Citizen Data Scientist, já estamos lá?

A Inteligência Artificial é um campo que captura a imaginação na imprensa e no domínio público, com uma visão de máquinas que nos apoiam no dia a dia. Mas até que ponto estamos perto disso na vida cotidiana dos negócios? A resposta é muito próxima, mas com um passo chave intermediário. Em 2016, o Gartner cunhou o termo “Citizen Data Scientist” (CDS), significando uma pessoa “que cria ou gera modelos que usam análise avançada de diagnóstico ou recursos preditivos e prescritivos, mas cuja função principal de trabalho está fora do campo de estatística e análise. O Gartner também previu que o CDS ultrapassará os cientistas de dados na quantidade de análises avançadas que eles produzem, até 2019. Até recentemente essa previsão parecia imprecisa, mesmo que apenas pela data, não pelo resultado. No entanto, o recente anúncio do Google sobre o lançamento do Beta-Stage de sua plataforma AutoML, e a publicidade subsequente, reacendeu a discussão sobre a futura mudança para um ambiente de CDS. Essencialmente, o AutoML fornece um algoritmo de aprendizado de máquina ideal para usos comerciais específicos. Tudo o que o usuário precisa fornecer são dados rotulados; dados com um resultado que o algoritmo pode usar para aprender. Nenhum conhecimento de ciência de dados é necessário. O AutoML está atualmente focado na classificação de imagens e tradução de linguagem natural, mas os planos para expandir a capacidade para outros tipos de problemas de negócios estão bem encaminhados. Não há dúvida de que a previsão do Gartner acabará se concretizando, e pode haver pessoas lendo este artigo, que já estão empolgadas com o uso da IA ​​para apoiar seu trabalho; capacidade de desbloqueio que atualmente reside apenas no domínio dos cientistas de dados, em suas vidas comerciais cotidianas. Aí reside um problema com o conceito de CDS: expectativa. Ainda estamos nos primeiros dias de progresso em direção ao CDS, e o foco atual está muito no domínio de tarefas fixas e repetitivas. No entanto, a expectativa do usuário provavelmente superará rápida e amplamente a capacidade, pelo menos a curto prazo. Os usuários corporativos geralmente desejam estender soluções fornecendo dados diferentes ou usando-os para diferentes tipos de decisões. Isso está bem dentro dos limites das soluções e das tecnologias subjacentes, mas pode exigir o suporte de cientistas especialistas em dados, pois os limites são esticados e novos dados exigem configuração. O conceito de aprendizado de máquina tem muitas facetas diferentes, e o que funciona para um tipo de problema de negócios pode não funcionar para outro. Por exemplo, a quantidade de dados e o período de tempo que os dados exigem para “aprender” um problema podem diferir entre problemas que, na primeira revisão, parecem muito semelhantes. Um usuário empresarial pode aprender isso por meio de tentativa e erro, mas é muito mais produtivo, para o usuário e seus negócios, obter a experiência de um cientista de dados para definir a estratégia de treinamento correta. Ideação, a formação de novas idéias ou conceitos, é o maior objetivo e, paradoxalmente, o maior desafio para o conceito de CDS. Pense em dar a alguém um carro esportivo novo e brilhante e, em seguida, dizer-lhes que eles só podem levá-lo para o trabalho, em vez de explorar o país. O motorista pode tentar encontrar a rota mais interessante e diversificada para o trabalho, mas eles ainda chegam no mesmo lugar. Como a jornada em direção ao CDS se desdobrará? Indubitavelmente, a longo prazo, as soluções se tornarão mais flexíveis e dinâmicas para realizar a definição completa do CDS. No curto prazo, no entanto, exigimos que os cientistas de dados se envolvam ativamente e apoiem o CDS em desenvolvimento dentro do negócio. O instrutor de condução para ajudar o motorista a usar o carro esportivo em estradas rurais. Assim, pelo menos a curto prazo, precisamos expandir nossa definição de ciência de dados para pensar em ciência de dados como um serviço, essencialmente “Conhecimento como um Serviço”, como um próximo passo crítico no caminho para o verdadeiro Cientista de Dados Cidadão. Fonte: insideBIGDATA]]>

Oportunidades de Aplicação de Big Data em Saúde: Os Gerentes Assistenciais

primeiro post dessa série, listei os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde, seja ela um hospital ou uma clínica. Quais sejam, os Provedores, a Força de Trabalho, os Pesquisadores, os Pagadores e os Clientes. No post seguinte, analisei brevemente a primeira subpopulação dos Provedores, que é composta pelos Administradores Hospitalares. Nesse post analisaremos rapidamente as oportunidades que se apresentam para outra subpopulação deles: os Gerentes Assistenciais.

