Data science ou a ciência dos dados é um campo interdisciplinar que alavanca a matemática, a programação,
os conhecimentos empresariais e de domínio para resolver problemas de dados complexos. A sua emergência como campo
de estudo e aplicação
prática nos últimos anos tem permitido o desenvolvimento de diferentes tecnologias, especialmente a aprendizagem de
máquinas (Machine Learning) como forma de trabalhar para aquilo a que chamamos Inteligência
Artificial (IA), um campo
de tecnologia que está a transformar rapidamente a forma como trabalhamos e vivemos.
A vasta quantidade de dados recolhidos e armazenados por estas tecnologias pode trazer benefícios transformadores
para organizações e sociedades a nível mundial, mas apenas se soubermos como interpretá-los. Neste artigo iremos
rever as tendências
na ciências dos dados para o próximo ano, que promete continuar a aceleração digital vivida nos últimos
dois anos devido à COVID-19.
Quatro tendências Data Science para 2022
A importância crescente da ciências dos dados também no mundo dos negócios e do comércio torna a ciência
por detrás deste campo cada vez mais acessível. Isto levou a uma democratização generalizada da ciência dos dados,
que sem dúvida veremos
entre as tendências de aprendizagem nos próximos anos. Mas dentro do campo em questão, encontram quatro
tendências chave:
1. Small Data ou TinyML
Enquanto a atividade de desenvolvimento da aprendizagem de máquinas se concentra em soluções de alta potência na
nuvem ou em soluções de média potência no limite, há outro conjunto de actividades destinadas a implementar a
aprendizagem de máquinas
em sistemas com recursos muito limitados: TinyML. Esta ideia adquiriu um relevo significativo nos últimos anos,
tenso sido impulsionada pela noção de que alguns problemas não precisam de um servidor de data center ou de uma
plataforma de ponta
para resolvê-los. Em suma, é uma metodologia que procura aprimorar soluções e ampliar os limites para os quais
realmente é necessária uma computação mais potente.
Durante 2022, vê-lo-emos aparecer cada vez mais em sistemas incorporados: desde alertas de desgaste de
eletrodomésticos, automóveis ou equipamentos industriais, tornando-os todos mais inteligentes e úteis.
2. AutoML ou Auto Machine Learning
Muitas vezes, uma grande parte do tempo de um cientista de dados é gasto na limpeza e preparação de dados, que são
tarefas de conhecimento intensivo e muitas vezes repetitivas. AutoML (auto machine learning) é a
automatização destas tarefas,
e o seu objectivo a curto prazo é que qualquer pessoa com um problema a resolver ou uma ideia a testar possa aplicar
a autoaprendizagem da máquina para poupar tempo e dedicá-la ao desenvolvimento de soluções. Esta tendência está a
impulsionar
a democratização da ciência dos dados que mencionámos no início do artigo e que veremos nos próximos anos.
3. Experiência do cliente baseada em dados
Tal como discutimos, a ciência dos dados está a tornar-se cada vez mais importante nos negócios e no comércio. As
interações entre os utilizadores e as empresas estão a tornar-se cada vez mais digitais, o que se traduz na
capacidade de medir e analisar
o comportamento dos utilizadores. Como resultado, até 2022 veremos mais empresas a utilizar dados dos utilizadores
para proporcionar experiências mais personalizadas, valiosas e agradáveis para os clientes, e experiências mais
fáceis e acessíveis
para as empresas.
4. Formas híbridas de automatização
A automatização é uma constante nas publicações de novas tendências, com tecnologias como a automatização de
processos robóticos (RPA) a avançarem rapidamente para fornecer resultados de alto valor através da sua análise
bem-sucedida de dados modernos,
com grande volumetria e altamente complexos. Mas esta automatização pode ser otimizada ao procurar modelos híbridos
com envolvimento humano, já que oferece às empresas a capacidade de processar dados estruturados e não estruturados
e utilizar
a abstração humana em pontos críticos de decisão. Ao identificar os principais candidatos à RPA híbrida e ao
utilizar uma abordagem de melhores práticas na implementação, as empresas podem multiplicar a eficácia das suas
iniciativas de RPA e permanecer
competitivas à medida que a tecnologia de automação evolui.
