O segredo da Inteligência Artificial são as pessoas

Competir na era da IA ​​não significa ser impulsionado pela tecnologia em si. É também uma questão de novas estruturas organizacionais que usam a tecnologia para trazer à tona o que há de melhor nas pessoas. E uma tendência que vem crescendo em todo o mundo é a do cientista de dados cidadão.

Daqui para frente, o conjunto de habilidades conhecido coletivamente como ciência de dados será suportado por uma nova geração de especialistas em negócios experientes em dados e especialistas no assunto que são capazes de imbuir a análise com seu profundo conhecimento de domínio, independentemente de saberem codificar ou não.

É claro que a maioria dos Cientistas de Dados olha para isso com certo desdém. Não deveriam. Em 2024, 80% dos produtos e serviços de tecnologia serão desenvolvidos por aqueles que não são profissionais de tecnologia, de acordo com o Gartner. Aos profissionais de tecnologia caberá o desenvolvimento de produtos mais sofisticados.

CADASTRE-SE GRÁTIS PARA ACESSAR 5 CONTEÚDOS MENSAIS

Já recebe a newsletter? Ative seu acesso

Ao cadastrar-se você declara que está de acordo
com nossos Termos de Uso e Privacidade.

Cadastrar

Há quem diga que todo o trabalho básico de análise de dados será substituído por IA ou software automatizado. Mas o trabalho avançado que envolve coleta / limpeza / armazenamento / conhecimento de domínio especial de dados ainda dependerá dos Cientistas de Dados. Mas o crescimento em dados digitais, ferramentas de desenvolvimento low code e o desenvolvimento auxiliado por IA estão entre os muitos fatores que permitirão a democratização da própria IA.

De acordo com o Gartner, um cientista de dados cidadão é uma pessoa que cria ou gera modelos que alavancam análises preditivas ou prescritivas, mas cuja função principal de trabalho está fora do campo de estatísticas e análises. Um diretor de marketing, por exemplo, pode ocupar o cargo de um Citizen Data Scientist  (CDS) no seu próprio setor, desempenhando funções da área com o auxílio da manipulação correta de dados para a tomada de melhores decisões.

Algumas organizações já estão adotando essa abordagem para obter vantagem competitiva. Mas ainda são exceção.  A complexidade das metodologias, a importância crescente do aprendizado de máquina e a escala total dos conjuntos de dados tornam tentador para os líderes seniores “deixarem a IA e a Ciência de Dados para os especialistas”. Mas isso também é um erro. A análise de dados avançada é um assunto de negócios. Significa que o CEO e outros executivos de alto escalão devem ser capazes de articular claramente seu propósito e, em seguida, traduzi-lo em ação – não apenas em um departamento de análise, mas em toda a organização onde os insights serão usados.

“A maior dificuldade que as organizações enfrentam é a falta de clareza das responsabilidades de um cientista de dados cidadão”, disse Anirudh Ganeshan, analista da consultoria. “Essa imprecisão cria hostilidades entre as funções de especialista e cidadão e impede a colaboração e comunicação saudáveis.”

Para que os cientistas de dados de cidadãos tenham sucesso, as lideranças de dados e análises devem habilitar, encorajar e promover o papel como uma abordagem legítima para o trabalho com Ciência de Dados. E isso passa por quatro ações principais, segundo o Gartner.

1. Construir um ecossistema de Ciência de Dados Cidadã, abrangente, que inclua pessoas, ferramentas, dados e processos. Uma suposição superficial de que os cientistas de dados de cidadãos têm o conhecimento e as habilidades necessárias para acessar, transformar e investigar dados para conduzir análises robustas e avançadas é inútil. Um programa de alfabetização de dados é essencial para que os cientistas de dados cidadãos acessem, usem e entendam os dados com os quais vão trabalhar.

“Os cientistas de dados do cidadãos não devem trabalhar isoladamente”, diz Ganeshan.

Funções complementares, como tradutores de negócios, desenvolvedores, engenheiros de dados e arquitetos de aprendizado de máquina, podem ajudar os cientistas de dados cidadãos a preencher as lacunas de habilidades de que precisam.

Além de uma comunidade de analítica vibrante que consiste em várias funções complementares, processos eficientes que permitam o fluxo uniforme de criação e a publicação de conteúdo analítico devem ser configurados.

2. Adicionar recursos que permitam análises aumentadas.  As organizações devem considerar a adição incremental de recursos que estendem as ferramentas analíticas já em uso, em vez de uma abordagem “big bang”. Isso significa que as lideranças de dados e análise precisam fornecer extensões às ferramentas existentes usadas por cientistas de dados de cidadãos e não sobrecarregá-los com ferramentas inteiramente novas.

A primeira etapa é conduzir uma análise holística das ferramentas e recursos existentes que os cientistas de dados de cidadãos usam e identificar lacunas. Essas ferramentas precisam complementar recursos como narrativa de dados, preparação de dados, consulta direta usando consulta de linguagem natural, operacionalização de modelos analíticos e assim por diante.

Soluções de gerenciamento de metadados, como catálogos de dados  ou ferramentas de relatório de dados de autoatendimento, podem ajudar os cientistas de dados de cidadãos suas tarefas. As lideranças de dados e análises podem adicioná-los ao kit de ferramentas existente para a Ciência de Dados Cidadã.

