Gartner alerta que a aprendizagem profunda proporcionará a melhor performance para previsões de demanda, fraude e falhas até 2019

80% dos cientistas de dados terão aprendizagem profunda em sua lista de ferramentas até 2018

O Gartner, Inc., líder mundial em pesquisa e aconselhamento imparcial em tecnologia, afirma que a aprendizagem profunda, uma variação da aprendizagem mecânica (do inglês, machine learning – ML), representa o principal motor de busca para a inteligência artificial (IA). À medida que a aprendizagem profunda proporciona capacidades superiores de fusão de dados em relação a outras abordagens de ML, o Gartner estima que, até 2019, ela será um motor essencial da melhor performance para previsões de demanda, fraude e falhas.

“A aprendizagem profunda está aqui para ficar e expandir a ML, permitindo representações intermediárias dos dados”, diz Alexander Linden, Vice-Presidente de Pesquisas do Gartner. “Em última análise, resolve problemas de negócios complexos e ricos em dados. A aprendizagem profunda pode, por exemplo, apresentar resultados promissores ao interpretar imagens médicas para diagnosticar antecipadamente o câncer. Também pode ajudar a melhorar a visão de pessoas com deficiência visual, controlar veículos autoguiados ou reconhecer e compreender a fala de uma pessoa específica”, explica Linden.

A aprendizagem profunda também herda todos os benefícios da ML. Vários avanços nos domínios cognitivos demonstram isso. Os serviços de conversão de voz em texto do Baidu estão superando os humanos em tarefas semelhantes, o PayPal está usando a aprendizagem profunda como a melhor abordagem para bloquear pagamentos fraudulentos, reduzindo a taxa de alarme falso pela metade, e a Amazon também está aplicando a aprendizagem profunda nas recomendações de produtos de primeira linha.

Hoje, os casos de uso mais comum de ML por meio de aprendizagem profunda são o processamento de imagem, texto e áudio. Porém, cada vez mais cresce a previsão de demanda, determinando deficiências em torno da qualidade de serviços e produtos, detectando novos tipos de fraude, transmitindo análises de dados em trânsito e fornecendo manutenção preditiva ou mesmo prescritiva. No entanto, as iniciativas ML e IA requerem mais do que apenas dados e algoritmos para serem bem-sucedidas. Elas precisam de uma mistura de habilidades, infraestrutura e adesão comercial.

Como formar uma equipe para aprendizado de máquina

A aprendizagem profunda também será tema do Symposium/ITxpo, o maior evento de tecnologia do mundo e que terá sua edição no Brasil de 23 a 26 de outubro, no Sheraton São Paulo WTC Hotel. Isso porque a maioria das organizações ainda carece das habilidades necessárias de ciência de dados para soluções simples de ML e ainda mais para aprendizagem profunda. Se os projetos ML não puderem ser abordados com aplicativos fáceis de usar, os líderes de TI precisarão adquirir essa competência.

“Nessa situação, os líderes de TI procurarão especialistas, os chamados cientistas de dados”, diz Linden. “Os cientistas de dados podem extrair uma ampla gama de conhecimentos a partir dos dados, podem ter uma visão geral do processo de ponta a ponta e podem resolver problemas de ciência dos dados”, diz.

A previsão é que 80% dos cientistas de dados terão uma aprendizagem profunda em seus toolkits até 2018. “Se uma de suas equipes possui uma boa compreensão dos dados, tem conhecimentos em domínio comercial e consegue interpretar saídas, ela estará pronta para iniciar experiências de ML”, diz Linden. “Mesmo que sua equipe não tenha experiência com algoritmos, pode-se começar com pacotes de aplicativos ou APIs”.

Iniciando ML e IA com Sucesso

Usar ML e IA para agregar valor a uma empresa é complicado. “Não siga todos os pré-requisitos de ML à risca – em vez disso, encontre o problema certo para resolver”, diz Linden. “É uma boa ideia começar usando ML nos mesmos dados que você usa em seus relatórios comuns, como pedidos feitos por região. Em seguida, você pode aplicar ML para fazer previsões voltadas para o futuro, por exemplo, para os mesmos pedidos por região para o mês seguinte. Dessa forma, você aprofundará os relatórios após os dados reportados para mostrar aos stakeholders das empresas a arte do que é possível realizar com ML”, explica.

No entanto, o ML tem limitações. “Um sistema ML pode tomar a melhor decisão possível se tiver dados suficientes para aprendizado, como milhões de itens com preço e disponibilidade, mas não pode julgar caso alguma das decisões resultantes não estiver eticamente correta”, acrescenta Linden. A combinação da experiência e habilidade atuais dos cientistas de dados com as novas capacidades em ML será necessária para a adoção bem-sucedida de ML e IA. “O difícil para as pessoas é fácil para a ML, e o difícil para a ML é fácil para as pessoas”, conclui Linden.

O Gartner Symposium/ITxpo 2017 oferece aos executivos com poder de decisão uma visão estratégica das tendências em evolução e sobre como explorar novas formas de pensar, impulsionar mudanças e desenvolver-se como líder. O evento traz conteúdo independente e objetivo com a autoridade do líder mundial em pesquisa e aconselhamento sobre tecnologia e fornece acesso às mais recentes soluções dos principais fornecedores de tecnologia. Interessados devem contatar o Gartner pelo e-mail brasil.inscricoes@gartner.com, pelos telefones 0800-7741440 e (011) 5632-3109 ou pelo site: gartner.com/br/symposium.