Como evitar o risco de falhas em modelos de machine learning

Se tem uma coisa que vimos muito nos últimos anos em que passamos liderando e estudando a implantação de machine learning (ML) nas organizações é: mesmo os times de ciência de dados mais talentosos e com mais recursos fracassam por não entender direito uma parte do contexto de negócios que parece simples – mas não é.

Essa lacuna no entendimento vira um empecilho para o uso correto dos dados, bem como para a compreensão de seu contexto e para os usuários finais. Em última análise, é um equívoco que compromete o impacto positivo de um modelo de ML.

ExclusivoEste conteúdo faz parte da edição #26 do MIT SMR Brasil.Já tem acesso? Fazer loginAssinarComprar edição