Transformando alta dívida técnica em baixo custo

Planejar o longo prazo pode parecer uma boa ideia. Mas no acelerado mundo da tecnologia, o longo prazo parece um dia que nunca chega. Novas tecnologias ou experiências digitais atraem sempre gestores que procuram uma vantagem operacional. A discussão muitas vezes se volta para a substituição de um sistema atual em sua organização.

Em muitos casos, os gestores muitas vezes têm de enfrentar dívidas técnicas antes de a nova tecnologia ser adoptada. A dívida técnica é o custo das compensações aceites de manutenção dos sistemas atuais para atingir um lançamento imediato ou uma meta orçamental. A dívida surge de vários casos, de uma decisão de programação de um projeto de engenharia de software ou de uma decisão de redução de custos para adiar atualizações de um sistema desatualizado. No desenvolvimento de aplicativos, por exemplo, lançar uma versão mais simples do produto para entrega rápida leva à omissão de recursos, criando uma dívida técnica que deve ser resolvida quando os novos recursos forem adicionados. Por vezes, a dívida técnica “parece” uma medida de poupança de custos quando comparada com a escolha tecnicamente melhor a longo prazo.

A dívida técnica é um tema crescente entre os gestores porque o número de causas potenciais decorrentes do lançamento de uma solução empresarial está aumentando. As empresas estão adotando soluções de aprendizado de máquina, IA e nuvem para substituir muitos sistemas desatualizados que atualmente gerenciam serviços e processos. A dívida técnica associada aos sistemas mais antigos revela-se como custos operacionais ocultos que cresceram ao longo do tempo e devem ser abordados.

Muitas transformações tecnológicas estão sendo influenciadas tanto por decisões de gerenciamento de dados quanto por escolhas de design de software. Veja a regulamentação de privacidade de dados. A retenção de dados nos sistemas deve ser identificada para atender aos requisitos de conformidade de privacidade. A gestão de dados deve destacar como a conformidade está sendo observada.

Na verdade, surgiu uma variante da dívida técnica entre os profissionais de TI: a dívida de dados. A dívida de dados é um acúmulo de compensações no gerenciamento de dados. A dívida de dados geralmente ocorre sempre que os dados sustentam operações, como controle de qualidade ou inteligência de ameaças para segurança cibernética. Tal como a dívida técnica, a dívida de dados ocorre com o atraso no investimento na manutenção ou gestão de ativos digitais – neste caso, dados operacionais.

A dívida de dados cria uma diferença familiar, mas distinta, nas compensações em comparação com os casos de dívida técnica. Enquanto dívida técnica é mais um termo abrangente que aborda as tecnologias usadas para entregar um produto e serviço; dívida de dados é um termo abrangente que aborda pontos de contato de dados, como silos, duplicação de observações e inconsistências de fontes. A ascensão do aprendizado de máquina, juntamente com a atual adoção de alto perfil da IA, torna mais difícil evitar os riscos potenciais de um gerenciamento de dados mal investido.

Os gestores de TI verão mais problemas de dívida de dados à medida que o investimento em IA aumentar. Grandes modelos de linguagem (LLMs) de código aberto, como a estrutura LangChain e o recém-lançado Llama2 da Meta, introduzem a capacidade de criar modelos e aplicativos de IA com menos parâmetros e, consequentemente, tamanho de modelo menor do que o modelo de treinamento por trás do ChatGPT. O LLM de código aberto oferece desenvolvimento de IA mais gerenciável para aplicativos aprimorados por IA que operam com seus dados proprietários. Ele permite mais transparência sobre os dados de treinamento e teste, eliminando a dependência do acesso a dados de servidores e APIs de terceiros que podem alterar e interromper o desempenho do modelo.

O gerenciamento de uma plataforma interna de IA também elimina os desafios do uso de dados. Muitos LLMs são desenvolvidos usando vectorstores, um meio de armazenamento de dados para indexar dados e documentos não estruturados. Os armazenamentos vetoriais são válidos para dados incorporados - um conjunto de dados criado a partir de dados não estruturados usando LLM. Vectorstores são projetados especificamente para facilitar o acesso a documentos para modelos de treinamento e teste. Mas uma empresa que planeja um modelo pode estar usando documentação armazenada em mídias mais antigas. Assim, o desenvolvimento avançado revela frequentemente situações de dívida de dados para dados acedidos a partir de armazenamentos de dados mais antigos.