Os Gerentes Assistenciais recebem dados que permitem uma tomada de decisão “local” e em pequena escala, sem a necessidade de um processo burocrático na instância superior e que provavelmente servirá para o “melhor cenário” e não contemplará uma miríade de cenários sub-ótimos que são bastante mais frequentes.

Uma das perguntas que pode ser respondida para essa população é: Se um determinado paciente tem a necessidade de coletar um exame específico, qual o melhor momento para fazê-lo? Em um ambiente hospitalar, um paciente que se desloca entre departamentos leva consigo um funcionário (em geral um técnico de enfermagem) que vai “desfalcar” a equipe local. Fazer esse deslocamento no momento errado pode ampliar o tempo necessário para o retorno do funcionário e gerar toda a sorte de ineficiência como consequência. Muito mais efetivo é ter uma alocação dinâmica e disparar o processo de transporte no momento ótimo.

Esses Gerentes ainda podem ter acesso a notificações de processos de que eventualmente estejam responsáveis. Ao invés de ligar para a farmácia diariamente para verificar a disponibilidade de um determinado medicamento ou material, sua interface de trabalho o notifica quando um material necessário chega à farmácia.

Dependendo do grau pretendido de integração das informações, um Gerente Assistencial pode ajudar a alimentar algoritmos de aprendizado de máquina que tornem possível a automatização de diversas tarefas, acabando com a perda de tempo com as rotinas repetitivas e com a possibilidade de que tarefas essenciais sejam esquecidas em prol do “problema da vez”.

Por fim, não podemos esquecer de um sério problema que faz parte do dia a dia dos Gerentes Assistenciais em qualquer organização de saúde de médio ou grande porte: as escalas e as capacidades de cada funcionário. Através da integração com os dados do departamento de pessoal quando da ocorrência de uma falta ou quando da programação de férias, é possível rapidamente saber qual funcionário e de onde ele vai ser deslocado para cobrir a vacância. Não é incomum que esses controles sejam feitos manualmente e executados “na emergência”, muitas vezes resultando em um deslocalmento de um funcionário sem a capacitação adequada para aquele serviço, ou na criação de um novo problema em solução ao anterior. Com a integração desses dados na interface de trabalho dos Gerentes Assistenciais, resolver esses problemas se torna trivial.

No próximo post, analisaremos o que se espera de oportunidades do Big Data para a Força de Trabalho.

]]>

Oportunidades de Aplicação de Big Data em Saúde: A Força de Trabalho

posts anteriores dessa série, listamos os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde e comecei a analisar as oportunidades de aplicação de Big Data para cada um deles, começando com os Provedores. Nesse post analisaremos rapidamente as oportunidades que se apresentam para outro grupo, a Força de Trabalho.

Existem diversas oportunidades que se referem a características básicas do Big Data, especialmente ao seu potencial agregador e pervasivo que podem ser aplicadas pelos e para a Força de Trabalho. Vamos tomar um médico como representante dessa categoria e vejamos, por exemplo, seu fluxo usual em um hipotético round (“round” é como tratamos, em nosso meio, a visita em série aos pacientes internados sob responsabilidade de um médico ou de uma determinada equipe):

  • O médico visita o paciente em seu leito, coleta as informações subjetivas do mesmo, atualiza um ou outro conhecimento a cerca da evolução de sua doença e volta para a sala de prescrição;

  • Na sala de prescrição ele abre o sistema 1 para verificar os últimos exames de laboratório do paciente;

  • A seguir ele abre o sistema 2 para verificar as últimas imagens e/ou seus relatórios;

  • Ato contínuo ele abre o sistema 3 para verificar se o resultado de um procedimento (por exemplo, um exame de patologia) retornou e, caso positivo, qual seu resultado;

  • De posse desse conhecimento, ele abre o sistema de prontuário eletrônico para registrar sua visita e para prescrever os próximos passos ou a continuidade do cuidado;

  • Finalmente o médico retorna para a enfermaria para visitar o paciente ao lado.

