Por que as empresas estão mudando do TensorFlow para o PyTorch

Por Scott Carey em 04/12/2020 no site Computerworld 

Foto: Adobe Stock

Uma subcategoria do aprendizado de máquina, o aprendizado profundo (também conhecido como deep learning) usa redes neurais em várias camadas para automatizar em escala tarefas que ainda são realizadas com bastante dificuldade por máquinas, como reconhecimento de imagem, processamento de linguagem natural (NPL) e tradução automática. 

O TensorFlow, que surgiu do Google em 2015, tem sido a estrutura de aprendizado profundo de código aberto mais popular para pesquisa e negócios. Mas o PyTorch, que surgiu do Facebook em 2016, rapidamente alcançou essa solução, graças às melhorias conduzidas pela comunidade na facilidade de uso e implantação para uma gama cada vez maior de casos de uso. 

O PyTorch está tendo uma adoção particularmente forte na indústria automotiva — onde ele pode ser aplicado em sistemas de direção autônoma de empresas como Tesla e Lyft, no nível 5 de autonomia automotiva. A estrutura também está sendo usada para classificação de conteúdo e recomendação em empresas de mídia e para ajudar a robôs de suporte em aplicações industriais. 

Joe Spisak, líder de produto de inteligência artificial no Facebook AI, disse à InfoWorld que, embora tenha ficado satisfeito com o aumento na adoção do PyTorch pelas empresas, ainda há muito trabalho a ser feito para obter uma adoção mais ampla da indústria. 

“A próxima onda de adoção virá com a habilitação do gerenciamento do ciclo de vida do produto, melhorias no MLOps e pipelines Kubeflow, além da [participação da] comunidade em torno disso”, disse ele. “Para aqueles no início da jornada, as ferramentas são muito boas, usando serviços gerenciados e com código aberto, como o SageMaker da AWS ou Azure ML para começar.” 

Disney: identificando rostos animados em filmes 

Desde 2012, engenheiros e cientistas de dados da gigante de mídia Disney vem construindo o que a empresa chama de Genoma de Conteúdo, um gráfico de conhecimento que reúne metadados de conteúdo para alimentar aplicativos de pesquisa e personalização. Tudo feito com base no aprendizado de máquina de toda a enorme biblioteca de conteúdo da Disney. 

“Esses metadados aprimoram as ferramentas usadas pelos contadores de histórias da Disney para produzir conteúdo; inspirar criatividade iterativa na narração de histórias; melhorar as experiências do usuário através de mecanismos de recomendação, navegação digital e descoberta de conteúdo; e possibilitar a inteligência de negócios ”, escreveram os desenvolvedores da Disney Miquel Àngel Farré, Anthony Accardo, Marc Junyent, Monica Alfaro e Cesc Guitart em postagem de blog feita em julho. 

Antes que isso pudesse acontecer, a Disney teve que investir em um vasto projeto de anotação de conteúdo, recorrendo a seus cientistas de dados para treinar um pipeline de marcação automatizado. Ao utilizar modelos de aprendizagem profunda para reconhecimento de imagem, ele é capaz de identificar grandes quantidades de imagens de pessoas, personagens e locais. 

Os engenheiros da Disney começaram experimentando vários frameworks, incluindo TensorFlow, mas decidiram consolidar em torno de PyTorch em 2019. Os engenheiros mudaram de um descritor de recurso de histograma convencional de gradientes orientados (HOG) e o popular modelo de máquinas de vetor de suporte (SVM) para uma versão de arquitetura de detecção de objetos apelidada de regiões com redes neurais convolucionais (R-CNN). Este último foi mais propício para lidar com as combinações de live action, animações e efeitos visuais comuns no conteúdo da Disney. 

“É difícil definir o que é um rosto em um desenho animado, então mudamos para métodos de aprendizagem profunda usando um detector de objetos e usamos a aprendizagem por transferência”, explicou a engenheira de pesquisa da Disney, Monica Alfaro, à InfoWorld.

Depois que apenas alguns milhares de faces foram processadas, o novo modelo já estava identificando faces amplamente em todos os três casos de uso. Ele entrou em produção em janeiro de 2020. 

