificação.
No entanto, se você não planeja ter dados sobre os resultados desejados, convém usar o aprendizado não supervisionado. Exemplos populares desses algoritmos incluem k-means para problemas de cluster e de aprendizado de regras de associação.
Quanto aos algoritmos de visão computacional, as redes neurais artificiais, como a Convolutional Neural Network (CNN), são mais adequadas para a tarefa de rotular, anotar e segmentar imagens. Considerando Recursive Neural Network (RNN) é melhor para análise de linguagem. Por último, Multi-Layer Perceptron (MLP) é ideal para reconhecimento de voz e tradução automática.
3. Foque em problemas concretos
Se o sistema de AI estiver produzindo previsões sobre equipamentos que precisam de manutenção, essas previsões precisam ser integradas ao fluxo de trabalho. Isso pode significar enviar o engenheiro de campo certo para fazer a manutenção no momento certo.
É preciso questionar se é possível cuidar desses imprevistos de forma mais rápida e mais barata, focando no que está acontecendo. Em vez de perder tempo em ficar especulando, ou seja, criando problema onde não existe.
4. Conheça os limites da Inteligência Artificial
Previsões, em qualquer tipo de tecnologia, podem se tornar armadilhas. Nunca se sabe tudo e quanto mais pensa-se que sabe alguma coisa, mais fica-se suscetível a ser pego de surpresa.
Sistemas de Inteligência Artificial podem cair na mesma armadilha. Por exemplo, uma AI treinada em um conjunto particular de dados e solicitada a fazer previsões baseadas em um conjunto de informações totalmente diferente pode dar uma resposta totalmente errada - mas pode ser convincente para um usuário que aprendeu a confiar nessas previsões.
Para conhecer os limites dessa tecnologia, é necessário que um cientista de dados saiba definir quando um modelo de análise é adequado, além de entender as suposições que envolvem esses conteúdos e que faça simulações para constatar se essas suposições são realmente válidas.
5. Projete e construa sua infraestrutura
Construir uma infraestrutura de Inteligência Artificial é uma decisão estratégica na qual você deve considerar coisas como armazenamento de dados, recursos de computação, orçamento e tempo. Uma série tutorial da Intel explica as infraestruturas que você pode escolher:
• Hardware interno: Construir e manter sua própria infraestrutura de computação requer muito mais esforço inicial, mas também lhe proporciona mais liberdade. A empresa pode escolher qual GPU usar, criar uma estação de trabalho personalizada e até construir uma estação de trabalho DL a partir do zero.
• Nuvem: o provedor do serviço faz mais sentido quando a empresa está apenas começando. É possível obter o primeiro modelo de treinamento em uma GPU de alto desempenho para ter menos investimento inicial do que on-premise. Além disso, essa opção tem a vantagem adicional da tecnologia atualizada e da manutenção sem intervenção. Você também pode usar provedores específicos que adaptam suas ofertas de infraestrutura para melhor suportar fluxos de trabalho de aprendizado profundo.
Como tudo nessa lista, há perguntas que a empresa precisa responder antes de selecionar uma infraestrutura que ofereça suporte adequado aos seus projetos de AI. Por exemplo: qual é o tamanho do conjunto de dados? Há uma equipe que possa dedicar seu tempo à manutenção de sistemas no local? Responda a estas perguntas agora para que não precisar lidar com infraestruturas de comutação posteriormente.
Escreva seu comentário