Com algumas variações e com a utilização de notas à beira do leito, os médicos podem otimizar essa rotina, por exemplo, visitando a todos e depois se retirando para “lidar” com os diversos sistemas. Dificilmente, no entanto, vão escapar de interagir com sistemas diferentes e utilizar seu bom senso para integrar os conhecimentos neles contidos. Uma perda de termpo e eficiência injustificada. Sem falar que é fácil negligenciar um desses passos (por exemplo, ao invés de verificar o sistema de patologia por algum resultado adiantado, o médico escolhe esperar os X dias que usualmente são consumidos na análise de uma peça anatômica e perde a oportunidade de tomar uma atitude assim que a informação estiver disponível).

Ora! Tecnologia para agregar todas as informações de diferentes sistemas está disponível há muitos anos e o Big Data não só a tornou acessível como eficiente. E se o médico tiver todas essas informações na mão? Suponha em um tablet ou outro dispositivo de visualização, com uma interface de busca estilo Google, ou mesmo algo mais estruturado, que aglutine todas as informações relevantes ao alcance de um toque. Ao invés de páginas e páginas de exames laboratoriais, gráficos gerados “just-in-time” com a evolução de todos os exames relevantes e com codificação de cores para indicar os que estejam fora do padrão. Da mesma forma que as notificações para os Gerentes Assistenciais, exames que saiam do padrão podem gerar alertas personalizados, que os médicos podem receber em sua interface de trabalho ou em outro dispositivo.

Outra prática onde a agregação que o Big Data é capaz de proporcionar pode ajudar essa população é a interação entre as disciplinas. O mesmo sistema de notificação pode ser utilizado para avisar de interconsultas ou pedidos de consultoria para outras especialidades. Muitos grupos fazem isso utilizando ferramentas públicas, como WhatsApp, ou celulares dedicados a grupos (como o “celular da cirugia”), mas veja que é muito mais fácil e efetivo criar uma notificação no sistema do que entrar em contato com alguém em uma ferramenta terceira e passar um caso para consultoria (ao que o destinatário poderia ter acesso completo e não a apenas uma fração). Ademais, a agregação desses metadados pode ajudar a gerar outros insights: por exemplo, pacientes que têm mais de duas consultorias solicitadas têm prognóstico mais reservado? Ou equipes que têm muitas solicitações de interconsultas têm o número de profissionais adequado?

Áreas de apoio, como patologia e SADTs também se beneficiam. Veja que a rotina intensa de trabalho (fruto da necessidade de produzir resultados cada vez mais rápido) nessas áreas leva muitas vezes a que seus trabalhadores negligenciem as informações que estão disponíveis em outro sistema e se restrinjam aos pequenos bits de informação contidas em uma papeleta que podem ou não ser relevantes e podem ou não ser completos. A qualidade do resultado cai e aumenta muito a chance de erros ou intervenções desnecessárias.

Veja que examinamos majoritariamente o caso do médico, mas praticamente toda a Força de Trabalho assistencial está em maior ou menor grau submetida a isso. Fisioterapeutas, psicólogos, assistentes sociais, todos têm rotinas parecidas e se beneficiariam dos mesmos tipos de ferramentas.

No próximo post, analisaremos o que se espera de oportunidades do Big Data para os Pagadores.

]]>

Oportunidades de Aplicação de Big Data em Saúde: Os Pagadores

posts anteriores dessa série, listamos os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde e passamos a analisar as oportunidades de aplicação de Big Data para cada um deles. Nesse post analisaremos rapidamente as oportunidades que se apresentam para os Pagadores.

A penúltima população que analisamos, os Pagadores, põem-se, muitas vezes, como antagonistas dos Provedores e negam pagamentos a procedimentos já realizados de uma forma rotineira. Mas isso não precisa ser assim.

