O que é preciso para se ser um líder de sucesso, num mundo onde as pessoas se preocupam com o bem social? – Lição 4

Gostaria de partilhar alguns exemplos retirados de uma iniciativa em que participo, a Data Science for Social Good, e as lições que aprendemos. Temos expectativa de que haverá mais líderes no seu local de trabalho a gerir projetos capazes de contribuir para o bem social no mundo.

Lição 4 – A ciência de dados é um processo iterativo, esteja preparado para errar e melhorar

Empresas como a Google ou a Apple continuam a surpreender-nos com as suas propriedades avançadas em smartphones, como por exemplo quando um assistente pessoal nos aconselha a ir embora mais cedo devido às condições do trânsito. Não sabemos quanto tempo foi necessário para que estas características alcançassem o nível atual de sofisticação, mas sabemos o que é possível, o que está nas nossas mãos, e sem qualquer custo monetário adicional. Por conseguinte, as nossas expectativas relativamente aos projetos tecnológicos têm uma compensação, tudo é possível, instantaneamente. Ora bem, para desenvolver as características citadas ou qualquer projeto avançado em ciência de dados, é preciso tempo, muito tempo, pessoas competentes e muita comunicação entre programadores e utilizadores.

A ciência de dados é um processo iterativo. É preciso tempo para definir o âmbito de um projeto, fixar um objetivo, uma meta e padrões de avaliação do projeto. A seguir, vem a parte mais difícil: os dados; é preciso preparar, compreender e limpar os dados, para que seja possível construir modelos e otimizar o seu desempenho para servir o objetivo designado. Em caso de erro, regressa-se à posição de partida e começa-se a repensar o problema e o processo de recolha de dados. Com alguma sorte, alguns bons resultados surgem após a primeira iteração e pode-se então dar início aos testes. Estes requerem tempo e, normalmente, fornecem um elemento adicional de aprendizagem que precisa ser incorporado noutra iteração que poderá incluir a recolha de novos dados para enriquecer o modelo. Segue-se um par de iterações e volvido um ano ou mais – e repare-se que o tempo aumenta à medida que o orçamento diminui –, podemos conseguir um sistema útil e testado.

Gostaria de partilhar mais um exemplo. Tivemos uma parceria com o Ministério Holandês das Águas e Infraestruturas, durante o programa DSSG Europe Summer Fellowship 2017, para trabalhar na otimização do posicionamento de unidades móveis de inspeção de trânsito com vista à redução do tempo necessário para chegar aos locais de ocorrência de acidentes rodoviários. Utilizamos dados sobre acidentes passados e rodovias para desenvolver o algoritmo e o protótipo de sistema. Após o desenvolvimento do protótipo, testes simulados demonstraram uma melhoria de desempenho acima do limite face à regra de programação existente. O Ministério testou o sistema através de uma série de ensaios aleatórios de controlo na região de Utrecht, para concluir que os resultados são mistos, mas que há lições positivas a retirar. Em 2018, demos mais um passo em frente, incluímos os dados dos sensores rodoviários e dados horários sobre o tempo atmosférico por cada quilómetro ou segmento rodoviário, para predizer as áreas com maior probabilidade de ocorrência de um acidente no âmbito de um período previamente definido no futuro.

Este Ministério é exemplar devido ao seu empenhamento nas interações e aprendizagem com inúmeras organizações, empresas privadas, organizações de investigação e indivíduos, para desenvolver e compreender as fronteiras da tecnologia, e os projetos aplicados que servem os seus objetivos. Apesar das suas limitações, inerentes a qualquer organização governamental, perseguem ativamente o percurso de desenvolvimento, experimentando e dedicando tempo e esforços para executar a sua missão da melhor forma possível. No exemplo acima referido, o Ministério já tinha investido esforços significativos para recolher e organizar os dados provenientes de várias fontes e, apesar disso, foi necessário mais de um ano e meio só para interagir com o programa Data Science for Social Good Europe e chegar a meio caminho da segunda iteração. A experimentação continua.

Elementos de aprendizagem – Os benefícios decorrentes da ciência de dados surgem após um longo processo com muitas iterações; é muito provável que ocorram erros, mas cada erro gera aprendizagem. A experimentação é um processo para compreender as fronteiras da tecnologia e aprender se a sua organização está preparada para a mudança tecnológica.

Como elemento global de aprendizagem, a tecnologia oferece-nos imensas oportunidades, as quais serão aproveitadas só se houver liderança, e do tipo em que os líderes e nós todos nos preocupamos com o bem social. Comecemos então a trabalhar em prol de mais liderança desta natureza e de resultados mais positivos para a nossa sociedade.

Por: Leid Zejnilović, assistant professor na NOVA SBE

Artigos Relacionados: