O machine learning é mais do que uma palavra da moda – mas não é a solução para qualquer problema

IA. Machine learning. Fora da área de tecnologia, essas coisas geram ansiedade, porque as pessoas não entendem suas implicações. Mas quem faz parte do setor pode ir para o outro extremo, tentando incluir o machine learning em tudo o que faz. Nenhuma dessas abordagens é boa.

Mark McQuade, gerente de práticas de ciência de dados e engenharia na Rackspace Technology, adota uma abordagem mais comedida. Como uma pessoa que trabalha com "tudo que se relaciona a dados – tudo que tem a ver com machine learning", seu pensamento é distintamente mais científico.

Para convencer qualquer pessoa que desconfie do machine learning, McQuade sugere apontar para as inúmeras formas práticas e positivas em que ele atualmente impacta tanto as empresas quanto as pessoas, incluindo a previsão, a classificação e as recomendações. "O machine learning faz tantas coisas hoje que as pessoas não percebem que estão sempre obtendo benefícios e valor provindo dele", disse. Por exemplo, os ângulos mais humanos do machine learning não são percebidos pelas pessoas que não conhecem a análise de sentimento, que determina os estados emocionais a partir de transcrições reais de call center, resenhas on-line em massa e apps que são voltados para ajudar pessoas com deficiências. Através do machine learning, todas essas coisas acontecem numa escala que seria impossível de ser igualada pelos seres humanos, ainda que com o suporte de uma poderosa lógica e programação computacional tradicional.

Nosso último episódio do podcast Cloud Talk explora os diversos aspectos do machine learning.

Em apenas 30 minutos, McQuade o CTO da Rackspace, Jeff DeVerter, exploram:

• Como a IA e o machine learning estão relacionados.
• Os conceitos básicos do machine learning e como ele pode trazer valor para uma organização.
• Por que os princípios da "IA para o bem" devem direcionar sua adoção do machine learning.
• A complexidade da ética de IA e os princípios orientadores do machine learning – e por que eles devem ser considerados caso a caso.
• Por que apenas 60% dos modelos de machine learning chegam a ser lançados e se o MLOps pode corrigir isso.

McQuade e DeVerter também tratam de uma outra grande questão: será que devemos mesmo usar machine learning? “Muitas pessoas só querem estar envolvidas nesse mundo e levar o machine learning para suas organizações”, disse McQuade. "Mas eles precisam se perguntar por quê, já que o machine learning não é apropriado para todos os problemas. Antes de tudo, você precisa julgar se o que você está tentando fazer é complexo o bastante para justificar o machine learning. Se você consegue realizar algo usando programação e lógica de computador, não há necessidade de torná-lo excessivamente complexo com o machine learning, pois isso pode atrapalhar o seu ROI.

Para algumas tarefas, no entanto, o machine learning é a melhor escolha. "Você pode automatizar os processos para simplificar a vida das suas equipes, melhorar sua organização e focar os funcionários no que agrega valor", disse McQuade. "Isso vai além dos casos de uso como repetição manual: por exemplo, a detecção de objetos por meio de lógica e programação computacional básica é difícil. Então, saber se você deve usar o machine learning não depende somente de algo ser replicável. Diz respeito também à dificuldade de algo sem ou com o uso do machine learning. Não tem a ver apenas com a simplificação de processos – sem o machine learning, algumas coisas que você quer realizar simplesmente não serão possíveis".