Quantas auditorias poderiam ser evitadas e quanto tempo perdido poderia ser recuperado caso as informações que fizeram um determinado procedimento ser necessário estivessem a disposição dos Pagadores no momento em que se decide por uma glosa? Ou mesmo, quantos procedimentos repetidos em diversos serviços poderiam ser evitados caso os dados compartilhados de um estivesse disponíveis para outro? Sim… estamos longe disso, mas os primeiros passos já podem ser dados agora e muita coisa pode ser feita em parceria. Nem os Provedores se beneficiam de um Pagador falido, nem os Pagadores se beneficiam de um Provedor ineficiente. Essa posição de antagonismo não precisa ser a regra.

Além disso, uma disciplina bem desenvolvida dentro do Big Data, com algoritmos bem reconhecidos e estudados e com bastante experiência acumulada é o controle de fraudes. Todo esse expertise pode ser importado por um cluster de Big Data a serviço dos Pagadores e, em paralelo com os controles hoje existentes, pode auxiliar na detecção de atividades fraudulentas, constituindo mais uma ferramenta.

Por fim, um diferencial importante para qualquer Pagador é a agilidade com que consultas e procedimentos são autorizados. Com os dados disponíveis e devidamente analisados em tempo real, esse diferencial se transforma em vantagem para seus clientes o que, em última instância, se transforma em receita.

No próximo, e último, post, analisaremos o que se espera de oportunidades do Big Data para os Clientes e os Pesquisadores.

]]>

Oportunidades de Aplicação de Big Data em Saúde: Os Clientes e Os Pesquisadores

Nos posts anteriores dessa série, listamos os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde e passamos a analisar as oportunidades de aplicação de Big Data para cada um deles. Concluiremos agora essa série examinando as oportunidades que se apresentam para os Clientes e passando rapidamente por oportunidades para os Pesquisadores.

Os Clientes das organizações de saúde podem ter sua vida bastante facilitada pelos mecanismos de Big Data adotados pelos demais atores. É muito frequente que consultas sejam marcadas para uma data futura contando com a disponibilidade de resultados de exames na tal data. Essas consultas ou são inefetivas ou tornam-se simplesmente uma ausência a mais caso esse exame não esteja disponível. E isso acontece com imagem, com laboratório, com patologia e praticamente com qualquer área de apoio. Ao detectar que um determinado resultado não estará disponível, medidas podem ser tomadas para remarcar a consulta, por exemplo.

Isso é especialmente importante em hospitais terciários, que atendem muitas pessoas que não fazem parte da população local que muitas vezes enfrentaram longos deslocamentos apenas para ver sua intenção malograda pela indisponibilidade de algum dado.

Além disso, ao detectar que um perfil específico de Cliente tem uma necessidade (por exemplo, realização de coletas fora do horário comercial), o sistema pode reorganizar as demais coletas para acomodar aquele perfil, de uma maneira dinâmica, evitando que o Cliente procure outro serviço que tenha a disponibilidade de que necessita.

Propositalmente, não entraremos em detalhes dos benefícios para a população dos Pesquisadores, uma vez que acredito que sejam auto-evidentes: a disponibilidade de dados em múltiplos sistemas e a possibilidade de filtragem uma vez que esses dados estejam disponíveis permite que toda sorte de pesquisa científica seja realizada. Existem grupos coletando dados de pacientes de UTI e alertando para sepse; existem grupos de pesquisa de transplantes alertando para pacientes que desenvolverão rejeição meses antes que ela seja evidente; existem grupos que previnem a re-internação baseado na coleta remota de dados simples.

As possibilidades realmente são muito amplas e a tecnologia permite uma gama de combinações que cientistas de dados podem fazer que simplesmente não tem como ser antecipada.

Para explicar o porquê da adesão ao Big Data no segmento da saúde, preparei uma coletânea de artigos científicos sobre o tema. São 9 materiais entre artigos, casos de uso e relatórios, que exemplificam, de maneira objetiva e sintética, as tendências da “medicina de dados”. Clique no botão abaixo e receba o eBook.

[button link=”http://propus.rds.land/big-data-saude” type=”icon” newwindow=”yes”] [eBook] Entenda o Big Data na área da saúde: aplicações e tendências![/button]

]]>

Oportunidades de Aplicação de Big Data em Saúde: Os Administradores Hospitalares

primeiro post dessa série, listei os atores e os beneficiários de uma estratégia de Big Data dentro de uma organização de saúde, seja ela um hospital ou uma clínica. Quais sejam, os Provedores, a Força de Trabalho, os Pesquisadores, os Pagadores e os Clientes. Nesse post analisaremos rapidamente as oportunidades que se apresentam para os Provedores, especialmente para uma subpopulação deles: os Administradores Hospitalares.

