Como usar o IBM Watsonx para análise preditiva

Prever os resultados do seu negócio costumava exigir uma equipe de ciência de dados, meses de desenvolvimento de modelos e muita fé.

Mas agora, com 78% das organizações utilizando IA em pelo menos uma função de negócios, de acordo com a McKinsey, esse tempo diminuiu de meses para insights quase instantâneos.

Com essa mudança, a pressão para lançar modelos preditivos rapidamente nunca foi tão grande.

O IBM Watsonx compacta o processo de criação e implantação de modelos preditivos em um fluxo de trabalho unificado baseado em navegador que sua equipe de desenvolvimento pode executar em minutos. Mas velocidade por si só não é suficiente. Se as previsões geradas por esses modelos não se conectarem aos fluxos de trabalho executivos que influenciam, elas não geram impacto real.

Este guia abrange todas as etapas, desde o upload do seu primeiro conjunto de dados e o treinamento do modelo até a implantação dele como uma API ativa e, mais importante ainda, a conexão dos insights gerados com fluxos de trabalho executivos em ferramentas como o ClickUp. 🔨

Você aprenderá tanto a construir o modelo no Watsonx quanto a colocar em prática seus resultados, para que as previsões levem à ação em toda a sua equipe.

O que é o IBM Watsonx e como ele auxilia na análise preditiva?

Implementar modelos de IA para sua empresa pode significar treinar seus modelos em um lugar, gerenciar seus dados em outro e lidar com governança ou conformidade em mais uma ferramenta.

IBM Watsonx é a plataforma empresarial de IA e dados da IBM — projetada para resolver o lado técnico dessa fragmentação. Trata-se basicamente de um conjunto de produtos de IA para criar, treinar e executar IA dentro de uma empresa, sem que tudo pareça disperso ou experimental.

A plataforma resolve o problema dos fluxos de trabalho fragmentados ao oferecer um único espaço de trabalho para projetos. Você pode carregar dados, executar experimentos e configurar monitores sem sair do ambiente.

O pacote Watsonx inclui três componentes principais:

Especificamente para análise preditiva, o watsonx.ai é a principal interface que você utilizará. Ele inclui o AutoAI, um criador de experimentos sem código que seleciona automaticamente algoritmos e classifica modelos candidatos.

O restante deste guia concentra-se no fluxo de trabalho do AutoAI dentro do watsonx.ai. Este é o caminho mais rápido para colocar em prática um modelo preditivo funcional.

Guia passo a passo para criar um modelo preditivo no Watsonx

Este passo a passo pressupõe que você já tenha uma conta no IBM Cloud e um projeto Watsonx criado. Todo o fluxo pode ser concluído diretamente no seu navegador, sem a necessidade de configurar nenhum ambiente local. Veja como:

Passo 1: Prepare e envie seus dados

Comece organizando seus dados em um formato tabular, como um arquivo CSV. Esse arquivo deve ter uma coluna de destino claramente definida que especifique exatamente o que você deseja prever. Ele também precisa de colunas de características, que são as entradas a partir das quais o modelo aprende.

Para carregar seus dados, acesse seu projeto Watsonx e abra a guia “Ativos”. A partir daí, você pode carregar um arquivo CSV diretamente ou conectar-se a uma fonte de dados via watsonx.data.

Certifique-se de estar atento a alguns problemas comuns de dados antes de começar:

Etapa 2: Treinar um modelo preditivo com o AutoAI

É aqui que começa o treinamento do modelo. Na área de trabalho do seu projeto, clique em “Criar novo experimento do AutoAI”.

Selecione o conjunto de dados que você carregou e escolha a coluna de destino. A partir daí, você pode configurar o tipo de experimento e quaisquer configurações opcionais, como a divisão dos dados entre treinamento e teste.

Execute o experimento para que o AutoAI gere automaticamente um ranking de pipeline. Esse ranking classifica os modelos candidatos de acordo com a métrica escolhida, como precisão ou pontuação F1.

Cada linha na tabela de classificação representa uma combinação única de algoritmos de aprendizado de máquina e engenharia de recursos. O pipeline com a melhor classificação é geralmente aquele que o AutoAI recomenda para o seu conjunto de dados específico.

Não presuma que o pipeline com a melhor classificação seja automaticamente a escolha certa. Vale a pena comparar os dois ou três primeiros pipelines, em vez de escolher o primeiro sem questionar. Você pode clicar em qualquer um deles para verificar aspectos como quais características são mais importantes ou como o modelo está cometendo erros usando matrizes de confusão.

Etapa 3: Implemente seu modelo preditivo

Depois de escolher um pipeline vencedor, salve-o como um modelo em seu projeto. Em seguida, você deve promover esse modelo salvo para um espaço de implantação. Um espaço de implantação é um ambiente separado, projetado especificamente para cargas de trabalho de produção.

