IoT e IA: entenda por que a nuvem é fundamental?

IoT e IA: entenda por que a nuvem é fundamental

Muitos especialistas talvez ainda acreditem que a Internet das Coisas (IoT) e o cloud computing não possuem relação significativa entre si. No entanto, temos muitas razões para crer que o cloud computing é um verdadeiro combustível para inovação e, consequentemente, para a IoT.

Em apenas uma década, a computação em nuvem teve início de forma marcante na rotina das pessoas, mudando a maneira como as empresas executam suas tarefas e como traçam suas estratégias. Ela trouxe consigo um mercado em expansão no mundo inteiro, abrindo um leque de oportunidades e mostrando como os negócios podem ser mais rápidos, ágeis e econômicos para atender as necessidades dos consumidores.

Enquanto muitos só pensam na nuvem com relação à servidores e armazenamento, ela vem oferecendo uma infinidade de novos recursos que estão revolucionando a tecnologia. Estas características da nuvem marcam a arquitetura da IoT e, por isso, estão rapidamente expandindo e impulsionando a inovação nesta indústria.

Para se ter uma ideia da ascensão desse mercado, um estudo realizado no setor de B2B, pela empresa de pesquisa norte-americana Clutch, com 283 profissionais de TI, apontou que uma em quatro empresas que fazem uso de tecnologia na nuvem já usam recursos de IoT.

 

A nuvem que preenche lacunas

Um dos primeiros espaços ocupados pela nuvem e que é muito utilizado por IoT é a inteligência artificial, sempre voltada para tarefas que incluem frequentemente a tomada de decisão, percepção e análise complexa. Os atuais avanços da indústria de cloud computing permitiram à inteligência artificial evoluir para o uso diário com maior poder de computação e armazenamento de dados.

Outro espaço comum preenchido pela nuvem diz respeito a quantidade de informações recebidas e processadas em tempo real. A nuvem oferece plataformas sofisticadas de Big Data e Analytics, que auxiliam aplicações de IoT a descobrirem informações e insights entre dados que aparentemente não tem relação.

Previsões da IDC afirmam que o ecossistema de IoT movimentará US$ 13 bilhões até 2020, com cerca de 212 bilhões de “coisas” conectadas à internet, no país. E para que tudo isso seja possível de acontecer, o investimento em cloud computing é essencial.

 

IoT e IA são mais populares entre as empresas do que se imagina

O uso significativo de recursos para IoT e Inteligência Artificial nas companhias de todos os portes indica que ambos não são uma coisa passageira em cloud computing.

Há inúmeros exemplos que comprovam essa realidade. Na área da saúde, por exemplo, a internet das coisas já vem sendo usada para monitorar os pacientes por meio de wearables (dispositivos vestíveis). Esses dispositivos são capazes de transmitir dados sobre o tratamento de portadores de doenças crônicas, como diabetes, hipertensão arterial e outras doenças que exigem acompanhamento constante. Isso não é mais uma novidade. É cotidiano.

Outro exemplo está entre companhias elétricas. O uso de IoT para monitoramento de desgaste de componentes ajuda a cortar custos de manutenção e operação, além de identificar potenciais falhas de equipamento antes que quebrem completamente. Por exemplo, se uma lâmpada queima em uma via pública, o centro de operações pode ser avisado no mesmo instante.

Na agricultura, sensores podem monitorar a temperatura do ar, do solo, a velocidade do vento, umidade, umidade das folhas e coloração das frutas. Compartilhando as informações de agricultores do mundo todo, sistemas de inteligência artificial podem tomar ações para melhorar os rendimentos do produtor.

Neste cenário, não há ficção científica ou especulação. Cloud computing e as novas tecnologias estão intimamente ligados e vai permitir que empresas se reinventem.

A revolução causada pelos smartphones não será nada perto dessa nova fase que está iniciando.

 

Machine learning e Inteligência Artificial 5 dicas na visão de um desenvolvedor.