Os Administradores Hospitalares devem primar pela prestação de serviços com a melhor qualidade possível dentro do orçamento proposto. Clínicas e hospitais em geral têm departamentos para cuidar da relação com fornecedores e da qualidade de suas compras e embora o Big Data possa ter algum papel aqui, esse já é um caso coberto por ferramentas tradicionais e com processos provavelmente mais bem definidos e aceitos dentro das instituições. Há um papel paralelo para o Big Data nesse caso, quando não houver interesse de fazê-lo protagonista, mas analiso esse caso mais tarde.

Onde o Big Data brilha, nesse caso, é na gama de ferramentas que disponibiliza para avaliação e tomada de decisão em tempo quase real. Um cluster de Big Data pode, por exemplo, através do consumo de dados on-line dos prontuários eletrônicos e de outros sistemas com base no paciente (por exemplo, farmácia), apontar qual o paciente é um potencial risco econômico (pacientes que, por causa do perfil da doença, do tipo do seguro-saúde ou das interações da equipe médica com a prescrição, têm potencial para dar prejuízo ao hospital) e sugerir medidas para mitigar esse risco.

Outra oportunidade para os administradores hospitalares é a monitoração em tempo quase real da ocupação dos serviços e a sugestão, através de algoritmos de aprendizado de máquina e das redes neurais, da alocação ótima de recursos. Por exemplo, se pacientes de um determinado seguro-saúde ou convênio, com uma determinada faixa etária ou com determinados perfis preferem realizar exames de SADT em determinados horários enquanto outros perfis de paciente não têm preferência, será que não é mais custo-efetivo alocar os pacientes com expectativas mais restritas nos horários adequados do que arriscar perdê-los?

Outro exemplo é a otimização das agêndas de consultas ou de realização de exames conforme a sazonalidade ou as condições do tempo (com previsão de chuva posso fazer “overbooking” já que conto com um maior absenteísmo na nossa população?).

Além disso, as ferramentas de Business Inteligence provavelmente já em uso pelos administradores podem tanto se alimentar de dados de um cluster Big Data quando alimentá-lo, oferecendo uma convergência e uma riqueza de dados muito maior para os tomadores de decisão da organização.

Por fim, mas sem a pretenção de esgotar as oportunidades, tudo que envolve a assistência médica pode ter seu pagamento negado a posteriori. Desde internações até procedimentos e medicamentos podem ser “glosados” pelos Pagadores, deixando o Provedor com uma conta “perdida”. Existem algoritmos que empresas estadounidenses utilizam para evitar fraudes que podem ser perfeitamente adaptados para identificar quais são as contas que estão sob risco de glosa. De posse dessa informação em um momento anterior, o Provedor pode tomar medidas que mitiguem o risco econômico ou que até previnam a ocorrência da glosa.

No próximo post, analisaremos o que se espera de oportunidades do Big Data para outra subpopulação dos Provedores, os Gerentes Assistenciais.

]]>

Oportunidades de Aplicação de Big Data em Saúde

Em primeiro lugar, quais são os atores e como podemos agrupá-los para estudar que oportunidades existem e podem ser oferecidas? A seguir um esboço que não pretende ser completo. Nos demais artigos dessa série explorarei cada um deles.

  • Provedores: são os que entregam diretamente os serviços de saúde, como hospitais e clínicas. Esse grupo está mais interessado no gerenciamento da saúde e da entrega de seus serviços e são mais parecidos com entidades de administração, preocupados com a gestão dos custos e a manutenção da qualidade. Duas subpopulações são facilmente identificáveis:

    • Administração: são os que gerenciam as contas, compras, relacionamento com pagadores, etc

    • Gerenciamento Assistencial: são os que cuidam para que os clientes tenham suas necessidades atendidas e estão interessados no fluxo de atendimento e na otimização dos processos intra e interdepartamentais

  • Força de trabalho: são os que trabalham na “última milha”, responsáveis pela prestação do serviço, tais como médicos, laboratoristas, técnicos de enfermagem ou de radiologia, etc

  • Pesquisadores: são os que consomem dados coletados pela força de trabalho para gerar estudos científicos e econômicos.

