Esses processos integram os algoritmos às atividades diárias dos bancos, gerando dados detalhados e ideias com impacto positivo nos serviços, mostra análise da consultoria Capco
Os bancos estão adotando tecnologias que permitem a compreensão e resolução de problemas cotidianos sem comprometer as operações e que, além disso, geram dados e análises em escala. A chamada Operação de Aprendizado de Máquina (MLOP, na sigla em inglês) é uma dessas tecnologias, como mostra a análise “How Can We Operationalize Machine Learning?” (Como Podemos Operacionalizar o Aprendizado de Máquina), feita pela Capco, consultoria global de gestão e tecnologia dedicada ao setor de serviços financeiros do Grupo Wipro.
MLOP é o processo de organização e implantação de modelos de machine learning em produção, permitindo automatizar, padronizar e gerenciar algoritmos inteligentes. Isso inclui a conexão entre machine learning, engenharia de dados e desenvolvedores e operadores de softwares.
As áreas que estão usando essa solução são saldo, previsão de folha, requisitos de liquidez de capital e segurança, para complementar sua proteção contra fraude. O motivo para seu uso é que os parâmetros e recursos podem variar facilmente nesse setor.
Assim como em Operações de Desenvolvimento (DevOps), o monitoramento também é fundamental porque seu objetivo é garantir uma operação suave e um serviço ininterrupto e confiável. Isso também ocorre no MLOps, mas a função de monitoramento se estende além disso: o objetivo é coletar métricas e registrar os dados de entrada nos sistemas de previsão para que possa ser alimentada em uma camada analítica, onde várias anomalias podem ser detectadas.
O uso de MLOP inclui fases que começam com o desenvolvimento do modelo. Na sequência, um cientista de dados faz um processo de limpeza rápida e preparação de dados para serem enviados por uma série de experimentos de modelagem orquestrada, onde o modelo é treinado e avaliado e finalmente validado offline.
Ligação com o DevOps
Na visão do estudo, essas etapas têm paralelo direto com DevOps, uma abordagem já familiar para muitos serviços financeiros profissionais. Como o DevOps faz uso de pipelines automatizados, que permitem atualizações contínuas de sistemas, é questão de tempo para que rotinas de MLOP também façam parte do processo de DevOps.
Isso porque os desenvolvedores e engenheiros se concentram na criação de código de aplicativo sem ter que se preocupar em “quebrar” qualquer coisa que já esteja lá. O DevOps faz uma integração contínua, teste de unidade, integração e implantação como parte de sua função fundamental.
Mas à medida em que os serviços financeiros adotam o Big Data e a Inteligência Artificial (IA) como parte crucial de seus sistemas, funções semelhantes precisarão ser incorporadas ao pipeline de Machine Learning. E é aí que se cria a necessidade de MLOps, aponta o estudo.
Apesar do potencial gigantesco do Big Data na geração de insights importantes, ainda há muita perda por falta de infraestrutura para integrar os algoritmos de aprendizado de máquina no dia a dia. Para solucionar esse tipo de problema, o MLOps se mostra a saída e o monitoramento é um dos seus componentes-chave. Isso porque fornece uma extensa camada de métricas em tempo real e registro para possibilitar a correta administração dos sistemas em produção, destaca a Capco.
Participe das comunidades IPNews no Instagram, Facebook, LinkedIn e Twitter.