“Estamos usando apenas um modelo para os três tipos de rosto e isso é ótimo para um filme da Marvel como Vingadores, onde é necessário reconhecer o Homem de Ferro e Tony Stark, ou qualquer personagem usando uma máscara”, disse ela. 

Como os engenheiros estão lidando com grandes volumes de dados de vídeo para treinar e executar o modelo em paralelo, eles também queriam rodar em GPUs caras e de alto desempenho ao entrar em produção. 

A mudança das CPUs permitiu que os engenheiros treinassem novamente e atualizassem os modelos com mais rapidez. O modelo também acelerou a distribuição dos resultados para vários grupos da Disney, reduzindo o tempo de processamento de cerca de uma hora para um filme de longa-metragem, para obter resultados entre cinco e dez minutos. 

“O detector de objetos TensorFlow trouxe problemas de memória na produção e era difícil de atualizar, enquanto o PyTorch tinha o mesmo detector de objetos e Faster-RCNN, então começamos a usar o PyTorch para tudo”, disse Alfaro. 

Essa mudança de uma estrutura para outra foi surpreendentemente simples para a equipe de engenharia. “A mudança [para PyTorch] foi fácil porque é tudo integrado, você apenas conecta algumas funções e pode começar rápido, então não é uma curva de aprendizado íngreme”, disse Alfaro. 

Quando eles encontraram quaisquer problemas ou gargalos, a vibrante comunidade PyTorch estava à disposição para ajudar. 

Blue River Technology: robôs matadores de ervas daninhas 

A Blue River Technology projetou um robô que usa uma combinação inebriante de digital wayfinding  (aquela tecnologia de painéis eletrônicos de shopping que te indica uma direção), câmeras integradas e visão computacional para pulverizar ervas daninhas com herbicida sem incomodar as plantações em tempo quase real, ajudando os agricultores a economizar herbicidas caros e potencialmente prejudiciais ao meio ambiente. 

A empresa de Sunnyvale, na Califórnia, chamou a atenção da fabricante de equipamentos pesados John Deere em 2017, quando foi adquirida por US$ 305 milhões, com o objetivo de integrar a tecnologia aos seus equipamentos agrícolas. 

Os pesquisadores da Blue River experimentaram várias estruturas de aprendizado profundo enquanto tentavam treinar modelos de visão computacional para reconhecer a diferença entre ervas daninhas e plantações, um grande desafio quando você está lidando com plantas de algodão, que têm uma lamentável semelhança com ervas daninhas. 

Agrônomos altamente treinados foram designados para realizar tarefas manuais de rotulagem de imagens e treinar uma rede neural convolucional (CNN) usando PyTorch "para analisar cada quadro e produzir um mapa preciso de pixels de onde estão as plantações e ervas daninhas", afirmou Chris Padwick, diretor de informática visão e aprendizado de máquina na Blue River Technology, em postagem. 

“Como outras empresas, testamos o Caffe, TensorFlow e, em seguida, PyTorch”, disse Padwick à InfoWorld. “Para nós, funciona praticamente sozinho. Não tivemos nenhum relatório de bug ou um bug de bloqueio. Em computação distribuída, ele realmente brilha e é mais fácil de usar do que TensorFlow, que era muito complicado para paralelismos de dados.” 

Padwick diz que a popularidade e a simplicidade da estrutura PyTorch dão ao framework uma vantagem quando se trata de conseguir novas contratações rapidamente. Dito isso, Padwick sonha com um mundo onde “as pessoas se desenvolvam naquilo com que se sentem confortáveis. Alguns gostam de Apache MXNet ou Darknet ou Caffe para pesquisa, mas o desenvolvimento tem que estar em um único idioma e o PyTorch tem tudo o que precisamos para ter sucesso.” 

Datarock: análise de imagem baseada em nuvem para a indústria de mineração 

Fundada por um grupo de geocientistas, a startup australiana Datarock está aplicando tecnologia de visão computacional à indústria de mineração. Mais especificamente, seus modelos de aprendizado profundo estão ajudando geólogos a analisar imagens de amostra de núcleo de perfuração mais rápido do que antes. 

