Dados inteligentes:a próxima fronteira na IoT

Nunca foi tão fácil coletar dados como hoje. Alguns cliques e você está pronto para usar, armado com todas as melhores tecnologias de dados que a nuvem tem a oferecer, pronto para acumular todos os dados possíveis. Pode ser difícil acreditar que, apenas uma década atrás, as coisas eram dramaticamente diferentes. Coletar dados em escala era, na verdade, apenas uma opção para as maiores corporações, organizações que podiam pagar tanto os servidores caros que eram a única opção viável para armazenar todos os dados quanto os poucos engenheiros selecionados que eram capazes de tirar o melhor proveito disso, na época em que a ciência de dados era apenas um campo em desenvolvimento.

Hoje em dia, felizmente, gerar dados não é mais apenas um esporte corporativo. Na verdade, graças à Internet das Coisas (IoT), agora todos nós nos tornamos, para o bem ou para o mal, pequenas fábricas de Big Data. Em 2020, um único ser humano será responsável pela geração de 1,7 MB de dados por segundo. Mesmo agora, apenas um único veículo autônomo gera 11 TB de dados por dia. E essa tendência não dá sinais de diminuir. Pelo contrário:só vai crescer.

Obviamente, esta é uma excelente notícia para todos os aficionados de dados por aí. Não faz muito tempo, coletar conjuntos de dados de alta qualidade era uma tarefa onerosa e trabalhosa. Mesmo assim, sempre queremos mais. Se alguma vez parecer que seu modelo de Deep Learning totalmente novo está "apenas" atingindo 92% de precisão, a desculpa mais fácil e imediata é culpar os dados. “Meu conjunto de dados não é grande o suficiente”, dizemos aos nossos chefes com indiferença. “Mas se esperarmos mais algumas semanas, este modelo será o melhor que você já viu!”

Isso parece levantar uma questão importante:quantos dados são realmente suficientes? Mas, na verdade, apresenta um aspecto ainda mais importante:quantos dados são muitos ?

Curiosamente, não ouvimos essa pergunta com frequência nos círculos de aprendizado de máquina, mesmo se realmente devêssemos. Embora o Big Data seja uma grande oportunidade, também é um passivo gigantesco de 40 zetabytes. Se os dados são de fato o novo petróleo, precisamos levar a analogia ao seu limite:os dados são um recurso extremamente lucrativo, mas também como o petróleo, precisam ser refinados. O fracasso em nos restringir ao uso descontrolado está nos colocando em risco. Em suma, a forma como usamos e consideramos os dados hoje é profundamente insustentável e esse fato ainda mal atinge a consciência coletiva.

Talvez, apenas talvez, esta seja a conversa errada para se ter. Afinal, talvez o Big Data não seja realmente a resposta para a IA.

Vamos voltar por um momento e pensar sobre o que realmente estamos coletando. Nos primórdios da digitalização, a coleta de dados era realmente mais cara, então escolhemos nossos locais. Éramos mais responsáveis ​​e um pouco mais conscienciosos. À medida que gerar e coletar dados se tornou cada vez mais fácil, menos atenção foi dada à qualidade, enquanto a quantidade se tornou um subproduto natural de novas tecnologias, como armazenamento em nuvem, computação em nuvem, máquinas GPU, gerenciamento de dados em grande escala e sistemas de transferência. Rapidamente, os dados se tornaram uma mercadoria, mas com a escalada contínua de dados e armazenamento de dados, ninguém fez a pergunta simples:por que estamos coletando isso? Isso ainda faz sentido?

Com a comoditização da construção de modelos, os fossos de dados certamente podem parecer a resposta óbvia para a diferenciação em IA, mas será que todos nós perdemos o quadro geral? Idades de dados. Ele fica velho. E, em última análise, mesmo que tenhamos sido induzidos a acreditar que dados e informações são duas coisas profundamente diferentes, todos os dados não criado igual. Afinal, uma adolescente tirando 20 selfies de si mesma antes de postar no Instagram é certamente diferente de um catálogo pesquisável de literatura médica.

Nada disso parece um problema, desde que acreditemos que o progresso do hardware nos manterá protegidos do apocalipse dos dados. O armazenamento de dados está ficando cada vez mais barato a cada dia, e esse poder de computação está cada vez mais acessível. Isso permanece verdadeiro apenas se a geração de dados for compensada pela capacidade dos engenheiros de acompanhar a Lei de Moore. Mesmo que eles possam fazer isso indefinidamente, considere o seguinte:se nem todos os dados são igualmente informativos, então qual é o ponto em processar dados abaixo da média ou redundantes?