Estratégia e Governança de Dados para Machine Learning

Imagine que estejamos embarcando em uma nova jornada de transformação, e este é o momento do Machine Learning. Frequentamos os principais congressos, ouvimos os maiores especialistas e gurus, analisamos cases e mais cases de sucesso e decidimos: vamos levantar nossas necessidades e verificar como as novas tendências de aprendizado automático podem ser aplicadas para aumentar a competitividade no contexto de nossa empresa.

Digamos também que o primeiro passo tenha sido superado: a necessidade de negócio tenha sido bem definida dentro de todas as variantes oferecidas, seja ela o levantamento de insights sobre o comportamento dos clientes, melhorando a capacidade de ofertar o produto certo para a pessoa certa, uma nova capacidade de análise de fraudes ou a criação de chatbots inteligentes para reduzir custos operacionais e aumentar a satisfação do cliente. Todos os modelos foram criados e os testes realizados com sucesso. Estamos prontos a entrar em produção. Falta só um pequeno detalhe.

Sobre quais dados vamos fazer essas análises? Eles estão no formato, estrutura e quantidade adequados? Existem muitos dados espúrios, duplicados ou inconsistentes? Estamos obtendo e agregando os dados corretos? A abordagem abrange a empresa como um todo?

E, por final: onde estão estes benditos dados?!

Dados são o novo petróleo

É interessante notar como a metáfora acima é aplicável a mais de um sentido desta situação. Da mesma forma que o assim chamado “ouro negro”, apesar de responsável pelo desenvolvimento industrial e humano nos séculos XX e XXI, sem ser refinado e transformado em suas centenas de produtos não é muito mais que um líquido viscoso, escuro e malcheiroso que tem pouca utilidade direta, os dados que circulam dentro da empresa, sem os processos adequados de refino e designação de propósito, não terão muito mais serventia do que entupir terabytes e mais terabytes de sistemas de armazenamento.

Algoritmos de Machine Learning são vorazes consumidores de dados. De uma forma geral, quanto maior sua quantidade, maior seu poder de aprendizado e a acurácia e confiabilidade de seus resultados. Porém, diferentemente da análise de Business Intelligence feita sobre o Big Data convencional, em que dados pouco lapidados e de toda procedência são acumulados e dos quais a informação é extraída pela busca de força bruta e descobrimento de correlações, a abordagem com Machine Learning demanda algo mais sofisticado. Por exemplo, no caso de Análise Preditiva, é desejável que se minimize a redundância de informação entre campos, ou, no caso de Visão Computacional, que imagens para treinamento, validação e testes de um modelo de reconhecimento de padrões tenham a mesma resolução. Isso pede por uma governança que garanta uma visão empresarial unificada dos dados mestres da empresa (clientes, fornecedores, produtos, etc.), eliminação de semânticas sobrepostas, redução de vieses corporativos e completude de informação.

Estratégia e governança

Partindo-se desses princípios, para que uma empresa realmente possa colher os frutos esperados de uma iniciativa empresarial de Machine Learning, é necessário observar as seguintes diretivas estratégicas:

• Definição precisa do problema ou oportunidade de negócio:

Como em qualquer projeto de transformação empresarial, a falta de uma descrição rigorosa da situação a que se aplica leva quase que certamente a que não se alcancem os resultados desejados, ao desperdício de investimentos e ao descrédito no projeto e na solução proposta. No caso específico de Machine Learning, essa definição deve ser específica e mensurável. Ex.: “estamos implementando uma solução para melhorar nosso relacionamento com o cliente; logo, a proposição principal é a coleta e tratamento de informações sobre seu comportamento com o intuito inicial de prover recomendações de produtos com alto índice de aceitação”. Simples, direto e sem linguajar técnico.

• Mudança de paradigma estratégico:

A percepção sobre os dados deve mudar. As possibilidades criadas pelo Machine Learning fazem com que deixem de ser algo operacional que tradicionalmente está sob a tutela quase que exclusiva da TI e passem a ser encarados como algo que pertence ao negócio da empresa como um todo. Os dados – e a informação neles encerrada – não devem ser tidos apenas como algo que retrata o que aconteceu, mas como um guia para aquilo que irá acontecer e de como proceder para alcançar os resultados desejados.