Normalmente, um geólogo examinaria essas amostras centímetro a centímetro para avaliar a mineralogia e a estrutura, enquanto os engenheiros procurariam por características físicas como falhas, fraturas e qualidade da rocha. Esse processo é lento e sujeito a erros humanos. 

“Um computador pode ver rochas como um engenheiro faria”, disse Brenton Crawford, COO da Datarock à InfoWorld. “Se você pode ver na imagem, podemos treinar um modelo para analisá-lo tão bem quanto um humano.” 

Semelhante ao Blue River, a Datarock usa uma variante do modelo RCNN em produção, com os pesquisadores voltando-se para técnicas de aumento de dados de forma a reunir dados de treinamento suficientes nos estágios iniciais. 

“Após o período de descoberta inicial, a equipe começou a combinar técnicas para criar um fluxo de trabalho de processamento de imagem para imagens de núcleo de perfuração. Isso envolveu o desenvolvimento de uma série de modelos de aprendizagem profunda, que poderiam processar imagens brutas em um formato estruturado e segmentar as informações geológicas importantes ”, escreveram os pesquisadores em post. 

Usando a tecnologia da Datarock, os clientes podem obter resultados em meia hora, ao contrário das cinco ou seis horas levadas para registrar as descobertas manualmente. Isso libera os geólogos das partes mais trabalhosas, disse Crawford. No entanto, “quando automatizamos coisas que são mais difíceis, obtemos alguma resistência e temos que explicar que eles fazem parte deste sistema para treinar os modelos e fazer com que o ciclo de feedback gire”. 

Como muitas empresas que treinam modelos de visão computacional de aprendizagem profunda, a Datarock começou com o TensorFlow, mas logo mudou para o PyTorch. 

“No início, usamos o TensorFlow e ele travava conosco por motivos misteriosos”, disse Duy Tin Truong, líder de aprendizado de máquina da Datarock à InfoWorld. “PyTorch e Detecton2 foram lançados naquela época e se ajustavam bem às nossas necessidades. Então, após alguns testes, vimos que era mais fácil depurar e trabalhar e ocupava menos memória, então convertemos”, disse ele. 

A Datarock também relatou uma melhoria de 4x no desempenho de inferência do TensorFlow para PyTorch e Detectron2 ao executar os modelos em GPUs - e 3x em CPUs. 

Truong citou a crescente comunidade de PyTorch, interface bem projetada, facilidade de uso e melhor depuração como motivos para a troca e observou que, embora “sejam bastante diferentes do ponto de vista da interface, se você conhece o TensorFlow, é muito fácil trocar, especialmente se você conhece Python. ” 

Rede neural aprende usando apenas luz, sem nenhum componente eletrônico

Redação do Site Inovação Tecnológica - 02/08/2018

Este "hardware" surpreendente, sem nenhum componente eletrônico, aprendeu a identificar imagens com precisão. [Imagem: Ozcan Lab/UCLA]

Rede neural de luz

No ano passado, uma equipe do MIT apresentou um chip que usa luz em vez de eletricidade para fazer os cálculos usados por sistemas de inteligência artificial conhecidos como "aprendizagem profunda", um tipo de rede neural artificial que imita a forma como o cérebro aprende acumulando exemplos.

Agora, Xing Lin e Aydogan Ozcan, da Universidade da Califórnia em Los Angeles, criaram um sistema de processamento fotônico ainda mais simples: os cálculos com luz são feitos usando folhas fabricadas por uma impressora 3D, sem nenhum componente eletrônico.

E não se deixe enganar pela simplicidade: A rede de aprendizagem profunda óptica permite que os algoritmos computacionais sejam executados à velocidade da luz.

A vantagem é que esta é uma maneira mais barata, escalável e eficiente de criar sistemas de inteligência artificial, que estão acelerando as fronteiras da ciência, por exemplo, na análise de imagens médicas, tradução de idiomas, classificação de imagens e muito mais.

• Processador de luz multifuncional começa a virar realidade

Neurônios artificiais de luz

O processador é formado por uma série de superfícies opticamente difrativas, impressas em 3-D e superpostas em camadas, que trabalham em conjunto para processar as informações.

