O Machine Learning Operations (MLOps) tornou-se um componente crítico para o sucesso e a escalabilidade de projetos de inteligência artificial nas empresas. Em sua essência, o MLOps trata da padronização e da otimização do gerenciamento do ciclo de vida dos modelos de machine learning, mitigando riscos e garantindo ganhos de escala. No entanto, um mito comum é acreditar que as operações de ML são um território exclusivo de cientistas de dados e de equipes de TI.
De acordo com o livro Introducing MLOps: How to Scale Machine Learning in the Enterprise, escrito por Mark Treveil e a equipe da Dataiku, o sucesso dessas operações depende fundamentalmente de um esforço colaborativo que inclui a participação ativa de especialistas do negócio, ou Subject Matter Experts (SMEs). O ciclo de vida de um modelo de ML começa e termina com esses profissionais da indústria. Sem o profundo conhecimento do negócio, as equipes de dados correm o risco de construir soluções técnicas perfeitas, mas que não geram valor real à organização.
Abaixo, exploramos uma visão geral de como os usuários de negócios e profissionais da indústria podem colaborar com o MLOps, destacando as atividades fundamentais nos níveis em que sua participação é mais relevante.
Nível 1
Definição do problema e modelagem de decisões.
A primeira e mais importante contribuição do profissional da indústria ocorre logo na concepção do projeto. Os especialistas de negócios devem iniciar o ciclo com objetivos claramente definidos, perguntas de negócios estratégicas e indicadores-chave de desempenho (KPIs) que desejam alcançar.
Uma atividade fundamental que os profissionais podem adotar neste nível é a "modelagem de decisões de negócios" (business decision modeling). Esta prática cria um plano ou uma arquitetura para a tomada de decisões na empresa, permitindo que os especialistas estruturem e descrevam ativamente as suas necessidades. A adoção dessa prática coloca o Machine Learning em um contexto de negócios realista, permitindo que os modelos sejam perfeitamente integrados às regras da empresa e que as equipes técnicas compreendam o impacto prático de seu trabalho.
Nível 2
Descoberta e contextualização de dados.
Embora não sejam os responsáveis por construir os pipelines de dados, os profissionais da indústria desempenham um papel crucial ao lado dos engenheiros de dados. Eles colaboram ativamente para identificar quais são os conjuntos de dados corretos e mais relevantes para o projeto em questão. O discernimento do especialista é vital na fase de "análise exploratória", pois anomalias ou padrões nos dados (como o comportamento dos sensores em uma máquina industrial) muitas vezes só podem ser corretamente interpretados por quem possui conhecimento de domínio sobre o equipamento ou o processo.
Nível 3
Monitoramento de negócios e o ciclo de feedback.
Muitas empresas acreditam que o trabalho do especialista termina quando o modelo vai para a produção, mas é justamente aí que ele se torna indispensável. Para avaliar se um modelo está funcionando bem, as métricas estatísticas tradicionais (como acurácia e precisão) não são suficientes.
Por exemplo: um cientista de dados pode criar um modelo de previsão de cancelamento de clientes (churn) com altíssima precisão técnica; contudo, se a equipe de marketing não conseguir utilizar esses alertas para realmente evitar que os clientes cancelem o serviço, do ponto de vista prático, o modelo falhou. A atividade do profissional da indústria aqui é atuar no ciclo de feedback: o MLOps deve fornecer meios simples para que os usuários de negócios analisem os resultados e relatem à equipe técnica sempre que o desempenho do modelo não estiver alinhado à realidade e às expectativas operacionais.
Nível 4
IA responsável, governança e mitigação de vieses.
O princípio da "IA responsável" exige que os sistemas façam o que se propõem a fazer, mas também de forma ética, justa e explicável. A inteligência artificial carece de capacidade para fazer julgamentos morais sutis. É por isso que o conceito de "Inclusividade" e o "Humano no Ciclo" (Human-in-the-loop) são essenciais no MLOps.
A participação rica da indústria neste nível envolve a assinatura e a validação de processos, bem como a avaliação ativa dos resultados, para garantir que o modelo não introduza discriminação ou vieses. Os especialistas ajudam a confirmar se o impacto de um modelo é ético e aplicável ao mundo real, evitando, por exemplo, que sistemas rejeitem candidatos de forma preconceituosa com base em dados históricos enviesados. Reunir a perspectiva de analistas de negócios, especialistas no assunto, gerentes de risco e cientistas de dados é a melhor maneira de reduzir os pontos cegos graves de um projeto de ML.
Conclusão
A colaboração entre especialistas do negócio e equipes técnicas, por meio de sistemas de MLOps, não é apenas desejável; é um requisito de sobrevivência para modelos em produção. Os profissionais da indústria não precisam saber programar algoritmos, mas devem liderar a definição de metas, validar dados no contexto, avaliar retornos práticos e garantir o uso ético da inteligência artificial.
Referências Bibliográficas
Treveil, M., & the Dataiku Team. (2020). Introducing MLOps: How to Scale Machine Learning in the Enterprise. O'Reilly Media, Inc.
Gostou? Então compartilhe:
