As 10 principais maneiras de os governos terem sucesso com o Machine Learning

Conheça dez maneiras de preparar seu órgão governamental para ter sucesso com o uso da tecnologia.

A aplicação de machine learning na computação tem sido uma das áreas da tecnologia da informação que mais crescem. Líderes de TI experientes de governos entendem que explorar insights a partir dos dados pode transformar seus órgãos. Eu tive esse mesmo entendimento como professor na Universidade de Minnesota, nos EUA, quando tentei fazer o machine learning funcionar em aplicativos corporativos. Desde então, aprendi que o machine learning não é um esporte radical.

Aqui estão dez maneiras de preparar seu órgão governamental para o sucesso com o uso da tecnologia:

1. Construa um data lake e uma infraestrutura com um objetivo claro

Grandes projetos demandam mais tempo e têm maior risco de fracassar. Tentar fazer algo impossível e agregar todos os dados corporativos em um só lugar é uma receita para o fracasso. Reveja sua abordagem e concentre-se em um pequeno conjunto de dados e em um problema restrito: agregue, entenda e analise esses dados primeiro e, depois, aplique esse entendimento à medida que escala seus esforços.
 
2. Não se distraia com novas ferramentas chamativas de hardware ou software

Escrever muitos códigos não é algo ágil. Obter resultados rapidamente é. No machine learning, há um enorme abismo entre os fornecedores que podem ajudá-lo a entregar resultados de forma rápida e eficiente e os que não podem. Concentre-se em ferramentas que forneçam resultados.

Esse mesmo princípio se aplica ao hardware. Ao mesmo tempo, o NoSQL e o “movimento” de big data defenderam que a construção de um data lake Hadoop e a execução de ferramentas NoSQL produziriam resultados impactantes e rápidos. Isso simplesmente não era verdade.  

3. Aproveite o valor dos bancos de dados SQL e relacionais

Observação histórica: O setor NoSQL sugeriu uma vez que o SQL não poderia ser usado em grande escala para machine learning. No entanto, todos os principais fornecedores em nuvem reconheceram que o SQL não só poderia ser escalonado, mas também fornecer transações, relatórios, práticas de limpeza de dados e, o mais importante, uma programação simplificada, algo que os produtos NoSQL nunca conseguiram.

O SQL é o local onde se encontra a maioria dos seus dados. Considere produtos como o banco de dados e a plataforma Exadata da Oracle, que permitem que você execute machine learning diretamente em seus dados aproveitando o SQL e outras ferramentas de alta produtividade, sem a necessidade de construir uma infraestrutura, ferramentas e processos ETL distintos.

4. Garanta que seus dados de ML estejam seguros, com proteção de privacidade e governança corporativa

Transferir dados de bancos de dados corporativos seguros para “big data” lakes inseguros é tão arriscado que a maioria das empresas se recusa a fazer isso. Manter seus dados corporativos em dados seguros como os da Oracle, onde você pode executar machine learning no local, elimina a complexidade e a sobrecarga de cópias, ao mesmo tempo em que fornece resultados de machine learning para os negócios de forma rápida e segura.
 
5. Comece com um problema de negócios pequeno e focado

É difícil obter insights dos dados. Concentre-se em um pequeno problema com impacto imediato nos negócios. Mostre o poder e o potencial do machine learning, sem gastar muito dinheiro no processo.

6. Construa somente quando for necessário

Reutilize o código sempre que possível. Compre o máximo possível e construa apenas quando for necessário. Se você acredita que escrever muitos códigos para obter resultados de machine learning é a estratégia certa, vai ficar desapontado e ainda correr o risco de enfrentar enormes custos e atrasos.

7. Fique atento aos fortes sinais nos dados dos KPIs que são importantes para você

Certifique-se de obter os dados certos com os sinais necessários para otimizar os resultados dos negócios. O machine learning não pode funcionar sem os dados certos. Faça pequenas experiências e use o bom senso para encontrar os dados de entrada certos para o seu problema. Cientistas de dados experientes podem agregar muito valor ajudando você a encontrar os sinais.

8. Habilite cientistas de dados cidadãos

Não pense que você precisa de um sacerdócio de cientistas de dados para encontrar padrões impactantes em seus dados. Seus analistas de linha de negócios têm os melhores insights sobre esses padrões. Ao automatizar o processo de construção de modelos para essas equipes, você obtém rapidamente resultados orientados aos negócios, sem as dificuldades, os custos, as despesas gerais e os atrasos de um projeto científico estendido.
 
9. Aproveite a automação para construir modelos de ML

Ferramentas como o AutoML da Oracle permitem que os analistas de negócios construam machine learning em seus aplicativos, sem contratar muitos cientistas de dados que são difíceis de encontrar.

10. Procure vincular os resultados de machine learning aos negócios

Mesmo quando as empresas encontram modelos que funcionam, pode ser muito difícil operacionalizar esses modelos. Use ferramentas que permitam injetar qualquer insight de machine learning obtido imediatamente de volta aos fluxos de trabalho operacionais, em tempo real.

Artigo escrito por: Matthew O’Keefe – Vice-Presidente e Tecnólogo Corporativo de Cloud Infrastructure na Oracle. Fonte: Blog Oracle – clique aqui e acesse.

G&P e Oracle

A G&P é uma das maiores implementadoras de Soluções, Serviços Gerenciados e Projetos em Tecnologia Oracle. A parceria PLATINUM é o reconhecimento em relação a expertise e experiência da G&P na Implementação e Gestão dessas soluções ao longo de vários anos, contamos com uma equipe composta por arquitetos e implementadores de alto nível de conhecimento. Para mais informações, clique aqui para entrar em contato conosco.