Batizada de Rede Neural Profunda Difrativa (D2NN: Diffractive Deep Neural Network), o sistema funciona conforme cada ponto em uma determinada camada transmite ou reflete uma onda de luz que chega.

Desta forma, cada ponto funciona como um neurônio artificial, que é conectado a outros neurônios das camadas seguintes por difração óptica - a difração é o redirecionamento, ou espalhamento, da onda quando ela encontra um obstáculo.

Pode-se ajustar cada neurônio artificial - o modo como ele trata a informação - alterando-se a fase e a amplitude da onda de luz que o atinge.

• Processador fotônico finalmente compatível com eletrônica atual

Esquema de funcionamento da Rede Neural Profunda Difrativa. [Imagem: Ozcan Lab/UCLA]

Aprendizado profundo

Como demonstração, Li treinou o sistema expondo-o a 55.000 imagens de dígitos manuscritos - imagens do zero até o nove.

Após o treinamento, a D2NN conseguiu reconhecer esses números com 91,75% de precisão, e Li já vislumbra meios de aumentar ainda mais a precisão acrescentando camadas neurais adicionais.

A equipe também destaca que este sistema pode ser facilmente ampliado usando diferentes métodos de fabricação 3D, outros componentes ópticos e outros mecanismos de detecção e redirecionamento da luz.

Neuroprocessador fotônico faz sinapses com luz

Bibliografia:

All-optical machine learning using diffractive deep neural networks

Xing Lin, Yair Rivenson, Nezih T. Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi, Aydogan Ozcan

Science

DOI: 10.1126/science.aat8084

Inteligência Artificial: Hype versus realidade

Isaac Sacolick, InfoWorld/EUA

Publicada em 18 de janeiro de 2018  em CIO

Forbes

Como você pode saber se vale a pena investir tempo em uma tecnologia emergente, como a Inteligência Artificial, quando há tantos exageros publicados diariamente? Estamos todos apaixonados por alguns dos resultados surpreendentes, como o AlphaGo batendo o jogador campeão Go , os avanços em veículos autônomos , os avanços em reconhecimento de voz da  Alexa e da  Cortana e o reconhecimento de imagem realizado pelo Google Photos, o Amazon Rekognition e outros aplicativos de compartilhamento de imagens.

Quando empresas grandes e tecnicamente fortes como Google, Amazon, Microsoft, IBM e Apple mostram sucesso com uma nova tecnologia, e a mídia o glorifica, as empresas geralmente acreditam que essas tecnologias estão disponíveis para seu próprio uso. Mas é verdade? E, em caso afirmativo, onde é verdade?

Este é o tipo de pergunta que os CIO fazem cada vez que uma nova tecnologia começa a se tornar mainstream:

• 1 - É uma tecnologia em que precisamos investir, pesquisar, prestar atenção ou ignorar? Como explicamos aos nossos líderes empresariais onde a tecnologia tem aplicabilidade ao negócio e se representa uma oportunidade competitiva ou uma ameaça potencial?
•  2 - Como simplificamos o que a tecnologia faz em termos compreensíveis para os funcionários mais curiosos e separar o hype, a realidade atual e o potencial futuro?
• 3 - Quando determinados funcionários da equipe mostram interesse em explorar essas tecnologias, devemos apoiar? Como devemos orientá-los e em quais aspectos da tecnologia eles devem investir tempo de aprendizado?
• 4 - Como avaliar, entre as ofertas dos fornecedores,  o que tem potencial real de negócio versus aqueles serviços ainda muito incipientes para alavancar versus outros que são realmente hype?

O que realmente é a Inteligência Artificial e como chegamos lá?

A IA já tem algum tempo , mas para mim, ele teve seu grande começo em 1968-69, quando o  sistema de processamento de linguagem natural SHRDLU (NLP) saiu. Na época, foram publicados artigos de pesquisa sobre perceptrons e backpropagation, e o mundo tomou conhecimento da IA através do HAL, em 2001: Uma Odisséia do Espaço. Os avanços importantes, bem posteriores, podem ser fixados no final da década de 80, com a propagação de uso dos algoritmos de aprendizagem e, em seguida, a sua aplicação a problemas como o reconhecimento de escrita . A IA assumiu desafios em larga escala no final da década de 90 com o primeiro chatbot (ALICE ) e Deep Blue batendo Garry Kasparov, o campeão mundial de xadrez.

