Projetos de Machine Learning nem sempre são a melhor escolha. Adote se for preciso, mas não por modismo apenas.
Com o hype do ChatGPT, vemos as pressões em cima dos CIOs para criarem apressadamente soluções com IA. Os conselhos e os CEOs pressionam para que suas empresas implementem urgentemente soluções baseadas em ChatGPT em seus negócios. E aqueles projetos de Machine Learning, engavetados por falta de budget, começam ser desengavetados de forma febril e acelerada. E outros novos, aparecem a cada instante.
Mas esse interesse súbito por projetos de ML/IA pode fazer com que muitos naufraguem. É bom dar uma boa respirada, um passo para trás e fazer uma análise sensata e não emocional do que ML pode ou não pode fazer por você.
Na verdade, você nem sempre precisa de ML. Muitas vezes a implementação de ML não é necessária, pelo menos por enquanto ou não é necessário mesmo. Mas, se as circunstâncias se alinharem, em colaboração (leia-se engajamento) com os usuários, podemos criar soluções de ML que sejam realmente muito úteis para a organização.
Um projeto inadequado, apressado e desnecessário de ML pode causar um grande ônus para uma empresa. Só porque o mercado está falando disso e o CEO do seu concorrente deu uma entrevista dizendo que está usando massivamente ML e sistemas de “generative AI” como o ChatGPT, não significa que você deva cair no efeito FOMO (FOMO, sigla que vem da expressão em inglês “fear of missing out”, que traduzida para o português significa “medo de ficar de fora”).
Aqui estão 8 dicas para analisar quando pensando em projetos de ML:
1. Você precisar de uma decisão explicável a ser tomada em cada etapa. Por exemplo, se o algoritmo rejeitar o pedido de crédito de um cliente e ele perguntar por que isso aconteceu, você não conseguirá dar uma resposta definitiva, prejudicando seu relacionamento com ele.
2. Quando um falso positivo tem consequências graves, o sistema de ML pode não valer o risco. Falsos positivos não são incomuns em ML, embora possam ter resultados problemáticos se usados em ambientes de alto risco. Na detecção de fraudes, um falso positivo pode rotular uma transação legítima como fraudulenta, levando ao bloqueio da conta de um cliente. Ou um falso positivo no diagnóstico de um câncer pode gerar resultados catastróficos.
3. Quando o problema for solucionável com programação tradicional.
4. Quando envolver sérias questões éticas ou legais. O fato de podermos fazer alguma coisa com ML, não significa que devemos.
5. Projetos com restrições de tempo. Treinamento de algoritmos tende a ser demorado. Chegar aos níveis de assertividade desejado custam tempo e dinheiro. E após entrar em produção, ele começa a degradar e deve ser continuamente monitorado e atualizado.
6. Dados de má qualidade, inexistentes e incompletos. Ou ainda muito caros de serem obtidos.
7. Não esqueça que o que importa para o negócio é o resultado do modelo e não sua complexidade. Faça o modelo mais simples que possa trazer resultados tangíveis.
8. Analise a necessidade e os custos de retreinamento sistemático do modelo.
Portanto, seja cauteloso. Adote ML quando for realmente necessário e não por que é modismo. Não use ML quando a solução for determinística. [Webinsider]
. . .
Ferramenta Nightshade protege imagens da inteligência artificial
