Antes vale uma pergunta: por que aprender com as máquinas? Por que as máquinas já não são mais simples infraestrutura de um processo. Com a transformação digital, são parte relevante do futuro. Assim, estamos falando do mercado, do consumo e das relações com os consumidores. Não entender, isto, pode ser uma aposta ruim para quem quer estar no futuro. As Dez dicas para começar a aprender Machine Learning, estão logo abaixo, continue lendo!
Se os produtos, as funcionalidades e as entregas não estiverem dotados a aprendizagem de máquinas, serão incompletos ou inferiores aos concorrentes que estão trabalhando sério nestas questões. Pelo menos isto parece muito lógico nos textos e posts da internet. Leia este post – Dez Dicas para começar a aprender Machine Learning.
Machine Learning
Dan Olley – “Acredito fundamentalmente que estamos em um ponto de inflexão com o aprendizado da máquina, que vai mudar a maneira como interagimos com o mundo digital na próxima década”
A máquina pode ser um robô, uma funcionalidade digital, que vai interagir com outros sistemas e tomar decisões.
Veja que um Simples Backup pode ser um exemplo para atendermos estas condições:
- Backup sempre foi uma cópia de segurança;
- Atualmente o Backup verifica se houve erro de cópia, interage com o ambiente, busca corrigir o problema e refaz a cópia até ter sucesso;
Uma funcionalidade que ganhou na tomada de decisão, que avalia e interage com o contexto.
Com o poder de processamento da computação, seus algoritmos e sua capacidade de interação, ainda assim, não temos como avaliar para onde estamos indo. Portanto, o mais correto a fazer é aprender, buscar entender e seguir esta tendência.
Dez dicas para começar a aprender Machine Learning
1 – Compreenda onde a Ciência dos Dados se encaixa
A operação Ciência dos Dados é para estar em toda a empresa. Este é um tipo de cultura que precisa estar alinhado em todas as condições e prioridades da empresa. Assim, deve integrar Vendas, Marketing, Recursos Humanos e Finanças;
2 ‒ Comece
Não faça grandes projetos, não busque grandes modelos. Comece agora com pequenos projetos e incorpore na cultura da empresa este aprendizado. Pequenas experiências vão garantir uma evolução e continuidade desta ciência;
3 ‒ Trate os dados como se fossem dinheiro
Os dados são relevantes, mesmo que pareçam não ser. Considere sempre como combustíveis do seu negócio e que valem dinheiro. Como qualquer valor, proteja, cuide de forma prioritária, seja obcecado com esta condição e confidencialidade;
4 ‒ Pare de procurar gênios
Qualquer projeto justifica engenheiros e arquitetos. A criatividade é uma competência necessária. Saber entender a expectativa do mercado, também é uma característica necessária, nem sempre muito técnica. Conjugar estes dons, competências e capacidade de interação, nem sempre é fácil;
Machine Learning
5 ‒ Crie um plano de formação em Ciência de Dados
Nem todos os envolvidos são cientistas ou engenheiros. Os CEOs precisam estar integrados a comunidade da Ciência de dados, entendendo da cultura imposta. Sendo os patrocinadores, precisam entender a expectativa e os resultados, mas não necessariamente os processos.
6 ‒ Sugira plataformas
Este pode ser um desafio, pegar um caminho longo ou um caminho fácil? A motivação de criação sempre levará a questões mais complexas. Mas existem, sempre, necessidades mais básicas, mais fáceis de serem implementadas. A condição de cultura pode começar por pequenos e mais fáceis problemas.
7 ‒ Cuidado com os “dados derivados”
Dados são valor e combustíveis para os processos estratégicos. Sua empresa depende desses dados! Se estiver em processo de parceria, preocupe-se em como compartilhar os dados. Nem sempre os parceiros precisam ter acesso a sua base principal de dados. Esteja preparado para garantir a Segurança dos Dados;
8 ‒ Não tente sempre resolver o problema por inteiro
Um problema por inteiro, pode ser grande e complexo. Talvez, resolver parte de um problema, possa ser a inicial de uma formação de cultura e assim, já terá resultados práticos. Terá como aprender a medir o grau de desenvolvimento e maturidade da equipe, para este novo caminho.
9 ‒ Não repense demasiadadamente os modelos de dados
Um modelo pode estar pronto, mesmo antes de estar perfeito e completo!
10 ‒ Eduque o CEO e alta gerência sobre IA
Se um projeto se mostrar bom, funcional e eficiente, os lideres precisam influenciar a direção e buscar a ampliação do conhecimento e os resultados. Por isto os CEO precisam estar alinhados com a tecnologia.