Tive minha primeira experiência prática com a AI nesta época. Na escola de pós-graduação da Universidade do Arizona, vários de nós estavam programando redes neurais em C para resolver problemas de reconhecimento de imagem em áreas médicas, astronômicas e outras áreas de pesquisa. Experimentamos vários algoritmos de aprendizagem, técnicas para resolver problemas de otimização e métodos para tomar decisões em torno de dados imprecisos.

No caso das redes neurais, programávamos a matemática do perceptron à mão e passávamos para as camadas da rede para produzir a saída. Em seguida,aplicávamos os algoritmos de backpropagation para ajustar a rede. Então esperávamos longos períodos de tempo para que o sistema estabilizasse sua saída.  Quando os resultados iniciais falhavam, nunca tínhamos certeza se as falhas tinham sido provocadas por termos aplicados os algoritmos de aprendizado errados, não ajustarmos a nossa rede adequadamente para o problema que estávamos tentando resolver ou simplesmente se havíamos cometido erros de programação nos algoritmos perceptron ou backpropagation.

Pensando nisso, é fácil ver por que há um salto exponencial nos resultados de IA nos últimos anos, graças a vários avanços tecnológicos.

Primeiro, há computação em nuvem, que permite o gerenciamento de grandes redes neurais em um conjunto de máquinas. Em vez de fazer um loop através de perceptrons, um de cada vez, e trabalhar com apenas uma ou duas camadas de rede, a computação é distribuída em uma grande variedade de nós de computação. Isso permite algoritmos de aprendizagem profunda , que são essencialmente redes neurais com um grande número de nós e camadas que permitem o processamento de problemas em larga escala, em quantidades razoáveis ​​de tempo.

Em segundo lugar, há o surgimento de bibliotecas e serviços comerciais e de código aberto, como TensorFlow , Caffe , Apache MXNet e outros serviços que fornecem aos cientistas de dados e desenvolvedores de software facilidades na implementação de algoritmos de aprendizado de máquina e aprendizagem profunda em seus conjuntos de dados sem terem que programar a matemática subjacente ou habilitar a computação paralela. As aplicações futuras da IA serão conduzidas pela AI em um chip ou à bordo, impulsionadas pela inovação e competição entre a Nvidia, Intel, AMD e outros.

Não confunda o hype de IA com as realidades em IA

Uma vez que você tenha uma compreensão da história e uma compreensão da tecnologia, muitas vezes é útil rever onde uma tecnologia emergente está em seu ciclo de vida.

O Gartner alocou o Machine Learning e o Deep Learning no topo de seu Hype Cycle e prevê que "IA geral" (AI aplicada a qualquer problema de inteligência) surgirá após 2020.

A Venture Scanner mostra que cerca de dois terços do financiamento de startups de IA está em rodadas iniciais (sementes, série A e série B), indicando que muitas empresas que vendem ou comercializam soluções de IA ainda estão no início do desenvolvimento de produtos e ciclos de vendas.

A McKinsey afirma que apenas 20 por cento das empresas conscientes do potencial da IA estão adotando a tecnologia e que mais de metade dos investimentos em IA é provenientesde gigantes tecnológicos e startups versus empresas que passaram a usar a tecnologia.

Essas estatísticas devem dar a qualquer executivo de Ti ou das áreas de negócio um sinal de alerta antes de decidir por investimentos maiores em IA. Embora a IA certamente demonstre muita promessa, a aplicação comercial desses algoritmos em escala ainda é relativamente nova.

E os primeiros vencedores são grandes empresas de tecnologia e startups com talento, financiamento e paciência para experimentar novas tecnologias. A maioria das empresas usuárias simplesmente não podem se dar a esses luxos e estão apenas começando suas viagens em IA.

