Machine Translated by Google

Orientado por visão computacional

Resultados – Os Dados

Ponto de vista do cientista

Data de publicação:
Outubro de 2023
Autor(es):
Bradley Shimmin, analista-chefe, IA e gerenciamento de dados

Enfrentando a complexidade da visão computacional por meio da

integração de dados e uma pequena ajuda da IA
Duas preocupações mantêm os cientistas de dados acordados à noite: dados e dívida técnica.
Mais especificamente, a falta de acesso a dados de alta qualidade que devem ser libertados de
Duas preocupações
silos de dados isolados, e a acumulação indesejada de dívida técnica decorrente desse
mantêm os cientistas de
mesmo acesso a dados de alta qualidade.
No mínimo, estas duas questões interligadas e, infelizmente, duradouras podem retardar o dados acordados à
desenvolvimento e aumentar os custos da solução. E, no extremo, podem inviabilizar noite:…a falta de acesso
completamente até mesmo os projectos mais bem planeados e financiados. a dados de alta qualidade
que devem ser libertados
Tais preocupações atormentam todos os profissionais de TI que procuram construir resultados de IA.
de silos de dados
Mas eles são especialmente agudos no domínio da visão computacional, onde enormes
quantidades de informações valiosas fluem constantemente de sensores IoT, câmeras, software de
isolados, e a acumulação
marketing/vendas, sistemas de gerenciamento de recursos do cliente (CRM) e outros aplicativos indesejada de dívida
de negócios. Infelizmente, a maior parte dessas informações valiosas permanece presa nesses técnica decorrente desse
sistemas ou armazéns de dados departamentais, muitos dos quais foram originalmente
mesmo acesso a dados
projetados para reunir dados analíticos, mas agora servem como um obstáculo indutor de
complexidade – um obstáculo que atualmente domina a maior parte do ciclo de vida de de alta qualidade.
desenvolvimento de ML (ver Figura 1).
Machine Translated by Google
Cole o título aqui 1

Pesquisa encomendada

Figura 1: Acesso, processamento e verificação de dados constituem a parte principal de um projeto típico de desenvolvimento
de ML.

Fonte: Omdia

O que há nos silos de dados que torna tão difícil para os cientistas de dados coletar os dados necessários para criar uma solução viável de
visão computacional? Antes que os cientistas de dados possam realmente fazer ciência de dados (ou seja, trabalhar com dados), eles devem
primeiro embarcar na jornada de integração de dados.

• Identificar e avaliar todas as fontes de dados necessárias. Isso pode ser complicado, pois diferentes fontes conterão dados
que variam em precisão, integridade, confiabilidade, consistência e atualidade.

• Avaliar os requisitos legais e de conformidade que devem ser atendidos antes que um único byte possa sair de um silo de dados
estabelecido. Isto pode revelar-se um grande desafio quando vários fornecedores/parceiros estão envolvidos.

• Projetar um plano de integração de dados que encapsule e harmonize o que muitas vezes é muito
modelos de dados complexos específicos para cada fonte de dados.

• Com o plano de integração, construir pipelines de dados físicos capazes de alcançar e

extraindo os dados necessários. Observe que esses pipelines devem ser construídos para resistir ao teste do tempo, suportando
não apenas problemas de conectividade, mas também mudanças organizacionais e, claro, adições/mudanças/mudanças
inevitáveis no modelo de dados upstream.

Ainda mais difícil é a tarefa de trazer esses dados para a infraestrutura de hardware e software específica para uma solução de
visão computacional. A criação de um data warehouse centralizado é crucial, pois pode servir como um ponto central de gerenciamento para
todos os dados do projeto de visão computacional, independentemente de sua origem. Mas não basta criar um data warehouse centralizado
- ele deve ser capaz de abrigar e tornar acessíveis os diversos tipos de dados (estruturados e não estruturados) usados em uma solução
de visão computacional de uma forma que possa criar um impacto positivo no negócio mais amplo. . Finalmente, deve ser capaz
de ajudar a levar os resultados aos próprios decisores, de uma forma que estes possam compreender e agir de acordo.

É isto que as empresas procuram quando investem em visão computacional: acesso rápido a informações que possam servir tanto como
proteção contra mudanças imprevistas como como uma forma eficaz de criar uma vantagem competitiva. Não é de admirar que, quando
solicitados a descrever os seus planos de investimento de dois anos, 41% dos dados
Machine Translated by Google
Cole o título aqui 2

Pesquisa encomendada

os cientistas nomearam a qualidade e a gestão dos dados como a sua prioridade número um (ver Figura 2). Dados de alta qualidade
servem como base literal sobre a qual os cientistas de dados constroem. Sem isso, toda a solução não fornecerá os resultados
desejados – não importa quão elegantemente seja projetada e executada.

Figura 2: A qualidade e o gerenciamento dos dados são os principais trunfos.