  1. Qual é o primeiro passo para um desenvolvedor iniciar em Inteligência Artificial e Machine Learning?

Estudar. É importante compreender fundamentalmente os algoritmos que você estará usando, caso contrário, cada método de Machine Learning é uma caixa preta. Então tente fazer projetos ML, como competições Kaggle, onde você tem uma definição clara do que você está tentando aprender – como um algoritmo específico ou kit de ferramentas. Você vai falhar, muitas vezes, mas é assim que melhor aprender ML técnicas.

 

  1. Quais são os principais processos de criação para o Machine Learning?

O primeiro e mais importante passo é entender o problema que você está tentando resolver. Quais são as entradas e saídas desejadas? Quais são os dados? Completamente compreender os dados, antes de experimentar com algoritmos. Caso contrário, você pode ter nenhuma confiança realista na qualidade do resultado ou confiabilidade. Você provavelmente também precisará pré-processar e transformar os dados, e talvez obter mais dados. O próximo passo no processo ML é considerar os algoritmos e métodos que você tem à sua disposição. Para os algoritmos que são adequados para o seu problema e dados, existem muitos critérios a considerar, tais como fiabilidade, eficiência, escalabilidade, e assim por diante.

 

Os principais pontos são:

  • Defina o problema;
  • Analisar e preparar os dados;
  • Selecionar algoritmos;
  • Execute e avalie os algoritmos;
  • Melhore os resultados com experimentos focalizados;
  • Finalizar resultados com ajuste fino.

 

  1. Quais são as melhores ferramentas ou plataformas de machine learning para desenvolvedores?

Isso realmente depende de quais problemas você está tentando resolver, especificamente os dados que você está lidando. Dito isto, open-source reina supremo. Existem muitos kits de ferramentas de alta qualidade e de código aberto para aprendizado de máquinas para que os desenvolvedores aproveitem e as comunidades são ativas e úteis. No mundo Python, eu realmente gosto Scikit-learn para a sua ampla gama de aprendizagem de máquinas e ferramentas de análise de dados. Pela mesma razão que eu gosto mlpack para C + + desenvolvedores. O NLTK é um go to para métodos e dados de processamento de linguagem natural (PNL), embora os pacotes de aprendizagem profunda implementem algoritmos de PNL de alta qualidade. Se você está tentando fazer análises de streaming, NuPIC é melhor. É o estado da arte da AI, com um incrível repositório e comunidade, e implementado em Python, C ++, Java e Flink. Especificamente para aprendizagem profunda, estamos vendo um monte de estruturas boas e rápidas: confira Theano, Neon ou TensorFlow do Google. Em Java, eu recomendo altamente deeplearning4j.  É aprendizagem profunda de ferramentas de machine learning, escrito por alguns engenheiros muito espertos. 🙂

 

  1. Qual seria atualmente a linguagem de programação recomendada para ML para desenvolvedores?

Python, sem dúvida. A maioria dos kits de ferramentas de aprendizado e análise de dados estão em Python e tem uma comunidade enorme e útil. Os métodos avançados, como HTM e aprendizagem profunda são muitas vezes implementados em Python.

 

  1. Como o machine learning é diferente da machine intelligence?

ML está construindo sistemas de software que visam melhorar com experiência. Algoritmos de ML executam tarefas específicas e estreitas, como jogar um determinado jogo. Um exemplo é a aprendizagem profunda ou algoritmos de clustering. MI é a manifestação de software da inteligência: não a capacidade de realizar uma tarefa específica, mas sim a capacidade de descobrir a estrutura no mundo através da interação sensório-motor e, em seguida, usar esse conhecimento para atingir objetivos. Talvez uma definição mais clara de MI seja através de seus requisitos: a máquina deve aprender a partir de fluxos de dados sem rótulos, continuamente, ao fazer previsões, detectar anomalias e fazer classificação, ou seja, o que o cérebro humano faz.

 

Grande abraços e até a próxima.

