Como evitar o risco de falhas em modelos de machine learning
Cientistas de dados podem criar excelentes aplicações, mas, se eles não entenderem do negócios, talvez elas não funcionem no mundo real. Os gestores podem minimizar esse perigo fazendo os questionamentos certos
Dusan Popovic, Shreyas Lakhtakia, Will Landecker e Melissa Valentine
27 de agosto de 2024
25 min de leitura
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.
Você leu o post?
Então faça login
e tenha acesso ao recurso de “Marcar como lido”.
Dusan Popovic, Shreyas Lakhtakia, Will Landecker e Melissa Valentine
Dusan Popovic é chefe de ciência de dados da Anheuser-Busch InBev, Commercial Analytics Europe.
Shreyas Lakhtakia é aluno de pós-graduação na Stanford University. Will Landecker é ex-líder de ética em IA e tecnologia de ciência de dados da NextDoor.
Melissa Valentine é professora associada de ciência e engenharia de gestão na Stanford University.