  • Pagadores: são os que pagam pelos serviços de saúde, em última análise, no Brasil, convênios e seguros saúde ou as diversas esferas governamentais. Uma parcela menor de pagadores são os próprios pacientes e são um caso particular do próximo grupo.

  • Clientes: são os que recebem os serviços de saúde, os pacientes. Como escrito acima, alguns desse grupo também são pagadores, mas a regra geral é que são clientes não diretamente pagantes (possuidores de seguro-saúde ou pacientes do SUS).

Tendo esses atores em vista, quais são as oportunidades de aplicação das disciplinas de Big Data para cada um deles ou conjunto deles? Vamos analisar isso em detalhes nos próximos posts.

]]>

Os benefícios de aprender algoritmos

Os algoritmos estão por toda parte, envolvidos em cada aspecto da Ciência da Computação. Eles também são usados em uma ampla gama de campos, como recomendações, social media, medicina, psicologia, transporte… e a lista vai longe! Qualquer coisa que fazemos pode ser dividido em pequenos passos e essa é a essência de um algoritmo. Imagine que você acordar de manhã para ir ao trabalho e você não consegue se lembrar onde estão as chaves do carro. Como você as encontraria? Uma abordagem pode ser aplicar um algoritmo, que é um procedimento lógico passo-a-passo. Primeiro, procuramos em lugares onde costumamos colocá-los. Tentamos nos lembrar da última vez que as usou. Verifica o primeiro quarto onde entrou quando chegou em casa. Cedo ou tarde, seguindo os passos, você eventualmente encontraria as chaves do carro. Um algoritmo é uma sequência de instruções que garantem uma determinada conclusão da tarefa. Nós, como seres humanos, aplicamos algoritmos para tomar ações em todos os aspectos de nossas vidas. Assim, conhecer algoritmos pode ser um recurso para melhorar sua vida ou mesmo a vida das outras pessoas. Você pode, por exemplo, transformar algo que leva muito tempo para ser concluído em um algoritmo que o auxilia no processo de tomada de decisão. Você pode criar um algoritmo para priorizar suas tarefas ao invés de usar uma “to-do” list. Pode criar um algoritmo, por exemplo, para prever o melhor momento de visitar uma cidade. Pode criar um algoritmo para obter sugestões de quais filmes assistir de acordo com suas preferências e dados históricos. Não há limite para o que imaginamos e podemos tornar real aplicando algoritmos! Mas como ganhar esse conjunto de habilidades, e fazer a diferença com os algoritmos? Primeiro, vamos analisar as características de um algoritmo. Quais são as características de um algoritmo? Deve ser finito. Se seu algoritmo nunca para de tentar resolver o problema foi projetado para resolver, então é inútil; Deve ter instruções bem definidas. Cada passo do algoritmo precisa ser definido com precisão; as instruções devem ser inequivocamente especificadas para cada caso; Deve ser eficaz. O algoritmo deve resolver o problema que foi projetado para resolver. E deve ser possível demonstrar que o algoritmo converge com apenas um papel e um lápis.

Quais são os passos para aprender a codificar algoritmos?