Você pode escolher entre implantação online e em lote. Uma implantação online oferece uma API REST em tempo real para previsões sob demanda. Uma implantação em lote avalia grandes conjuntos de dados em um cronograma definido.

Use a guia de testes integrada para enviar uma amostra de carga de entrada. Isso permite que você verifique o resultado da previsão antes de integrá-lo a sistemas posteriores. A implantação gera um endpoint de API e uma URL de pontuação para que aplicativos externos possam acessá-los.

Etapa 4: Monitore e avalie o desempenho do modelo

Um modelo treinado com dados históricos pode se deteriorar com o tempo, à medida que os padrões do mundo real mudam. Essa deterioração é chamada de desvio e pode reduzir silenciosamente a qualidade do modelo ao longo do tempo.

Para acompanhar continuamente o desempenho do seu modelo no mundo real e detectar falhas antes que se tornem um problema, habilite o monitoramento por meio do componente Watson OpenScale, vincule sua implantação à ferramenta de monitoramento e configure seus limites de qualidade para exatidão e precisão.

Se sua previsão envolver atributos confidenciais, certifique-se de configurar monitores de imparcialidade para garantir que tudo seja imparcial.

O sistema pode gerar explicações por previsão, mostrando exatamente quais características levaram a um resultado específico. A partir daí, você pode definir uma frequência mensal para revisar esses painéis de monitoramento e retreinar o modelo caso a qualidade diminua.

Antes de encerrarmos esta seção, é importante entender que cada etapa desse processo envolve pessoas diferentes. Sem um sistema para acompanhar a execução, o processo pode ficar lento rapidamente e sair do controle.

Sem uma maneira estruturada de gerenciar isso, você pode rapidamente acabar dependendo de anotações dispersas, mensagens do Slack, e-mails ou da própria memória, e é aí que ocorrem atrasos e omissões. O gerenciamento de tarefas torna-se, portanto, fundamental.

Em vez de deixar essas etapas isoladas, o ClickUp Tasks oferece um sistema onde:

Mas não é só isso. Cada tarefa também conta com o contexto e os dados estruturados que sustentam sua execução.

Assim, em vez de tarefas vagas, elas se tornam unidades de trabalho totalmente contextualizadas, claras, atribuídas e prontas para execução.

Mas isso não se limita apenas ao acompanhamento de tarefas; essas tarefas não são ações pontuais. São fluxos de trabalho contínuos que exigem constantemente um certo nível de ação manual repetitiva.

Por exemplo:

O ClickUp Automations vai um passo além, eliminando as transferências manuais entre esses fluxos de trabalho ao acionar ações automáticas com base em condições predefinidas.

Se um novo conjunto de dados for carregado, uma tarefa de validação é criada automaticamente e atribuída ao analista de dados. Assim que for marcada como “Pronta”, uma tarefa de treinamento de modelo é automaticamente atribuída ao engenheiro de aprendizado de máquina. Quando o treinamento estiver concluído, uma tarefa de implantação é acionada para o especialista em operações de aprendizado de máquina.

Dessa forma, cada etapa flui para a seguinte sem transferências manuais. As tarefas são criadas, atribuídas e enriquecidas com contexto automaticamente, de modo que todo o fluxo de trabalho continua sem interrupções.

Casos de uso de análise preditiva para equipes

Estas são as formas mais comuns como as equipes estão utilizando a análise preditiva:

Em tudo isso, é importante observar que o valor dessas previsões só se multiplica quando os resultados são incorporados diretamente às ferramentas nas quais sua equipe já executa as decisões que elas influenciam.

🎯 Nossa sugestão: traga esses insights para um espaço de trabalho de IA convergente, como o ClickUp.

Com o ClickUp, você não está apenas gerenciando fluxos de trabalho de treinamento de modelos. Você também está executando suas operações diárias no mesmo lugar, para que essas previsões possam acionar diretamente o trabalho real entre as equipes.

Cada equipe pode estruturar seus próprios fluxos de trabalho dentro do ClickUp Tasks, assim como sua equipe de ML faz para treinamento e implantação. É o mesmo sistema, apenas com casos de uso diferentes.

E não para na execução. Com os painéis do ClickUp, você pode:

Tudo o que você precisa fazer é escolher o widget de sua preferência, seja gráficos de barras, gráficos de pizza, gráficos de linhas ou indicadores de progresso. Dessa forma, seu modelo não fica restrito a uma ferramenta e sua execução não fica restrita a outra; tudo permanece conectado em um único lugar.

Suas percepções também não servem apenas para informar decisões; elas as desencadeiam, são atribuídas, acompanhadas e, de fato, executadas.