Fonte: Omdia

Exemplo: Colocando a ciência de dados para funcionar no varejo

Para ilustrar a importância de construir uma base sólida de dados para visão computacional, considere o setor de varejo. Hoje, os
varejistas devem operar em muitos pontos de contato diferentes. Por esse motivo, os retalhistas com visão de futuro estão
cada vez mais a recorrer à visão computacional como forma de interagir diretamente com os seus clientes, seja digital ou
fisicamente.

Aproveitando dados combinados de diversas fontes de dados, muitas vezes empregando informações em tempo real, os
varejistas estão construindo uma plataforma de gerenciamento de visão computacional unificada e centralizada, capaz de realizar
serviços de loja de varejo de ponta a ponta. Por exemplo, com compras na loja, esta plataforma poderia ser utilizada para sinalização
digital para fornecer acesso imediato a assistência de compras, promoções personalizadas e dinâmicas, descontos e
recomendações.
Esta capacidade de
Por outro lado, uma mudança contínua do mercado em direção a pedidos on-line
para retirada na calçada ou entrega em domicílio está criando um novo tipo de centro
aproveitar a visão
para varejistas, que é altamente automatizado e personalizado para servir tanto como computacional em
centro de atendimento quanto de experiência do cliente. A Omdia espera que esta nova loja ambos os mundos (on-
autónoma desempenhe um papel crítico no mercado retalhista de visão computacional, line e na loja) tornou-
atingindo receitas de 331 milhões de dólares até 2027.
se um fator que define o mercado.
Machine Translated by Google
Cole o título aqui 3

Pesquisa encomendada

Não é de surpreender que esses novos tipos de experiências de compra personalizadas exijam uma nova abordagem aos dados, aproveitando os
dados de visão computacional em grande escala e também eliminando silos entre departamentos distintos.
Somente desta forma os varejistas podem criar uma visão verdadeira de 360 graus de seus clientes, melhorando os resultados dos clientes
por meio de respostas contextuais e orientadas por insights às necessidades dos clientes, seja online ou na loja.

Como as empresas podem quebrar seus silos de dados e libertar seus cientistas de dados para realmente aproveitar os dados de visão
computacional em apoio aos esforços do cliente 360? Talvez surpreendentemente, uma tendência recente do mercado é
em direção a armazéns de dados mais capazes que possam centralizar, selecionar e gerenciar dados na borda, no data center e na nuvem. Esse
armazém pode ingerir, marcar/anotar, armazenar e consultar dados de vídeo de maneira mais rápida, segura e econômica. Nem todos os
dados precisam ser centralizados, mas o modelo de aprendizagem e o acesso aos resultados podem ser – para que os usuários tenham uma
experiência consistente e saibam onde encontrar insights.

Uma vez combinados sob um único teto analítico, esses ativos de dados díspares podem ser acessados por meio de uma API unificada para dar
suporte a muitos casos de uso, desde algoritmos de reabastecimento preditivos até cabines virtuais de “experimentação”.

Entre na IA generativa
A centralização de dados pode certamente ajudar a garantir o sucesso dos projetos de visão
A visão computacional… já
computacional, mesmo para empresas que estão apenas começando a explorar as suas
inúmeras e multifacetadas oportunidades. Mas existem outras medidas úteis emergentes. Considere transformou positivamente
a tendência atual do mercado em torno da IA generativa (GenAI) e dos grandes modelos de os negócios em
linguagem (LLMs), em particular. um amplo espectro de
Os LLMs dominam o ciclo de notícias e continuam sendo muito populares por enquanto,
evoluindo tão rapidamente que os clientes empresariais estão lutando para acompanhar as inovações
setores, impulsionando o
e desafios diários específicos dos LLMs. cliente

Muito pelo contrário, aplica-se à visão computacional, que já transformou positivamente as

empresas num amplo espectro de indústrias, impulsionando o envolvimento dos envolvimento,
clientes, apoiando os principais esforços de sustentabilidade e melhorando as operações. Ainda apoiando os principais
assim, há lições a serem aprendidas com o turbilhão da GenAI. Na verdade, a GenAI é
esforços de sustentabilidade
uma grande promessa para os profissionais de visão computacional, prometendo ajudar
e melhorando as operações.
em funções importantes como:

• Geração de código: LLMs são ótimos para tornar declarativos

declarações em funções de trabalho e até mesmo em aplicativos completos, como pipelines de integração de dados.

• Navegação de API: LLMs treinados em chamadas de API e esquemas de banco de dados podem ajudar não apenas a construir, mas
manter pipelines de dados complexos, realizando análises de causa raiz, documentando fontes de dados e validando os próprios
dados.

• Criação e anotação de dados: os LLMs podem criar dados sintéticos prontamente, o que os torna o companheiro perfeito para cientistas
de dados que desejam trabalhar com dados confidenciais. E eles são adeptos da rotulagem de dados de imagens, o que pode ajudar a
acelerar essa etapa dispendiosa no ciclo de vida da visão computacional.