  1. Desenvolva sua lógica de programação. Aqui vai uma lista sobre como melhorá-la.  
  2. Comece com uma linguagem de programação com a qual sinta-se confortável (se você não tiver nenhuma específica em mente, Python é recomendável – por ser considerada a mais fácil e simples de entender).
  3. Aprenda estruturas de dados. Comece com os mais básicos: strings, vetores, listas, arrays, mapas. Em seguida, fila (queue) e pilha (stack). Conclua com os mais avançados: árvores (trees), grafos (graphs) e tries.
  4. Pratique codificação de estruturas de dados. Aqui vai um bom recurso para estudo.
  5. Aprenda algoritmos simples primeiro e só então evolua para os algoritmos mais comuns. Certifique-se de compreender cada passo e não se sinta frustrado ou lento no processo. Lembre-se: não importa o quão lentamente você siga, contanto que não pare! Você pode pesquisar por vídeos também, pois facilitam a assimilação.
  6. Comece a lidar com problemas (por exemplo, no HackerRank, existem algoritmos engraçados e desafiadores). Você deve desenvolver uma estratégia de resolução de problemas, por exemplo, o método proposto por Gayle Laakmann McDowell Outros conselhos úteis: Faça perguntas. “Por que” e “o que” são realmente importantes para entender o básico de qualquer coisa! Quando você questiona a escolha, melhor irá memorizar a resposta e mais à fundo irá na fonte da informação. Para manter-se motivado e em dia com a curva de aprendizado, crie diariamente um algoritmo útil simples depois de aprender o básico. A realização alimenta a nossa energia. Tente resolver o problema sozinho primeiro, manualmente. Pegue um papel e comece a escrever os passos. Tome o tempo que for necessário ao invés de ir em busca de uma solução rápida. Mesmo se você descobrir a solução, não diga a si mesmo: “Está tudo bem agora, não há necessidade de implementá-lo, eu sei como ele funciona.” É um grande truque, na verdade, porque você nunca sabe o que perdeu, se não tentar e testar com corner cases Seja paciente. Se você começar a se sentir frustrado com um problema, deixe-o de lado e vá fazer algo que não lhe parece estressante. Então, somente após aliviar o stress, retome a tarefa.
Sugestões de livros The Algorithm Design Manual The Pragmatic Programmer Cracking the Coding Interview Github mission-peace Sites Topcoder: Uma explicação sobre estruturas de dados e algoritmos. ideserve: Uma explicação visual de alguns problemas de algoritmos. YouTube Tushar Roy: Uma explicação de alguns algoritmos avançados. Fonte: DZone.com ]]>

Diferenciações entre Inteligência Artificial, Machine Learning e Deep Learning

Com todo o jargão em rápida evolução na indústria atualmente, é importante sermos capazes de diferenciar entre AI, aprendizado de máquina e aprendizagem profunda. A maneira mais fácil de pensar em seu relacionamento é visualizá-los como um modelo concêntrico, conforme ilustrado na figura ao lado neste post, com cada termo definido. Aqui, a AI – a ideia que veio primeiro – tem a maior área, seguida pelo machine learning – que floresceu mais tarde e é mostrado como um subconjunto da AI. Finalmente, o deep learning – que tem direcionado a explosão da inteligência artificial – se encaixa dentro de ambos. O machine learning toma algumas das ideias centrais da AI e as concentra na resolução de problemas do mundo real com redes neurais concebidas para imitar a capacidade humana de tomada de decisão. O deep learning se concentra ainda mais estreitamente em um subconjunto de ferramentas e técnicas de machine learning, e as aplica para resolver qualquer problema que exija o “pensamento” – humano ou artificial. O machine learning é adequado para domínios problemáticos normalmente encontrados na empresa, como fazer previsões com métodos de aprendizagem supervisionados (por exemplo, regressão e classificação) e descoberta de conhecimento com métodos não supervisionados (por exemplo, clustering). O deep learning é uma área de aprendizado de máquina que tem alcançado progresso significativo em determinadas áreas de aplicação que incluem reconhecimento de padrões, classificação de imagens, processamento de linguagem natural (PNL), condução autônoma, e assim por diante. Técnicas de aprendizagem de máquina como random forests e gradient boosting muitas vezes funcionam melhor no espaço do problema empresarial do que o deep learning. O deep learning tenta aprender vários níveis de recursos de grandes conjuntos de dados com redes neurais de camadas múltiplas e tomar decisões preditivas para os novos dados. Isto indica duas fases no deep learning: primeiro, a rede neural é “treinada” com um grande número de dados de entrada; segundo, a rede neural treinada é usada para “inferência” projetada para fazer previsões com novos dados. Devido ao grande número de parâmetros e tamanho do conjunto de treinamento, a fase de treinamento requer enormes quantidades de poder de computação. A figura abaixo resume os papéis do treinamento versus inferência na aprendizagem profunda: Fonte: insideBIGDATA]]>

Como as indústrias tradicionais estão usando o Machine Learning e o Deep Learning para criar perspectivas estratégicas de negócios