Luiz Eduardo

 

Entenda de forma simples e fácil o que é “Big Data”

Olá,

Hoje vou falar um pouco mais sobre “Big Data” e mostrar para você a quantidade de dados que geramos para que entenda de forma simples e fácil o que é “Big Data”

Você nem imagina, mas geramos atualmente um volume absurdo de dados e dos mais variados.

Leia Mais

Big Data / Machine Learning: Rise of the Machines

Olá pessoal. Como estão as coisas por aí?

Hoje o post vai ser diferente. Vamos falar um pouco de Futurismo ou Futurologia, e ao mesmo tempo perceber que essa realidade não está tão distante assim.
Vocês já têm acompanhado aqui pelo Blog, que cobrimos temas diversos, mas sempre com algo em comum: novas tecnologias ou novas formas de se fazer negócios, ou simplesmente como implementar novas habilidades nas organizações.

Eu também me sinto bem à vontade para dizer que, a esta altura, vocês já perceberam que parte do nosso papel no Marketing de Produtos aqui no UOLDIVEO, é pensar como será o mundo de amanhã, e como a tecnologia vai impactar a sua, a minha, as nossas vidas.

 

*** Alerta de spoiler ***

 

Digo isso pois vocês já acompanharam em um post ou outro, nosso time comentando sobre automações, como melhorar a performance de equipes e sistemas, falamos também de Big Data…

 

Então, agora que estamos contextualizados, vamos ao ponto: vocês já ouviram falar do projeto Serenata de Amor? Não? Google it! Não vou entrar nos detalhes do crowdfunding, depois vocês entram lá, ou acessam o GitHub do projeto e dão uma olhada. Mas eu vou deixar alguns termos relevantes por aqui: Bancos de Dados, informação, Data Science, Machine Learning, Inteligência Artificial e por aí vai…
Entenderam onde quero chegar?

As organizações, independente da sua natureza, produzem verdadeiras montanhas de dados. Você já sabe disso. E também sabe que o futuro destas mesmas organizações vai estar alicerçado aí. Já não é novidade para você que, na mesma medida que nossas vidas migram para a internet, ou digital, acessamos ou produzimos um universo de dados e informações.

Você já deve ter escutado por aí que nos últimos 10 anos foram gerados mais dados do que toda a história da humanidade.
É algo impressionante, considerando a nossa pequena parcela na existência. Mas isso já é suficiente para que você considere o valor que o ativo informação tem no mercado. Ela virou moeda (e certamente a mais poderosa), e é necessário que os mercados e negócios sejam capazes de interpreta-la de forma favorável.

Extrair informações e conhecimento dos dados é um fator importante, mas a capacidade de tomar decisões é o fator de sucesso. Big Data, Data Science? Sim, você já sabe a resposta. Agora pense em uma Inteligência Artificial que será capaz de relacionar e aprender sobre o seu negócio de uma forma robotizada. Você conhece bem a vantagem disso. Toda organização que em algum momento adotou sistemas de apoio a decisão, sabe o valor da informação e sabe a importância de ter esta mesma informação de uma forma cada vez mais ágil.

Agora, pense em tudo o que estamos falando aqui. Pense no que você já fez hoje, usando redes sociais, plataformas de comunicação, ou as aplicações corporativas. Que imagem vem a sua mente? Montanhas e montanhas de dados. Veja o potencial que existe em sistemas de apoio capazes de tratar estas montanhas de dados e que conseguem desdobrar isso em padrões, que geram informações ou simplesmente servem de retroalimentação para este mesmo sistema.

Exato, estou falando de Machine Learning.

O valor de você, por exemplo, lidar com um projeto ou com uma demanda de negócio, ou mesmo elaborando um novo produto ou serviço usando as mais diversas variáveis é algo intangível. Já pensou em analisar informações com variáveis que vão da complexidade, prazo, orçamento e conectando a isso a pessoa responsável, seu tempo de dedicação, experiência, processos envolvidos. Some isso a mais variáveis, como cliente, segmento, seu histórico e perfil de compra, utilização, fidelização. Já pensou em relacionar isso com posicionamento e aceitação de mercados, e até se os treinamentos e materiais de apoio são suficientes? Você precisa analisar esta informação em quantas dimensões?