Embora ainda estejam em sua infância, esses e muitos outros recursos de automação e aumento aprimorados pelo LLM acabarão por
desempenhar um papel crucial para ajudar os cientistas de dados a se concentrarem naquilo para o qual foram contratados: fazer ciência de dados.
Machine Translated by Google
Cole o título aqui 4

Pesquisa encomendada

Conclusões
Para cientistas de dados de visão computacional em particular, isso significa acelerar
fluxos de trabalho de integração, preparação, validação, anotação e marcação de dados.
E quando combinados com uma abordagem sólida à integração de dados num armazém de
dados flexível, podem libertar as empresas da necessidade de se preocuparem com a
acumulação de dívida técnica na integração de silos de dados, permitindo-lhes concentrar-se
nos resultados de negócio e acelerar os esforços de desenvolvimento de IA em todo o
mundo. empresa.

Uma recomendação nesta jornada é que as empresas invistam na ciência de dados como um empreendimento de
engenharia. Os avanços na automação liderada pela IA e no aumento humano levaram a ciência de dados ao ponto em
que as empresas podem começar a ver os resultados da IA como um problema de engenharia e não como um
problema de ciência de dados. Ou seja, as empresas devem investir em conhecimentos específicos para a
integração e orquestração de sistemas, dados e recursos de IA, em vez de contratar para construir resultados de IA a partir do zero.
Mais uma vez, isto sublinha a importância de construir uma arquitectura de visão computacional que priorize a integração
e curadoria de dados, onde modelos e resultados centralizados possam ser acedidos e compreendidos pelos
decisores, uma vez que isto irá acelerar enormemente os esforços de desenvolvimento de IA em toda a empresa.

Finalmente, as empresas devem estabelecer parcerias com sabedoria – crucial porque encontrar um bom parceiro
tecnológico capaz de simplificar o processo inicial pode ajudar as empresas a superar o que a Omdia considerou ser o
maior obstáculo à adopção de qualquer solução baseada em IA, nomeadamente a complexidade da própria IA. e as
dificuldades envolvidas na integração da IA no negócio.

Para ler mais recomendações e insights sobre o mercado, os leitores devem ler o whitepaper completo: Visão
Computacional Prática na lista de leituras adicionais abaixo.

Apêndice
Leitura adicional
Visão Computacional Prática - Whitepaper

Além da plataforma - pela Dell Technologies e Intel

Liderando o setor com um processo baseado em resultados para visão computacional - pela Dell Technologies e Intel

Autor(es)
Bradley Shimmin, analista-chefe, IA e gerenciamento de dados

Bradley.Shimmin@Omdia.com
Machine Translated by Google

Pesquisa encomendada pela Omdia

Esta pesquisa foi encomendada pela Dell Technologies e pela Intel.

Política de citações
Solicite citação externa e uso de pesquisas e dados da Omdia via citations@omdia.com.

Consultoria Omdia
Esperamos que esta análise o ajude a tomar decisões de negócios informadas e imaginativas. Se você tiver
mais requisitos, a equipe de consultoria da Omdia poderá ajudá-lo. Para obter mais informações sobre os
recursos de consultoria da Omdia, entre em contato conosco diretamente em consultor@omdia.com.

Aviso de direitos autorais e isenção de responsabilidade

A pesquisa, os dados e as informações da Omdia aqui mencionados (os “Materiais da Omdia”) são propriedade protegida por
direitos autorais da Informa Tech e de suas subsidiárias ou afiliadas (juntas “Informa Tech”) ou de seus provedores de dados terceirizados
e representam dados, pesquisas, opiniões ou pontos de vista publicados pela Informa Tech e não são representações de fatos.

Os Materiais da Omdia refletem informações e opiniões da data de publicação original e não da data deste documento. As informações e
opiniões expressas nos Materiais da Omdia estão sujeitas a alterações sem aviso prévio e a Informa Tech não tem qualquer dever ou
responsabilidade de atualizar os Materiais da Omdia ou esta publicação como resultado.

Os Materiais Omdia são entregues “no estado em que se encontram” e “conforme disponíveis”. Nenhuma representação ou garantia,
expressa ou implícita, é feita quanto à justiça, exatidão, integridade ou exatidão das informações, opiniões e conclusões
contidas nos Materiais da Omdia.

Na extensão máxima permitida por lei, a Informa Tech e suas afiliadas, executivos, diretores, funcionários, agentes e provedores de dados
terceirizados se isentam de qualquer responsabilidade (incluindo, sem limitação, qualquer responsabilidade decorrente de culpa ou
negligência) quanto à exatidão ou integridade ou uso dos Materiais Omdia.
A Informa Tech não será, sob nenhuma circunstância, responsável por quaisquer decisões comerciais, de investimento, comerciais
ou outras baseadas ou tomadas com base nos Materiais da Omdia.

CONTATE-NOS
omdia.com

customeruccess@omdia.com