5 requisitos para aplicar Inteligência Artificial e Machine Learning no futuro

Por Enginebr
0 Comentário

5 requisitos para aplicar Inteligência Artificial e Machine Learning no futuro

Futuramente a Inteligência Artificial (IA) e o Machine Learning serão responsáveis por muitas tomadas de decisões. Assim como o processador mundial substituiu as máquinas de escrever, a IA deverá suceder os trabalhadores de escritório, e também alguns analistas.

As empresas precisam estar preparadas para essa grande mudança. Muitas companhias que não se preparavam para a web e o comércio eletrônico foram deixadas de lado. É preciso cautela para que as instituições que não se adaptem à IA e ao Machine Learning não passem pelo mesmo problema.

Cinco pré-requisitos são essenciais para uma preparação para essa mudança, e é preciso adotá-los antes mesmo de dar início a uma transformação de negócios:

Conhecimento

Nem todos na sua empresa podem tornar-se cientistas de dados. Mas todos devem saber alguns recursos básicos de aprendizado de máquina, sobretudo os desenvolvedores.

Seus desenvolvedores podem ter interesse ​​em algoritmos ou técnicas específicas. Porém, seus analistas e executivos devem compreender os problemas básicos de negócios e as técnicas de computação. Os executivos não têm de saber como o clustering funciona, mas é preciso que reconheçam que um problema se encaixa em um problema de clustering. É necessário passar por uma atualização regular de conhecimento, anualmente, se possível, pois os recursos estão sempre em expansão.

Componentização

A interface para um algoritmo de classificação é mais ou menos a mesma que todos os outros algoritmos. Uma implementação específica do algoritmo de classificação não modifica com o problema de negócios.

Muitas empresas tiveram que descobrir como efetuar uma representação de um cliente (ao invés de fazer diferente em cada sistema para cada problema de negócios). É preciso fazer o mesmo para os algoritmos. Isso não quer dizer que se inventa o algoritmo de cluster único, mas que se compõe o que é diferente.

Sistematização

Existe algum processo para obter os dados em um algoritmo, um processo para executar o algoritmo e um local para dispor o resultado. Ao projetar todas essas coisas várias vezes para cada algoritmo, há uma perda de tempo e dinheiro e um problema maior para si mesmo. Assim como SOA (“Service-Oriented Architecture” ou Arquitetura Orientada a Serviços) mudou empresas que implementam software de aplicação, técnicas semelhantes são necessárias em como IA é implantada.

Componentização de AI/UI

Em um mundo de interface de usuário JavaScript/Web com serviços RESTful no back end, muitas de suas interfaces de usuário devem ser capazes de misturar um componente IA. Tanto em uma recomendação baseada no comportamento do usuário ou em um assistente virtual completo, a empresa deve criar uma biblioteca de interface do usuário que adicione a funcionalidade da IA para incorporar aos seus aplicativos de negócios facilmente.

Instrumentação

Nada disso funciona sem dados. Não se deve voltar a criar depósitos de dados grandes, nos quais apenas são coletados itens no HDFS e espera-se que ele tenha algum valor algum dia.

Mesmo em vendas e marketing, há e-mail e telefones celulares – os dados podem ser coletados automaticamente a partir deles, o que é útil, claramente. Ao invés de incomodar os vendedores para que obtenham a entrada de dados, por que não permitir que os sistemas façam isso sozinhos?

Fonte: ComputerWorld