• Levantamento da prontidão dos dados ao uso com Machine Learning:

De acordo com uma pesquisa realizada pela Forbes em 2018 [2], embora 82% dos 700 executivos C-level entrevistados tenham respondido que os dados de pelo menos um de seus departamentos estão prontos para utilização por Machine Learning, apenas 14% destes executivos admitem que tais dados estão disponíveis de forma corporativa abrangente. Com isso, faz-se fundamental um levantamento preciso de onde estão e quais são as principais barreiras a ser endereçadas e quais vantagens já presentes devem ser alavancadas.

• Gestão estratégica da coleta, classificação, armazenagem e tratamento de dados para utilização com Machine Learning:

Uma estratégia consistente passa pela criação de equipes que pervadam a empresa, ultrapassando barreiras organizacionais, consistindo de líderes de negócio, cientistas de dados e pessoal de Tecnologia da Informação. Essa equipe deve ser responsável pela elaboração de diretrizes para a captação dos dados, seu cruzamento e tratamento iniciais, e pela tomada de decisão sobre como guardar, organizar e acessar essa informação.

Trata-se tanto da aquisição dos dados disponíveis de forma abrangente por toda a companhia, sem a formação de silos, quanto da obtenção em fontes externas – como repositórios públicos e parcerias com empresas especializadas – e da criação de uma capacidade de geração de dados a partir dos próprios produtos e serviços da empresa. Com isto, estabelece-se a verdadeira vantagem competitiva neste universo: combinar estas fontes para construir um conjunto de dados proprietário e específico para o negócio, difícil de ser replicado pela concorrência.

• Definição de um roteiro claro para a construção das capacidades:

Outro item comum à maioria dos projetos de transformação de negócios, os elementos de mudança acima descritos devem, de acordo com o nível de prontidão levantado e com as necessidades estratégicas e operacionais indicadas, ser postos em movimento por um time composto pelos stakeholders designados e por especialistas em projetos de transformação. Um roteiro de programa apurado porém flexível deve ser definido e então dividido entre as diversas iniciativas correlacionadas.

• Envolvimento da alta gestão na execução e monitoria:

O patrocínio executivo, cuja relevância é fator essencial em projetos de transformação, não obstante acaba muitas vezes não sendo exercido com a importância devida pela percepção de que, sendo um trabalho aparentemente de apoio à estratégia, não estaria “à altura dos altos executivos”, ou que seria um “desperdício de seu tempo”. Embora a manutenção atualizada de indicadores de desempenho dos projetos de Machine Learning seja de enorme valia para angariar o apoio do C-level e uma prática altamente recomendável, ainda assim é necessário que estes executivos percebam a necessidade de seu suporte desde o início do programa. O estabelecimento de uma prática de Gestão de Adoção de Mudanças pode ser determinante para o sucesso da empreitada [3].

Um framework para o estabelecimento da prática de Machine Learning

​

Apoio para o sucesso

Muitas as vezes empresas possuem todo o potencial para alavancar sua produção (passiva e/ou ativa) de dados para criar maior competitividade com Machine Learning, mas esbarram no desconhecimento – ou conhecimento incompleto – sobre o tema, e desistem de aplicar as medidas necessárias.

Por exemplo, muitas vezes o executivo tem um conhecimento profundo sobre seu negócio, e tem uma noção correta de uma prática de análise que o ajudaria a melhorar sua lucratividade – como a necessidade de conhecer melhor o nível de desistência ou migração de seus clientes, ou de criar maneiras de evitar fraudes – mas desconhece quais ferramentas estão disponíveis, qual o orçamento envolvido ou qual o esforço organizacional necessário.

Igualmente, nem sempre uma abordagem em Big Bang é a melhor alternativa para projetos deste tipo. Criar um escopo bem circunscrito, células de trabalho restritas com pessoas das áreas mais diretamente envolvidas e um laboratório para gerar inovação, iteração e disseminação pela empresa pode ser a chave para o sucesso da abordagem de Machine Learning.

Verifica-se, pois, que o tópico é bastante extenso e que as exigências variam grandemente com o negócio e o cenário de cada empresa. A AFM Estratégia de TI para Negócios tem trabalhado o tema Transformação e Inovação Digital voltada ao Machine Learning de forma profunda com o objetivo de ajudar empresas a encontrar o contexto correto e a construir e gerenciar as capacidades necessárias ao melhor aproveitamento desta oportunidade.

