TechnologyRadar

O elefante na sala do Zoom

"A necessidade é a mãe da invenção" - provérbio

Muitas empresas vinham testando a ideia do trabalho remoto à medida que a tecnologia que o habilita amadurecia. Mas, de repente, uma pandemia global obrigou empresas de todo o mundo a mudar rápida e fundamentalmente sua maneira de trabalhar para de alguma forma preservar a produtividade. Como muitas pessoas já observaram, “trabalhar em casa” é totalmente diferente de “obrigatoriamente trabalhar em casa durante uma pandemia”, e nós achamos que há pela frente uma longa jornada em busca da produtividade integral nesse novo contexto.

Nunca acreditamos que a criação remota de uma edição do Radar fosse possível e, no entanto, aqui estamos — este é o primeiro Radar que produzimos sem nos encontrar pessoalmente. Muitos dos blips propostos abordam a necessidade urgente de permitir a colaboração remota de primeira classe. Não queríamos ignorar o elefante na sala e não comentar a crise, mas realizar um bom trabalho de colaboração remota é um assunto complexo e cheio de nuances, e certamente nem todos os nossos conselhos sobre o tema se encaixariam no formato do Radar. Portanto, junto a esta edição, você encontrará um podcast em que discutimos nossas experiências na criação remota do Radar, um relatório de experiências incluindo conselhos sobre produtividade trabalhando remotamente, um webinar sobre estratégias tecnológicas durante a crise e links para outros materiais da ThoughtWorks, incluindo nosso guia para trabalho remoto. Esperamos que estes, assim como outros materiais disponíveis na Internet, possam ajudar as organizações que tentam navegar por essas águas desconhecidas.

Perspectivas de dados amadurecendo e expandindo

Um tema que abrangeu muitos blips e quadrantes nesta edição diz respeito à maturidade dos dados, particularmente, técnicas e ferramentas que envolvem dados analíticos e aprendizado de máquina. Observamos muitas inovações contínuas no espaço do processamento de linguagem natural (PLN). Saudamos também o surgimento e a maturidade contínua dos conjuntos de ferramentas de aprendizado de máquina de ciclo completo, combinando práticas perenes de engenharia com combinações de ferramentas que funcionam bem de maneira iterativa, mostrando que "o aprendizado de máquina também é software". Finalmente, para arquiteturas distribuídas, como microsserviços, vemos grande interesse na malha de dados como uma maneira de efetivamente servir e usar dados analíticos em escala em sistemas distribuídos. À medida que a indústria pensa com mais diligência sobre como os dados devem funcionar nos sistemas modernos, somos encorajadas pela direção geral e pelas perspectivas de abertura nesse cenário, e esperamos ver inovações interessantes no futuro próximo.