Technology Radar Vol.21

À medida que os maiores provedores de nuvem alcançaram quase a igualdade em sua funcionalidade central, o foco competitivo mudou para os serviços extras que podem fornecer, encorajando-os a lançar novas ofertas em uma velocidade vertiginosa. Em sua urgência para competir, lançam novos serviços com pontas soltas e funcionalidades incompletas. A ênfase na velocidade e a proliferação de produtos, por meio tanto da aquisição como de serviços precipitadamente criados, muitas vezes resulta não só em bugs como também em documentação ruim, automatização difícil e integração incompleta entre as próprias partes dos fornecedores. Isso causa frustração para os times que tentam entregar software com a funcionalidade prometida pelo provedor de nuvem e se deparam com constantes obstáculos. As empresas escolhem fornecedores de nuvem por uma variedade de fatores e, muitas vezes, em um nível alto na organização. Nosso conselho para os times: não suponham que todos os serviços de seu provedor de nuvem designado sejam iguais em qualidade, testem suas capacidades principais e estejam abertos para opções alternativas de código aberto ou uma estratégia de polycloud, caso seus próprios trade-offs para comercialização justifiquem a sobrecarga operacional de gerenciá-los.

O aprendizado de máquina frequentemente parece descobrir soluções para os problemas que os humanos não conseguem, usando identificação de padrões, back propagation e outras técnicas bem conhecidas. Contudo, apesar de seu poder, muitos desses modelos são inerentemente obscuros, ou seja, seus resultados não podem ser explicados com inferência lógica. Isso é um problema na medida que humanos têm o direito de saber como uma decisão foi tomada ou quando há risco de introduzir vieses de preconceito, amostragem, algoritmos ou outros no modelo. Estamos vendo agora o surgimento de ferramentas como What-If e técnicas como o teste com viés ético que nos ajudam a encontrar as limitações e prever o resultado desses modelos. Embora essas melhoras em interpretação sejam um passo na direção certa, explicar redes neurais profundas ainda é um objetivo difícil de se alcançar. Por isso, cientistas de dados estão começando a considerar a explicabilidade como uma preocupação de primeira classe ao escolherem um modelo de aprendizado de máquina.