Referências

[1]: Digital & Analytics in Consumer – Getting your data house in order, em McKinsey & Company: https://www.mckinsey.com/industries/consumer-packaged-goods/our-insights/digital-and-analytics-in-consumer/capabilities/getting-your-data-house-in-order

[2]: Forbes Insights Team with Dell Technologies – Behind Every AI Strategy Is A Data Strategy, em Forbes: https://www.forbes.com/sites/insights-delltechnologies/2018/12/04/behind-every-ai-strategy-is-a-data-strategy

[3]: Alessandro Martins – Gestão de Adoção de Mudanças: sua importância em um mercado em constante evolução (Parte I), em AFM Estratégia de TI para Negócios (Blog): https://afmestrategia.blogspot.com/2019/08/gestao-de-adocao-de-mudancas-sua.html

Inteligência Artificial e Machine Learning: uma perspectiva realista

​

Cérebros eletrônicos e algoritmos: dois lados da mesma moeda

1. Dourando a Pílula?

Se há um assunto em voga, este é, sem dúvida, a Inteligência Artificial (IA, em seu acrônimo) e suas aplicações. É natural que o potencial revolucionário deste estágio da tecnologia seja comentado e até exaltado pelos mais entusiastas. Se para aqueles que vendem essas soluções é típico que se enalteçam seus “poderes miraculosos”, para os que irão comprar ou utilizar tais ferramentas pairam inúmeras dúvidas sobre o que é efetivamente IA e como ela impacta seus negócios e seu dia a dia.
De uma forma geral, o tratamento dado à Inteligência Artificial – e temas de Transformação Digital como um todo – pode gerar sinais conflitantes para tomadores de decisão do mercado. Existe um misto de ceticismo em relação ao novo, especialmente aquele vindo da área tecnológica, de encantamento com as novas possibilidades de negócio, e de receio que, no caso em que todo este hype seja verdade e o concorrente tome a dianteira em sua adoção, perca-se um espaço competitivo irrecuperável.

2. Percepção X Realidade

Vamos então diretamente ao ponto: a maior aplicação dentro da IA, na maior parte das vezes, para a maior parte das indústrias, restringe-se à categoria de Machine Learning (ou Aprendizado de Máquina, em português). Fazendo-se justiça, é correto afirmar que este termo é o mais divulgado dentro de todo o espectro de áreas da Inteligência Artificial, e de forma apropriada neste sentido.
Em simples termos, Machine Learning é a área da IA que trata de reconhecimento de padrões em massas (normalmente muito grandes) de dados, geração de modelos matemáticos/computacionais para identificação de tais padrões, e utilização desses modelos para classificação, predição, agregação ou reação a novas entradas de dados potencialmente desconhecidas, de forma a que não se necessite programar tais reações e correspondências de antemão, sendo desta maneira (e apenas neste sentido) aprendidas na forma dos referidos modelos.

​A Inteligência Artificial tem muitas áreas, mas apenas algumas são hoje amplamente exploradas de forma comercial

Sob esta perspectiva, torna-se fácil identificar algumas das aplicações mais comuns do Machine Learning em situações de negócio:

• Análise preditiva: intrinsecamente ligada à Ciência e Análise de Dados, é utilizada na previsão de situações a partir de ocorrências históricas anteriores ou detecção de características em comum que agrupem dados em padrões. Para o primeiro caso, temos exemplos como Detecção de Fraudes, Análise de Churn e Classificação de Crédito. Para o segundo, identificação de grupos de consumidores de acordo com seus hábitos de compra.
• Processamento de Linguagem Natural (PLN): identifica padrões de linguagem em cadeias de palavras, interpretando sua semântica e criando ações de resposta. Seu maior exemplo está em atendimento automatizado e tradutores automáticos
• Processamento de sinais de áudio: identificação e classificação de fonemas e sua agregação, correspondendo-o a estruturas de linguagem mais complexas como palavras e frases. Aplicações normalmente associadas a PLN para assistentes automáticos (como Siri, Cortana e Google Assistant) e chatbots, e mecanismos de speech-to-text.
• Visão computacional: pode apresentar duas vertentes: reconhecimento de padrões em imagens estáticas (seu principal conteúdo, por exemplo) e detecção de mudanças ao longo do tempo em uma sequência de imagens (processamento de vídeo). Tem aplicações em segurança, reconhecimento facial, tomada de ação baseada em imagens (p.ex, escolha de um determinado produto em gôndola), extração de texto em imagens e reconhecimento de escrita cursiva.
• Robótica: em seu sentido mais estrito, a Robótica é uma área da Inteligência Artificial distinta do Machine Learning. Trata da aplicação de agentes físicos na realização de tarefas manipulando o mundo “real”. Entretanto, existe uma grande área comum, empregando elementos de praticamente todas as categorias acima descritas.

