Um dos principais motores por trás da rápida inovação e dos avanços em ciência de dados foi a popularização de ferramentas open source centradas em código. Isso permitiu que cientistas de dados e engenheiros de software criassem abstrações poderosas que facilitam muito a análise de dados.
Por exemplo, pacotes do R como dplyr e tidymodels permitem manipular dados e construir modelos sofisticados de machine learning com poucas linhas de código. Da mesma forma, bibliotecas do Python como tensorflow e pytorch possibilitam que qualquer pessoa crie um modelo de deep learning com pouco esforço.
Embora as ferramentas orientadas por código tenham atendido bem ao trabalho com dados, o futuro será muito mais amplo e incluirá interfaces gráficas (GUIs) que vão permitir que um público maior entre no mundo da ciência de dados usando recursos de apontar e clicar. Isso não significa, de forma alguma, o fim do cientista de dados que programa. Assim como na Revolução Industrial, esse movimento permitirá que quem codifica direcione o foco para problemas mais complexos e para a construção de interfaces que resolvam esses desafios, deixando o trabalho específico de domínio para os especialistas. Isso já acontece em diferentes frentes do trabalho com dados: analytics descritiva, preditiva e prescritiva.
Analytics descritiva ficou acessível com business intelligence
A analytics descritiva se tornou acessível para um público mais amplo graças às ferramentas de business intelligence (BI) de arrastar e soltar que hoje estão em todo lugar. Basta olhar para a aquisição de US$ 2,6 bilhões da Looker, uma ferramenta de BI muito popular, pelo Google. No mesmo ano, a Salesforce concluiu a compra da Tableau, outra ferramenta de BI bastante usada. A Microsoft investiu na sua própria solução, o Power BI. (A DataCamp oferece cursos tanto de Tableau quanto de Power BI.)
Ferramentas de business intelligence tornam a descoberta de dados acessível para todos os níveis de habilidade — não só para profissionais de analytics avançada. Elas são uma das formas mais simples de trabalhar com dados, reunindo informações em um só lugar, ajudando a entender o que realmente move a agulha, prever resultados e muito mais.
Como interfaces de arrastar e soltar reduzem a barreira de entrada para analytics preditiva e prescritiva
A democratização do trabalho com dados está evoluindo para incluir também analytics preditiva e prescritiva. Por exemplo, a Alteryx é uma empresa avaliada em 10 bilhões de dólares que oferece uma plataforma de ciência de dados de arrastar e soltar, permitindo que analistas de negócios manipulem dados e construam modelos preditivos por meio de uma interface visual.
O Google vem investindo pesado no AutoML, que torna a "IA tão simples quanto arrastar e soltar". E vemos que a Microsoft também está entrando nesse espaço:
Acima está um exemplo de um modelo básico de regressão com um pipeline de dados. Dá para ver o fluxo de dados passando de retângulo em retângulo. Primeiro os dados são ingeridos, depois colunas são selecionadas, em seguida os dados são limpos e, por fim, o modelo faz o split e treina os dados.
Há muitos casos de uso possíveis para machine learning com arrastar e soltar. Dá para reformular a pergunta assim: que tipo de profissional dentro de uma organização gostaria de usar ferramentas de ML sem precisar programar? Talvez o time de customer success queira modelar churn de clientes. Eles conseguirão fazer isso com ferramentas automatizadas e visuais, sem precisar escrever modelos e códigos novos sempre que chegar um cliente novo. Da mesma forma, seu Chief People Officer e o time de RH tendem a usar cada vez mais modelos automatizados de machine learning em fluxos de contratação, incluindo a triagem de currículos (já já falamos dos riscos disso). E seu time de marketing pode se interessar por essas ferramentas para otimizar o funil, algo que mudou com a chegada do ML na compra programática de mídia. Outro exemplo importante é a otimização da cadeia de suprimentos, que pode reduzir bastante custos na organização e costuma ser um ganho relativamente fácil.
Essa tendência também aparece em áreas complexas como deep learning. A Lobe, por exemplo, é uma startup que torna o deep learning acessível para todos, permitindo criar modelos via GUI. A Lobe foi adquirida pela Microsoft antes mesmo de sair do beta, o que mostra a importância das GUIs na construção do futuro.
Outro exemplo é um mecanismo de busca por imagens criado pelo Google que permite a médicos explorar previsões de modelos e ajustá-las com inteligência humana. Ao abrir a caixa‑preta e complementar modelos de ML com o olhar humano, ferramentas assim podem aumentar a adoção com grande impacto.
Vamos ver mais interfaces de arrastar e soltar reduzindo a barreira de entrada. Isso vai nos ajudar a decidir melhor que tipos de ferramentas vale construir internamente e quais faz mais sentido contratar de fornecedores.
Marketplaces de algoritmos permitem que não programadores comprem modelos
Deveremos ver cada vez mais marketplaces para esses produtos de ML. O Modzy, da Booz Allen, é um marketplace de apontar e clicar em que você pode comprar modelos criados por terceiros para incorporar ao seu stack de tecnologia.
Há riscos em permitir que pessoas que não programam e não são estatísticos usem essas ferramentas. É fundamental garantir que todos conheçam os riscos inerentes e saibam como mitigá-los. Cada vez mais, o avanço de produto em ferramentas de apontar e clicar deve focar em ajudar as pessoas a reconhecer quando recebem resultados enviesados — e a não aceitá-los sem questionar.
Atenção à zona de risco do ML de arrastar e soltar
Um jogo educativo interessante do Mozilla Labs é o Survival of the Best Fit, sobre vieses em contratações com IA. Você assume o papel de um CEO que tenta escalar o processo de recrutamento com uma ferramenta automatizada — e vê como as práticas começam a dar errado.
Recapitulando
Vamos ver mais trabalho com dados sendo feito em GUIs, por meio de interfaces de arrastar e soltar e de apontar e clicar. O espaço está cada vez mais competitivo, com investimentos pesados de players como Google e Microsoft — e muito mais por vir. E mesmo que hoje boa parte do seu trabalho de ciência de dados seja feito internamente, cada vez mais atividades estão migrando para fornecedores. Isso exige educação ampla sobre riscos e consequências na adoção de IA.
Chamada para ação
Anote quanto do trabalho do dia a dia na sua organização hoje acontece por código. Você pode medir em horas de pessoas ou em custo real para a empresa. Depois, calcule quanto acontece em GUIs, com apontar e clicar e arrastar e soltar. Como você enxerga essa proporção mudando nos próximos 24 meses?
Saiba mais sobre como construir seu programa de dados para o futuro do trabalho em The Definitive Guide to Machine Learning for Business Leaders.