💡 Dica profissional: Você pode usar o ClickUp Brain como seu assistente de IA integrado em todo o seu espaço de trabalho.

Não se trata de uma ferramenta separada; é a camada de inteligência dentro do seu espaço de trabalho do ClickUp, o que significa que ela já possui o contexto para suas tarefas, dados e fluxos de trabalho.

Assim, em vez de apenas acompanhar tarefas, você tem um assistente de IA trabalhando ao seu lado, ajudando-o a entender o que está acontecendo e a agir mais rapidamente no que precisa ser feito a seguir.

Por exemplo, você pode @mencionar o Brain em um comentário de tarefa, assim como faria com um colega de equipe, e perguntar:

• “Resuma o relatório de desvio mais recente e destaque o que requer atenção.”
• “O que mudou no desempenho do nosso modelo nos últimos 30 dias?”

Experimente o ClickUp Brain

Ele extrairá dados da sua área de trabalho e fornecerá uma resposta clara e instantânea. Ele também pode gerar tarefas para você. Você pode pedir para ele:

• Escreva uma breve atualização para as partes interessadas explicando por que um modelo foi reimplantado
• Elabore um plano de retreinamento com base nas recentes quedas de desempenho
• Crie uma lista de verificação para validar um novo conjunto de dados antes do treinamento

Como o ClickUp oferece um Espaço de Trabalho Convergente, sua equipe não precisa mais lidar com ferramentas separadas para comunicação e execução.

Todas as suas conversas podem ocorrer diretamente no ClickUp Chat, seja para discutir uma queda na precisão do modelo, analisar um alerta de desvio sinalizado ou decidir os próximos passos após uma implantação malsucedida.

Mas, mais importante ainda, essas conversas não ficam paradas.

Para garantir que as discussões resultem em ações, use a função “Atribuir comentários”. No meio de qualquer conversa, você pode atribuir uma mensagem a um membro específico da equipe, transformando-a instantaneamente em uma tarefa clara a ser executada.

Assim, em vez de as conversas ficarem esquecidas ou terminarem com um “devemos fazer isso”, elas se transformam em tarefas que são realmente executadas e acompanhadas do início ao fim, tudo dentro do ClickUp Chat.

🎥 Para entender melhor o panorama geral das aplicações de IA nos negócios, assista a esta visão geral de casos de uso reais de IA que demonstram como as organizações estão aplicando inteligência artificial em diferentes funções e setores. ✨

Limitações do uso do IBM Watsonx para análise preditiva

Toda ferramenta tem suas vantagens e desvantagens, e o Watsonx não é exceção. Ele é poderoso, sim, mas considere estas limitações antes de adotar a plataforma:

Essas limitações apenas destacam onde ferramentas complementares devem entrar em ação. Isso é especialmente verdadeiro na parte de ação do pipeline de previsão.

Ferramentas alternativas de IA para análise preditiva

O Watsonx não é a única opção disponível no mercado para modelagem preditiva. Dependendo do seu nível de conhecimento técnico, outras plataformas podem se adequar melhor à sua pilha de tecnologias. A tabela abaixo apresenta uma comparação rápida entre elas.

Não se limite a prever, execute com o ClickUp

O uso do IBM Watsonx para análise preditiva segue um caminho claro, desde a preparação dos dados até o monitoramento de desvios, mas essa é a parte mais simples. O verdadeiro trabalho está em garantir que essas previsões realmente mudem a forma como sua equipe trabalha.

Previsões que ficam em painéis que ninguém verifica são simplesmente um desperdício de recursos computacionais, e as equipes que estão obtendo valor real conectam os resultados de seus modelos diretamente aos fluxos de trabalho de execução por meio de alertas automatizados e tarefas reordenadas por prioridade.

Se você deseja um único espaço de trabalho onde insights de IA, execução de projetos e comunicação da equipe já estejam integrados, comece hoje mesmo gratuitamente com o ClickUp. ✨

Perguntas frequentes

Trata-se de uma plataforma empresarial de dados e IA para a criação, o treinamento e a implantação de modelos de aprendizado de máquina. As equipes a utilizam para gerenciar seus data lakehouses e monitorar a governança de IA a partir de um único ambiente de nuvem.

O AutoAI é uma ferramenta sem código que analisa automaticamente seus dados tabulares para selecionar os melhores algoritmos de aprendizado de máquina. Ele cria características e classifica os modelos candidatos em um ranking para que você possa implantar a opção mais precisa.

A plataforma requer um conhecimento sólido dos conceitos de nuvem para configurar espaços de implantação e monitores de governança. Além disso, ela não automatiza o processo manual de limpeza e estruturação dos dados brutos antes do upload.