No final das contas, especificamente falando-se de Machine Learning, não existe mistério envolvido. Trata-se tão-somente de aplicações desenvolvidas para digerir quantidades gigantescas de dados, calcular probabilidades, funções, erros e distâncias, e depreender daí um modelo para gerar resultados a partir de novos dados observados. Nem mais, nem menos.

3. Perigos da Romantização

Como mencionado acima, em tese não haveria maiores questões em se utilizar os termos “Inteligência Artificial” e “Machine Learning” de forma intercambiável. Afinal de contas, este segundo é parte da primeira, e aquele mais disseminado no mercado e o mais palpável para o cidadão médio.
O problema acontece quando, por um apelo de mercado mais substancial, a metonímia é levada longe demais. Em sua concepção, e em sua imagem historicamente divulgada, a Inteligência Artificial de fato tem como motivador e norteador a busca de se prover computadores com qualidades humanas, envolvendo raciocínio, processos mentais, comportamento e desempenho humanos [3]. Russell e Norvig também compilaram, junto a importantes pensadores da IA, alguns conceitos importantes para estes autores:

Algumas definições de Inteligência Artificial, organizadas em 4 categorias [3]​

Com o posicionamento de mercado comumente utilizado, Machine Learning passa a parecer sinônimo de Inteligência Artificial, e assim recebe sua carga semântica. E, definitivamente, enxergar Inteligência Artificial e Machine Learning como isto:

Isso é mais ou menos o que vem à mente pelo discurso executivo corrente sobre Inteligência Artificial...

é bem mais emocionante e certamente menos assustador do que isto:

...e isso é o que a máquina realmente faz em Machine Learning: mastigar números para encontrar padrões.

Ainda assim, o conjunto de fórmulas acima descrito é apenas parte da matemática utilizada em um dos algoritmos de classificação mais comuns em Machine Learning, a regressão logística, para descobrir o padrão sobre dados de clientes (representados por ​) que são associados a uma determinada classificação – por exemplo, se o cliente deve ou não ter seu crédito aprovado (neste caso, representado pelo valor ​; a letra ​ significa a hipótese de um modelo matemático que represente a realidade). Apesar de definitivamente nada atraente, não é algo mais complicado do que muitas das funções usadas, por exemplo, em nosso bom, velho e cotidiano Excel. E o mesmo, levando-se em consideração um grau maior ou menor de sofisticação, pode ser estendido para rigorosamente todas as aplicações do gênero.
O grande ponto está na aplicação desta computação para situações de negócio. Por si só, simplesmente dizer que se adota Machine Learning não significa que se estaria utilizando "máquinas inteligentes" em nenhum sentido real e humano da palavra "inteligência", que isto levaria, por si só, ao estado da arte em modernidade, ou que este seria mais um passo em direção à rebelião dos androides.

4. Conclusão

De uma forma geral, existe uma tendência muito grande por parte de quem vende martelos a glorificá-los, colocando-os como indispensáveis para se construir as melhores mesas e cadeiras. Neste caso, os martelos parecem também construir casas, prédios e cidades, muitas vezes sem precisar de intervenção humana. Ao mesmo tempo, é criada uma certa dissonância cognitiva quando, aliado a este este discurso, na tentativa de romper a tradicional desconfiança com novas tecnologias por parte de executivos, invoca-se o eterno mantra "a inovação não deve nunca ser direcionada pela tecnologia, e sempre pelo negócio".
Em minha opinião, uma forma mais eficaz de mitigar o ceticismo seria tratar o Machine Learning pelo que ele realmente é: um modo de calcular certos dados para certas aplicações (ou como minha avó diria, "fazer conta") de uma forma que antes não se podia pela falta pura e simples de poder computacional e disponibilidade de certos métodos, e educar clientes e áreas de negócio sobre onde e como estas aplicações efetivamente fazem sentido e melhoram seu desempenho.

Referências

[1]: Bernard Marr -- What Is The Difference Between Artificial Intelligence And Machine Learning?, em Forbes: https://www.forbes.com/sites/forbesagencycouncil/2018/08/01/do-you-know-the-difference-between-data-analytics-and-ai-machine-learning/#3a8918cc5878

[2]: Vance Reavie -- Do You Know The Difference Between Data Analytics And AI Machine Learning?, em Forbes: https://www.forbes.com/sites/bernardmarr/2016/12/06/what-is-the-difference-between-artificial-intelligence-and-machine-learning/#7ed51bf72742

[3]: Stuart Russell, Peter Norvig -- Artificial Intelligence – A Modern Approach (3rd Edition), ISBN: 978-0-13-604259-4