Em seu 12º ano, relatório destaca ainda o movimento de descentralização da propriedade dos dados habilitando maior privacidade e personalização de informações nos dispositivos
A Thoughtworks, uma consultoria global de tecnologia que integra estratégia, design e engenharia de software para alavancar a inovação digital, lançou hoje o volume 27 do Technology Radar, um relatório semestral baseado em observações, conversas e experiências práticas da Thoughtworks ao resolver desafios de negócio complexos de clientes em todo o mundo. Embora o aprendizado de máquina (ML) exigisse em um passado recente grandes conjuntos de dados e acesso a imenso poder de computação para lidar com problemas de negócio desafiadores, o relatório observa que o crescimento e a variedade de ferramentas, aplicações e técnicas disponíveis estão permitindo que as organizações de TI façam mais com ML e em mais lugares .
À medida que o poder computacional cresce em dispositivos de todos os tamanhos e tipos e as ferramentas de código aberto se tornam mais predominantes e fáceis de usar, o ML está se tornando acessível até mesmo para as menores organizações. Em particular, com requisitos mais rigorosos e conscientização sobre privacidade e informações personalizadas, as organizações estão descobrindo que técnica como aprendizado de máquina federado fornecem maior privacidade para dados confidenciais em casos de uso móveis e de IoT. Como o ML é altamente dependente da qualidade dos dados de treinamento, o padrão de cuidados em relação vulnerabilidades e vieses inerentes aos conjuntos de dados permanece. No entanto, uma preponderância de ferramentas de código aberto está ajudando a criar transparência na forma como os algoritmos estão interpretando e agindo sobre os dados
“Uma vez limitada aos usuários mais avançados e organizações de TI com recursos avançados, a ampla disponibilidade de modelos e componentes de ML mais fáceis de usar está ajudando a reduzir as barreiras de entrada e tornando as experiências e soluções de ML acessíveis a ainda mais organizações”, afirma a dra. Rebecca Parsons, diretora de tecnologia da Thoughtworks. “Aconselha-se que as organizações também estejam abertas a casos de uso mais pragmáticos, nos quais o ML possa ser aplicado a operações, produtos e serviços para maior eficiência, e não apenas aos aplicativos mais revolucionários”.
Os temas em destaque no Technology Radar Vol. 27 incluem:
- A popularização do aprendizado de máquina: Em pouco mais de uma década, o aprendizado de máquina passou de uma técnica altamente especializada para algo que quase qualquer pessoa com dados e poder computacional pode fazer. Isso deve ser bem-vindo – mas continua sendo essencial que a indústria consiga navegar tanto pela proliferação de ferramentas e frameworks neste espaço, quanto pelas questões éticas que estão se tornando cada vez mais óbvias e urgentes.
- O poder das plataformas como produto: Uma plataforma pode ser algo poderoso, principalmente quando se trata de habilitar pessoas desenvolvedoras. No entanto, muitas vezes vemos resultados decepcionantes quando não são tratadas adequadamente como produtos — é importante que as plataformas sejam construídas e mantidas de uma maneira que responda e aborde as necessidades das equipes técnicas e da organização como um todo.
- Movendo a propriedade dos dados para as bordas: Quando se trata de dados, a centralização pode ser restritiva. Novas técnicas e ferramentas, no entanto, estão ajudando a superar os desafios da centralização, oferecendo vantagens do ponto de vista tanto técnico quanto de privacidade.
- O desenvolvimento móvel também deve ser modular: Os benefícios da modularidade são bem conhecidos, mas, por vários motivos, não foram tão aproveitados no desenvolvimento móvel. Isso está começando a mudar. Acreditamos que a adoção de uma abordagem modular para dispositivos móveis melhorará não apenas a qualidade dos aplicativos móveis, como também a experiência de construí-los.
Visite www.thoughtworks.com/radar para explorar a versão interativa do Radar ou baixar a versão em PDF.