Qual seria o impacto no seu negócio se, analisando padrões, você conseguisse saber qual o ROI de uma iniciativa qualquer, ainda no período de descoberta desta oportunidade? Estamos falando de prever o futuro?
A meu ver, este futuro está mais próximo do que imaginamos. E fica a pergunta: você está preparado?
Até a próxima!

1 Abraço!
Fabiano

BIG DATA – inovando e agilizando a sua empresa

BIG DATA – inovando e agilizando a sua empresa

Olá pessoALL, todos nós temos conhecimento de algum projeto de sucesso usando a tecnologia “BIG DATA” e ao mesmo tempo percebi que ainda existem muitas dúvidas sobre o esforço para implantar “BIG DATA” nas organizações.

Ter um “BIG DATA” não é algo distante das nossas possibilidades.

Correlacionar diversos tipos de dados que antes era muito complicado, hoje tornou-se muito mais simples com as novas tecnologias disponíveis no mercado, as quais muitas vezes não tem custo de licença para seu uso.

Então quer dizer que os CEOs devem pensar seriamente em ter “BIG DATA” na empresa? SIM!

Nos próximos 10 anos teremos uma economia da informação cada vez mais estabelecida e a moeda de valor serão os dados, ou seja, quem tiver a inicitativa de buscar oportunidades com estas informações vai ter uma enorme vantagem competitiva.

Na prática as empresas vão monetizar o “BIG DATA” como um produto e já temos vários exemplos desta nova realidade acontecendo, imaginem em 2026!

Mas não precisamos esperar 2026 para ver o que vai acontecer. O PagSeguro que é um caso de sucesso aqui do UOL utilizando “BIG DATA” para melhorar a eficiência operacional e consequentemente a satisfação dos nossos clientes.

Outro exemplo é a inovação e agilidade promovida por nossa área de operações, com a gestão de capacidade preditiva (analytics), através da tecnologia “BIG DATA”, que além de oferecer uma análise especializada aos nossos clientes também atende as normas da ISO20000.

Ainda há outras iniciativas, como mapear todo o conhecimento tácito e explicito da empresa usando todo o potencial de correlacionar diversas fontes de dados usando “BIG DATA”. E isso é só o começo!

Todas estas mudanças estão ocorrendo muito rapidamente e é importante saber que “BIG DATA” não é algo abstrato. É concreto e tem características que são: volume, variedade, velocidade, veracidade e principalmente valor ao negócio.

Como falei acima, é fácil começar um projeto de “BIG DATA”, mas alguns pontos são fundamentais para determinar o sucesso ou fracasso desta iniciativa.

8 pontos fundamentais para sua iniciativa de BIG DATA ser consistente:

1) “BIG DATA” é uma mudança de “mindset” e se você tratar este novo conceito apenas como uma questão tecnológica é quase certo que vai fracassar;

2) Implantar “BIG DATA” exige uma mudança cultural da organização porque envolve uma tecnologia totalmente nova que manipula dados não relacionais (volume), de diversas fontes (variedade) e serão armazenados em um banco de dados não relacional para buscar padrões criando um leque de oportunidades (velocidade e veracidade) e muitos deles são estratégicos para a empresa (valor);

4) Estruture o “BIG DATA” com objetivos claros;

5) Divida o projeto em etapas;

6) Atenda às 5 características (volume, variedade, velocidade, veracidade e valor);

7) Não se esqueça da política de governança das informações;

8) Ao final de cada etapa, faça um “brainstorm” sobre o que você aprendeu com “BIG DATA”. Isso faz toda a diferença.

 

E agora está se sentindo mais preparado para inovar e agilizar a sua operação com “BIG DATA”?

E se precisar de ajuda conte conosco!