Outras ferramentas relevantes são:

• Aprendizado de máquina automatizado (AutoML): as soluções de AutoML podem automatizar tarefas manuais e repetitivas de aprendizado de máquina para capacitar cientistas de dados de cidadãos. As tarefas de ML que as ferramentas do AutoML podem automatizar são
  • Pré-processamento de dados
  • Engenharia de recursos
  • Extração de recursos
  • Seleção de recursos
  • Seleção de algoritmo e otimização de hiperparâmetros.

• Análise aumentada / análise dirigida por IA :  análises conduzidas por ML, em que as ferramentas extraem insights de dados em duas formas:
  • Orientado por pesquisa: o software retorna com resultados em vários formatos (relatórios, painéis, etc.) para responder às consultas dos cientistas de dados dos cidadãos
  • Gerado automaticamente: os algoritmos de ML identificam padrões para automatizar a geração de insights.

• Soluções sem código / baixo código e RPA  minimizam a codificação com interfaces de arrastar e soltar que ajudam os desenvolvedores cidadãos a colocar os modelos que preparam na produção.

3. Iniciar projetos que envolvam Ciência de Dados Cidadã. Eles são oportunidades para os cientistas de dados de cidadãos exibirem valor agregado imediato à estratégia de dados e análise de suas organizações. Por exemplo, as lideranças de dados e análises podem começar identificando os processos existentes na organização que exigem tomadas de decisão repetitivas. Os cientistas de dados do cidadãos podem ser aproveitados para executar tarefas repetitivas e redundantes no fluxo de trabalho analítico e, portanto, criar valor para a organização, permitindo que os cientistas de dados especialistas se concentrem em tarefas mais complexas.

Ao escolher projetos de extensão de negócios para cientistas de dados de cidadãos, as lideranças de dados e análises precisam manter quatro coisas em mente:

• Priorizar projetos que abordem oportunidades conhecidas e com escopo relacionado a processos de negócios ou produtos existentes.
• Comunicar e compartilhar os modelos desenvolvidos, bem como os resultados analíticos.
• Evitar a criação de trabalho de prateleira – utilizar o que for criado.
• Introduzir projetos transformacionais na mistura, trabalhando em estreita colaboração com cientistas de dados especialistas.

4. Construir canais de colaboração entre cientistas de dados de cidadãos e cientistas de dados especialistas. Cientistas de dados de cidadãos não podem substituir cientistas de dados especialistas; eles são um complemento às funções analíticas existentes.

“Os cientistas de dados cidadãos não devem aproveitar as plataformas de ciência de dados de autoatendimento de maneira isolada. Em vez disso, eles devem participar do processo de desenvolvimento com o cientista de dados especialista que será responsável por validar esses modelos antes de colocá-los em produção ”, diz Ganeshan.

Os líderes de dados e análise precisam se concentrar em construir e permitir a comunicação e a colaboração em todo o processo analítico e envolver as funções de especialista e cidadão na definição do processo e abordagem colaborativos.

Por ser uma função plástica e moldável conforme a necessidade, a atribuição do cientista de dados cidadão não pode ser confundida com a dos cientistas de dados especialistas: os profissionais de Ciência de Dados Cidadã não são aqueles que executam o processo ponta a ponta. Ou seja, o processo de desenvolvimento analítico e o treinamento e uso de algoritmos e modelos fica a cargo da pessoa especializada em Ciência de Dados.

Cientistas de dados do cidadão podem fornecer conhecimento de domínio de negócios e indústria que muitos especialistas em ciência de dados não possuem. Sua experiência de negócios e consciência das prioridades de negócios permitem que eles integrem efetivamente a produção de Ciência de Dados e Machine Learning aos processos de negócios.

Treinamento e testes também entram na equação

Embora o conhecimento dos cientistas de dados dos cidadãos sobre os negócios seja vantajoso para os negócios, sua inexperiência em ciência de dados torna os projetos sujeitos a erros. Cientistas de dados de cidadãos podem ser treinados nas seguintes áreas:

• Uso de ferramentas de BI / autoML para máxima eficiência
• Treinamento de segurança de dados para manter a conformidade de dados
• Detectar vieses de IA e criar padrões para modelo de confiança e transparência para que cientistas de dados de cidadãos possam estabelecer sistemas de  IA explicáveis ​​(XAI).

Trabalhar com sandboxes – ambiente de teste de software, que incluem dados sintéticos e que não estão conectados a ambientes de produção – também é uma boa prática que pode ajudar os cientistas de dados cidadãos a testar rapidamente seus modelos antes de colocá-los em produção.

Interessado?

Se você deseja uma carreira em ciência de dados, mas não pode voltar à escola para obter um diploma avançado, um emprego em uma função de cientista de dados cidadão pode ser uma escolha perfeita e uma certificação pode ser o treinamento ideal. No entanto, existem vários caminhos diferentes que você pode seguir, e isso dependerá se você já está trabalhando com um empregador que deseja que você renove ou se está se posicionando para uma carreira totalmente nova.

• inteligência artificial