O impacto da IA (inteligência artificial) nas funções de negócios será diverso em diferentes setores da indústria. Nas empresas de serviços financeiros, o impacto mais forte da IA é esperado na área de interação com o cliente, e nas organizações de manufatura – desenvolvimento de produtos. As ciências da saúde e da vida, entretanto, antecipam que o impacto da IA será maior na tomada de decisões de gestão. Em geral, as primeiras implementações de IA podem ajudar algumas organizações a aumentar a receita, sua eficiência operacional ou suas margens. Muitas empresas estão adotando um caminho acelerado para acessar, processar e tirar proveito dos dados usando a IA, o machine learning ou deep learning, ou seja, tornar-se uma “empresa de IA”. Se este é o seu caso, o tempo de agir é agora. Este é o ano em que vamos atravessar o regime dos zettabytes em termos de volume de dados. Assim, com a quantidade de dados que está à nossa disposição, juntamente com as aplicações pretendidas dos dados, as empresas estão procurando novas maneiras de gerenciar tudo isso. A ideia por trás do “dilúvio de dados”, prediz que as empresas procuram novas soluções. A motivação é fazer mais com ativos de dados valiosos – começar a usar IA, machine learning e deep learning. O mindset está mudando do sobrecarregado pelo dilúvio de dados para a real fome de dados. A IA está abrindo um desejo insaciável de dados, e isso está acontecendo agora. Uma área que parece estar decolando é como as empresas têm considerado a “análise acelerada” e a “análise orientada pela IA” como uma solução. O “Accelerated analytics” envolve soluções aceleradas de GPU (Graphics Processing Unit), como Kinetica, MapD, SQream DB, BlazingDB, Graphistry e BlazeGraph. O “AI driven analytics” aborda as necessidades do negócio digital da empresa e de obter acesso à informação. Acelerar o componente de análise é um lado da equação, o outro lado está fazendo isso a uma fração do custo. Há uma notável importância de avaliar e adotar a IA, o machine learning e o deep learning ou continuar a perder terreno para concorrentes que já estão no processo de fazê-lo. O número de exemplos de IA com sucesso para resolver problemas complexos cresce a cada dia. Isso significa que a indústria está em um estado de loop de feedback dinâmico, onde um fluxo contínuo de projetos bem-sucedidos de prova de conceito levam cada vez mais empresas a considerar soluções de IA. Abaixo, vamos destacar alguns exemplos de cases convincentes, com foco no uso bem-sucedido da IA, do machine learning e do deep learning. Os exemplos também ilustram como as GPUs podem ser efetivamente combinadas com a tecnologia de IA. Universidade de Pisa e Scuola Normale Superiore di Pisa: O Centro de Competência da Universidade de Pisa e Scuola Normale Superiore di Pisa foi criado para responder à crescente necessidade de soluções de infraestrutura de ponta, permitindo aos pesquisadores compartilhar e fortalecer seu trabalho, e aos visitantes obter insights sobre a tecnologia de infraestrutura mais recente e mais eficiente. Usando a arquitetura baseada em padrões – do mais recente em computação em nuvem às soluções HPC e de proteção de dados – o Centro pode ajudar as organizações a atingir o desempenho e os objetivos estratégicos. A Universidade de Pisa está usando tecnologias e sistemas de aprendizagem profunda da Dell EMC para sequenciamento de DNA e codificação de DNA como uma imagem. Os pesquisadores estão usando servidores Dell EMC PowerEdge C4130, com aceleradores NVIDIA Tesla P100 e NVIDIA Deep Learning GPU Training System (DIGITS), para a classificação em deep learning do sequenciamento de DNA. Academia Chinesa de Ciências: Na China, a Dell China está colaborando com a Academia Chinesa de Ciências em um laboratório avançado de computação e AI. Este laboratório centra-se na investigação e aplicações de novas arquiteturas de computação nos domínios de processamento de informação cerebral e AI. Pesquisas realizadas no laboratório abrangem a simulação de funções cognitivas, deep learning, simulação computacional cerebral e novos sistemas de computação relacionados. O laboratório também apoia o desenvolvimento da ciência do cérebro e pesquisa de tecnologia de intelecto, promovendo a inovação chinesa e avanços na vanguarda da ciência. De fato, a Dell China foi recentemente homenageada com um “Prêmio Inovação de Inteligência Artificial em Tecnologia e 3 Práticas” em reconhecimento pela colaboração. Fonte: insideBIGDATA ]]>