Technology Radar

O aprendizado de máquina (ML) já foi um domínio reservado apenas para alguns indivíduos privilegiados que tinham ferramentas e recursos para criar coisas legais. Felizmente, vemos uma integração gradual do ML à medida que o poder computacional cresce em dispositivos de todos os tamanhos, ferramentas de código aberto chegam e um maior rigor em requisitos e conscientização sobre privacidade e informações personalizadas convergem para criar um ecossistema florescente. Técnicas como aprendizado de máquina federado permitem modelos de ML que fornecem privacidade para informações confidenciais. O campo de TinyML permite que os modelos sejam executados em dispositivos com recursos limitados, movendo a inferência para a borda, o que libera recursos e melhora a privacidade de dados confidenciais. Feature Stores fornecem benefícios análogos ao padrão de design Model-View-Controller para desenvolvimento de aplicações, permitindo uma separação mais clara de preocupações entre curadoria de dados, treinamento de modelo e inferência. Modelos disponíveis publicamente, como Stable Diffusion destacam os incríveis recursos do aprendizado de máquina e as preocupações com dados de origem e ética. Os componentes de ML também estão mais fáceis de conectar do que nunca, possibilitando a criação de experiências e soluções de ML com composição criativa de modelos de negócios personalizados e modelos genéricos altamente capazes. Aplaudimos os novos recursos neste espaço e aguardamos ansiosamente os avanços futuros.

A palavra "plataforma" continua sendo uma das mais usadas em nossas reuniões do Radar, porque o conceito está bastante difundido na indústria. A palavra aparece em muitas formas diferentes, incluindo plataformas com foco em negócio ou domínio, mas também plataformas de infraestrutura ou experiência das pessoas desenvolvedoras. Fundamentalmente, a causa raiz de muitos dos problemas e decepções que as organizações experimentam com todas as plataformas é a falha em tratá-las adequadamente como produtos. Por exemplo, muitas plataformas destinadas a serem consumidas por pessoas desenvolvedoras carecem da pesquisa de usuário e da análise contextual que esperamos para outros tipos de produtos. Quem detém a propriedade da plataforma precisa validar suas suposições sobre as necessidades das pessoas desenvolvedoras e responder aos padrões reais de uso. E como qualquer bom produto, uma plataforma precisa de suporte contínuo. Deve evoluir e se adaptar em resposta às necessidades de mudança das pessoas desenvolvedoras. Além disso, papéis como gerentes de projeto e analistas de negócios geralmente têm escopos diferentes em relação a aplicações tradicionais. A metáfora da "plataforma como produto" só funciona quando totalmente adotada como uma prática e não como uma frase da moda.

Como dolorosamente sabemos, a centralização de qualquer tipo abre a possibilidade de constrição, gargalos ou exposição desnecessária. Por isso, nós nos esforçamos constantemente para encontrar novas maneiras de quebrar pontos de acoplamento centralizados, o que destacamos em vários blips em nosso Radar. Com base em pesquisas sobre tipos de dados replicados sem conflito (CRDTs), que permitem aplicações baseadas em dados sem um banco de dados centralizado, a técnica de software/aplicações locais-primeiro incentiva as pessoas desenvolvedoras a considerar construir em torno de dados ponto a ponto em vez de usar um banco de dados centralizado. Mover a propriedade dos dados para as bordas também permite que as pessoas desenvolvedoras aproveitem os recursos aprimorados nos dispositivos, conforme mostramos no tema _A popularização do aprendizado de máquina_. Por exemplo, muitos recursos, como reconhecimento facial, podem ocorrer na borda, mantendo os dados subjacentes no dispositivo para sempre.

As pessoas engenheiras de software aprenderam o valor de estruturar a arquitetura de um aplicativo principalmente em torno de conceitos de domínio e funcionalidade de negócio. Preocupações técnicas – uma separação entre a interface de usuário e a lógica de domínio – ainda são importantes, mas desempenham um papel secundário. À medida que os aplicativos móveis amadurecem, geralmente ficam maiores, às vezes se tornando o que chamamos de super aplicativos, que abrangem muitos serviços e podem ser vistos como plataformas por si só. Os aplicativos que não são tão grandes, mas que adquiriram muitos recursos ao longo dos anos, geralmente também podem ser decompostos em módulos, e as empresas vêm descobrindo que os aplicativos móveis se beneficiam da mesma abordagem de modularidade. Aplicativos modulares podem ser desenvolvidos por vários times autônomos, o que traz muitos benefícios bem documentados. Além da complexidade, há a necessidade de implantação por meio de uma loja de aplicativos e a necessidade de oferecer suporte a versões nativas de iOS e Android, além de uma versão baseada na web, com mudanças sutis para acomodar cada uma. Vemos um melhor suporte de frameworks para as tensões únicas inerentes ao desenvolvimento móvel, mas de forma geral, apesar dos benefícios, muitas organizações enfrentam dificuldades para trazer uma abordagem modular ao desenvolvimento móvel.