O aprendizado de máquina tem o potencial de transformar a maneira como as organizações interagem com o mundo, para se moverem mais rapidamente e fornecerem melhor experiência ao cliente. Mas, embora o potencial de longo prazo do aprendizado de máquina certamente pareça brilhante, sua adoção na empresa pode avançar mais lentamente do que se pensava inicialmente. Então, qual é o problema? John Rakowski, especialista em mercado de análise e gerenciamento de desempenho de aplicativos na AppDynamics, discute os desafios das empresas ao adotar a tecnologia de aprendizado de máquina.

  • Confira também as melhores plataformas de inteligência artificial para empresas

Quais são os principais desafios que estão no caminho da adoção generalizada de aprendizado de máquina na empresa??

Parte do desafio é a falta de compreensão sobre o que é o aprendizado de máquina. O aprendizado de máquina é um aplicativo ou subconjunto de AI, que geralmente é considerado como uma inteligência de tomada de decisão de ordem superior. Aprendizado de máquina é realmente sobre a aplicação de matemática em diferentes domínios. Ele localiza o significado dentro de volumes extremamente grandes de dados, cancelando o ruído. Utiliza algoritmos para analisar os dados e extrair conclusões, como o que constitui um comportamento normal..

Você acha que a falta de compreensão deriva da incerteza sobre o que a aprendizagem de máquina pode fazer??

É importante entender que os algoritmos de aprendizado de máquina não entram em torneios de xadrez. O que eles são realmente bons é se adaptarem às mudanças de sistemas sem intervenção humana enquanto continuam a diferenciar entre comportamento esperado e anômalo. Isso torna o aprendizado de máquina útil em todos os tipos de aplicativos - pense em tudo, desde segurança até assistência médica -, bem como mecanismos de classificação e recomendação, e sistemas de identificação de voz e imagem.

Os consumidores interagem diariamente com dezenas de sistemas de aprendizado de máquina, incluindo a Pesquisa do Google, anúncios do Google, anúncios no Facebook, Siri e Alexa, bem como praticamente qualquer mecanismo de recomendação de produtos on-line da Amazon para a Netflix. O desafio das empresas é entender como o aprendizado de máquina pode agregar valor ao negócio.

Então, como o aprendizado de máquina pode ser introduzido em uma empresa??

O aprendizado de máquina geralmente é introduzido em uma empresa de duas maneiras. A primeira é que um ou dois funcionários começam a aplicar o aprendizado de máquina para obter informações sobre os dados aos quais já têm acesso. Isso requer uma certa quantidade de conhecimentos em ciência de dados e, mais importante, conhecimento de domínio. Uma compreensão do valor do negócio e da necessidade do cliente por serviços digitais (aplicativos) que são utilizados é fundamental, mas essas habilidades geralmente são escassas..

A segunda é a compra de uma solução, como software de segurança ou solução de monitoramento de desempenho de aplicativos, que usa aprendizado de máquina. Esta é de longe a maneira mais fácil de começar a perceber os benefícios do aprendizado de máquina.

Por exemplo, no AppDynamics, aplicamos o aprendizado de máquina para entender o que constitui um aplicativo 'saudável' de uma perspectiva de desempenho e experiência do usuário. Utilizamos a linha de base dinâmica para descobrir como cada etapa de uma jornada do usuário para um aplicativo deve ser executada. Por exemplo, em um aplicativo de comércio eletrônico, isso pode incluir etapas como login ou pesquisa de produto. Esses algoritmos também levam em consideração variáveis ​​de negócios, como momentos importantes do ano, como Black Friday, e, em seguida, alertas são gerados quando o desempenho se desvia. Isso economiza tempo da organização em termos de trabalhar manualmente limites de desempenho aceitáveis ​​e também garante que nossa solução forneça rápido retorno do investimento em qualquer ambiente empresarial complexo.

Existe um desafio na preparação de dados para empresas que introduzem aprendizado de máquina??

O aprendizado de máquina pode soar enganosamente simples. É fácil supor que tudo o que você precisa fazer é coletar os dados e executá-los por meio de alguns algoritmos. A realidade é muito diferente. Depois de coletar os dados, você terá que agregá-los. Você precisa determinar se há algum problema com isso. Seu algoritmo precisa ser capaz de se adaptar a dados ausentes, dados afastados, dados de lixo e dados fora de sequência.

Existe um grande problema para aprendizado de máquina a partir da falta de conjuntos de dados públicos rotulados??

Existe, sim, porque para um algoritmo fazer sentido de uma coleção de pontos de dados, ele precisa entender o que esses pontos representam. Em outras palavras, ele precisa ser capaz de aplicar rótulos pré-estabelecidos aos dados.

A disponibilidade de conjuntos de dados publicamente rotulados tornaria muito mais fácil para as empresas iniciarem o aprendizado de máquina. Infelizmente, estes ainda não existem, e sem eles, a maioria das empresas está olhando para um 'arranque a frio'.

Há uma necessidade de conhecimento de domínio também, isso é outro desafio?

Na melhor das hipóteses, o aprendizado de máquina representa o casamento perfeito entre um algoritmo e um problema. Por exemplo, na AppDynamics, aplicamos algoritmos de linha de base dinâmicos para garantir que nossos clientes sejam alertados desde o início sobre problemas emergentes de desempenho de aplicativos. Isso significa que o conhecimento do domínio - saber o que é um problema - é um pré-requisito para o uso eficaz da tecnologia. Infelizmente, em vários casos de uso de TI corporativo, o conhecimento é acumulado em silos dentro das organizações, resultando em bolsões díspares de conhecimento, uma falta de contexto de negócios..

Existem mudanças culturais necessárias para uma organização adotar com sucesso o aprendizado de máquina?

As empresas precisam aceitar que precisam se movimentar mais rapidamente como um negócio digital, e o aprendizado de máquina e a automação são um pré-requisito para o sucesso. Os dados estão no coração do aprendizado de máquina, e as empresas que reagem culturalmente à importância da percepção em tempo real que podem ser confiáveis ​​e agir rapidamente, são aquelas que terão sucesso e prosperarão..

John Rakowski, especialista em mercado de gerenciamento de desempenho de aplicativos e análise em AppDynamics

  • Estes são os 10 avanços mais importantes em inteligência artificial