O que impulsiona a inovação em analytics e IA?

A interoperabilidade de plataformas pode aumentar a inteligência analítica. É o que mostra o e-book "Drive Analytic Innovation Through SAS® and Open Source Integration", um guia prático assinado pelo SAS. A oferta de softwares de código aberto e modelos comerciais está em expansão. Por que não aproveitar esse momento?

Combinar o melhor de cada opção parece mais do que suficiente. Mas existem obstáculos no caminho. Embora a evolução das práticas tecnológicas tenha acelerado a adoção da inteligência artificial (IA), o volume de dados também continua aumentando. Por consequência, as organizações estão diante de um ecossistema de navegabilidade complexa.

O desafio é construir e operacionalizar a IA em escala. Isso significa mover os modelos de analytics do laboratório de inovação para o ambiente de produção. É assim que se aprimora a tomada de decisão, enriquecendo o inventário de ativos das companhias.

Avanço difícil

A construção de modelos sofisticados e experimentação de sistemas está cada vez mais acessível. Apesar disso, alguns fatores aumentam o custo da anexação de plataformas e diminuem o ritmo da inovação. Em sua publicação digital, o SAS destaca quatro necessidades para aprimorar os resultados dos negócios.

Dados: o desabamento dos muros que separam as áreas de negócios, TI e analytics é urgente. Para atingir resultados melhores, é preciso remodelar a arquitetura da organização, além de implementar as técnicas certas.

Tecnologia: transformar informações em resultados de negócio requer celeridade. Quanto mais tempo despendido na consolidação do modelo, maior é a chance de levar dados ultrapassados para a etapa de análise.

Processos: documentação, linhagem, rastreabilidade, controle de versão, explicação. Nada disso é menos importante. Permitir a visualização das etapas do desenvolvimento analítico aumenta as chances de sucesso.

Pessoas: os cientistas de dados precisam de liberdade de experimentação. Acesso às ferramentas adequadas também é fundamental. Ao atualizar a tecnologia com frequência, sobra mais tempo para extrair valor dela.

Integração como fator de sucesso

A ciência de dados evoluiu. Tanto em qualidade quanto em quantidade. Hoje, o ecossistema analítico contempla linguagens como SAS, Python, R, desenvolvimento integrado de ambiente, tecnologias de implantação, máquinas virtuais, Kubernetes e mais. Não faltam opções.

Por outro lado, a abundância possui um efeito colateral: dificultar o dimensionamento da análise. A integração de softwares de código aberto e outros — como SAS Viya — resolve esse problema. Isso porque o arsenal tecnológico das empresas precisa de interoperabilidade.

Desencadear a integração permite a construção de modelos melhores, mais rápido. Também conduz à escalabilidade e aumenta a colaboração entre equipes. Outra vantagem é a redução de custos operacionais. A integração centraliza a governança analítica e gestão de modelos, tornando viável a decisão em tempo real.

O que os cientistas de dados ganham com isso

Transformar dados brutos em insights operacionais é uma ambição compartilhada pela maioria dos profissionais. Ainda assim, o mais importante é equilibrar a necessidade de automação com a geração de dados confiáveis. A integração facilita o balanceamento dessa equação.

Conforme o livro digital do SAS, unificar tecnologias díspares, conjuntos de habilidades e processos com capacidades ponta a ponta leva a melhores insights de negócios. Como resultado, os colaboradores envolvidos no gerenciamento de dados tendem a ser reconhecidos como inovadores pela organização — e uma peça central para o seu crescimento.

Entre os prós da integração, há a possibilidade de garantir a explicabilidade dos projetos de data science por meio de relatórios com base em linguagem natural. Além disso, combinar os benefícios de cada sistema de tecnologia para o desenvolvimento e a implantação de modelos permite a tangibilização do valor obtido através das aplicações comerciais de open source.

O ciclo de vida analítico é iterativo e interativo

Existem dois caminhos para integração: do código aberto para o SAS e do SAS para código aberto. A vantagem é que os usuários podem trabalhar em conjunto independentemente da abordagem adotada. Dessa forma, é possível compartilhar as informações com toda a empresa.

Colaboradores com formações e habilidades diferentes devem estar envolvidos em vários estágios do processo. Para obter melhores resultados, as organizações precisam colocar as pessoas com as habilidades certas em campo e permitir que elas trabalhem juntas.

A integração pode ocorrer em qualquer ponto do ciclo de vida analítico (veja as etapas abaixo, segundo a SAS). Construir e importar modelos a despeito do idioma depende da intenção do negócio. Nada mais. Essa flexibilidade permite publicar modelos em uma variedade de motores de SAS e open source para processamento em batch, single call ou stream.

Ciclo de vida analítico:

1. Construir um modelo.

2. Aprimorar um modelo.

3. Comparar com outros modelos.

4. Testar, validar e monitorar a performance do modelo.

5. Implantar o melhor modelo.