A Inteligência Artificial é uma tecnologia altamente disruptiva, então você não deve ignorá-la. Apenas prossiga judiciosamente e evite ficar hipnotizado pelo exagero da IA.

Por exemplo, quando a voz se torna uma interface de máquina humana melhor do que as telas e teclados, para algumas aplicações, ou quando os chatbots se tornam mais inteligentes e rápidos do que os agentes humanos de atendimento ao cliente, muitas empresas precisarão atualizar suas experiências de usuário com essas tecnologias. Então, vale mantê-las no radar, mas em ambientes controlados.

Da mesma forma, quando os algoritmos de Deep Learning melhoram na detecção de fraude, transações de risco ou ameaças de segurança, as empresas precisam estar prontas para usar essas abordagens.

E quando começarmos a extrair inteligência da linguagem falada, do áudio e do vídeo, da forma mais eficaz possível, com dados mais estruturados, o uso desses recursos proporcionará vantagens competitivas significativas para uma grande variedade de negócios.

Quando é a palavra aqui. Estamos no condicional.

A maioria das empresas deve ter como objetivo ser seguidora rápida, não early adopter precoce. Isso significa prestar atenção e até mesmo experimentar com IA nestes primeiros dias, esperando  para confiar na AI até que a tecnologia esteja suficientemente madura, comprovada e capaz de entregar em escala.

À medida que você aprender sobre as capacidades de IA, deve procurar por ferramentas e exemplos práticos para ajudar a avaliar as aplicações e sua maturidade. Exemplos:

• - A Forrester aponta nove tecnologias IA como essenciais e propõe um modelo de construção que começa com hipóteses e pesquisas e termina com três níveis de aplicação pragmática.
• - A Workday publicou seu modelo de maturidade que aplica IA à automação e informa às pessoas antes da descoberta e da transformação da aplicação. Isso faz sentido porque é mais fácil avaliar os resultados da IA quando aplicada a problemas que as pessoas já estão resolvendo.
• - Há vários exemplos da indústria, incluindo seguros , cuidados de saúde , bancos , agricultura , legislação, publicidade , construção , instituições de caridade e mídia .

O hype em torno da IA e do Machine Learning está levando alguns líderes de tecnologia e negócios a mergulhar em uma estratégia de primeira tecnologia. Se você está iniciando sua jornada e experimentando bibliotecas de aprendizado de máquina ou selecionando vendedores que estão batendo os tambores da IA, você está faltando de cumprir algumas etapas iniciais importantes.

Comece por analisar os problemas e as oportunidades de negócios com significativa vantagem para compensar os custos de pesquisa e desenvolvimento. Essas oportunidades devem ser apoiadas por conjuntos de dados muito grandes que você já possui ou que você pode adquirir e  dados que se integrem facilmente. E procure conhecer casos de sucesso.

Um dos motivos para começar com uma oportunidade de negócio definida é que você pode encontrar soluções que não exigem ter que lidar com as tecnologias mais recentes de IA. Se for necessária alguma forma de IA, essa abordagem de oportunidade de negócios permite classificar o tipo de solução e avaliar a maturidade geral da IA necessária para resolver o problema.

Por exemplo, se você estiver tentando automatizar um processo de negócio altamente manual envolvendo inspeção visual de peças que saem de uma linha de montagem, você pode optar por uma combinação de reconhecimento de imagem e automação de processos robotizados como parte do conjunto de soluções. Ambas são áreas de IA mais maduras, como evidenciado pela variedade de cases de sucesso e soluções de fornecedores nesta área.

Por outro lado, se a solução requer uma avaliação e pensamento cognitivo significativo, você está indo para um espaço de IA imaturo.

Uma maneira de avaliar a maturidade da IA é analisar as várias opções de fornecedores trabalhando com as startups de IA. Analisando essas listas, você verá que muitas startups têm soluções focadas em conjuntos discretos de problemas, em vez de soluções cognitivas generalizadas.

Não se deixe enganar quando um vendedor disser algo como: "Basta lançar seus dados na nossa IA" e esperar que a inteligência especializada seja devolvida. Isso não acontecerá.

Para realmente trabalhar, sua IA precisará de muitos dados

Isso traz o segundo pré-requisito para executar IA com sucesso: você precisa de grandes quantidades de dados relativamente limpos para treinar soluções de IA e avaliar saídas.

Uma razão pela qual os veículos autônomos são possíveis são os 4mil GBytes gerados a partir de uma hora de condução por sensores encontrados nesses carros. Isso é uma grande quantidade de dados usados ​​para tomar o que realmente são apenas um punhado de decisões fundamentais sobre se o carro deve girar, acelerar, diminuir a velocidade ou parar completamente.

Muitas soluções de IA bem sucedidas se enquadram nesta mesma categoria de grandes quantidades de dados em um número finito de decisões. No reconhecimento de imagem, por exemplo, estou olhando uma imagem que contém você, ou não? Na filtragem colaborativa, um artigo recém-publicado é mais relevante para você com base em suas experiências de leitura passadas versus outras opções de leitura? Ao avaliar uma transação, ela possui padrões semelhantes a transações fraudulentas?

A IA "dentro da caixa" está tentando aproximar uma curva para tomada de decisões. No Deep Learning, por exemplo, o número de camadas e neurônios na rede pode aproximar curvas altamente complexas para diferenciar os resultados. Para desenvolver esta rede, você precisa de um conjunto de Big Data e marcadores para que a rede possa ser treinada comparando seus resultados em relação ao resultado etiquetado com o resultado desejado. Os erros são então usados ​​para ajustar a rede usando backpropagation ou outros algoritmos de aprendizagem, e o exercício é repetido várias vezes em todos os dados marcados até que a rede se estabilize em uma curva otimizada. Estas são soluções de aprendizagem supervisionadas, desenvolvidas usando um conjunto de treinamento.

Se os dados não são marcados, as redes podem usar abordagens de aprendizagem sem supervisão que dependem de expressões de entropia que avaliem o resultado. Por exemplo, quando o Google DeepMind foi usado para aprender a jogar o jogo Atari Breakout. Ele usou a pontuação para avaliar os resultados.

Além dos conjuntos de dados, sua organização precisa de integração de dados e capacidade de automação para que você possa mover dados para dentro e fora de qualquer mecanismo de processamento de IA. Se a sua organização necessita que as pessoas executem scripts manualmente para empurrar os dados, sugiro fortemente investir primeiro na automação antes de mergulhar em soluções de AI.

Suas opções para experimentar com AI

Uma vez que você tenha oportunidades de negócios identificadas e conjuntos de dados limpos disponíveis, você está pronto para considerar o uso de IA. Essas duas etapas são pré-requisitos para preparar sua organização para Inteligência Artificial . Os principais passos a seguir são considerar os tipos de solução e de implementação de IA. Se você tem os talentos necessários, você pode experimentar o TensorFlow ou um dos outros motores de IA. Se você não tem experiência, pense duas vezes sobre tentar recrutar para isso. Os gigantes da tecnologia estão pagando enormes salários pelo talento escasso de IA , e os custos para entrar no jogo são enormes.

Uma segunda opção é usar fornecedores que incorporaram IA em suas soluções. Um exemplo é o Salesforce Einstein , uma plataforma de IA que pode executar a previsão e outras funções em cima dos dados de CRM armazenados nas soluções Salesforce. Da mesma forma, você pode analisar soluções específicas do setor, como o Neo, da Synechron,para tecnologia financeira (fintech).

Uma vez que você tenha adotado uma ou mais abordagens, é importante estabelecer expectativas realistas com as partes interessadas. Investir em IA requer um compromisso com a experimentação ágil, porque é provável que você encontre muitas faltas e experiências que exigem muitas corridas antes de serem otimizadas. Defina essas expectativas para o orçamento, o prazo e o talento, antecipadamente.

(*) Isaac Sacolick é o autor da  Driving Digital: The Leader’s Guide to Business Transformation through Technology, que abrange muitas práticas como agilidade, devol e ciência de dados que são críticas para programas de transformação digital bem-sucedidos. Sacolick é um reconhecido CIO social superior, um blogueiro de longa data em Social, Agile and Transformatio e CIO.com , e presidente da StarCIO .