Resolução de Problemas versus Solucionando Problemas

Ao sentar ao lado de nosso time técnico me ressinto em ser chamado de “sem noção, sem hard skills”.

No entanto, um ponto maior deve ser levantado aqui. O sucesso requer compreensão, mas não necessariamente de como um instante específico de uma solução surgiu.

O que tenho observado nos últimos anos é que, para ser bem-sucedido em qualquer esforço de Dados, é preciso ter uma compreensão emaranhada de qual é o problema e como as técnicas podem ser aplicadas para encontrar soluções.

Essa é uma forma mais geral de compreensão, que coloca mais ênfase em encontrar modelos viáveis, ao invés de aplicar esses modelos a instâncias individuais de um problema. Compreensão IMHO de resolução de problemas sobre a compreensão de uma solução específica.

Dirigindo a Caixa Preta

Considere o exemplo a seguir. Para mim, o motor do meu carro é uma caixa preta;

Tenho muito pouca ideia de como funciona. Um mecânico sabe como os motores funcionam em geral, mas ele não tem como saber o estado interno exato do motor do meu carro enquanto estou viajando pela estrada a 160 quilômetros por hora.

Essa “falta de compreensão” não me impede de ir de A a B. Giro o volante, acelero e vamos embora.

No fundo, um mecânico e eu temos diferentes níveis de compreensão do meu carro. Um detalhe importante, em diferentes níveis de precisão, a coisa se torna uma caixa preta para cada um de nós.

Nesse sentido, há um ponto em que nossos modelos perfeitamente práticos se quebram e não refletem mais a realidade. No final são caixas pretas até o fim.

Perseguindo Sombras

Modelos são ferramentas “meramente” para ajudá-lo a navegar em um mundo muito complexo. Assim como os modelos de aprendizado de máquina, um modelo científico pode funcionar em muitos casos, mas até aí a Lei da Gravidade Universal de Newton também funciona. Sabemos com certeza que esse modelo em particular está definitivamente errado; e espero que muitos outros estejam igualmente incorretos.

Sempre haverá limites para nossa compreensão. O fato de termos um modelo que pode nos ajudar a prever, não significa necessariamente que entendemos corretamente a natureza do universo. Todos os modelos são errados, mas alguns são úteis.

A realidade é simplesmente complicada demais para ser capturada em um conjunto de regras gerenciáveis, mas mesmo modelos incompletos (ou incorretos) podem fornecer insights e nos ajudar a navegar melhor por este mundo. O aprendizado de máquina é bem-sucedido, justamente porque pode nos ajudar a encontrar esses modelos.

[Peter Norvig escreveu um artigo excelente sobre esse tema em relação a modelos de linguagem.]

Conclusão

A jornada em direção ao sucesso, especialmente no campo de dados, parece enfatizar a importância de uma compreensão holística e adaptável em vez de um conhecimento aprofundado de soluções específicas.

A analogia da ‘caixa preta’, seja em referência ao motor de um carro ou aos complexos modelos de aprendizado de máquina, ilustra como a compreensão prática e geral, mesmo que imperfeita, é vital para a navegação e resolução de problemas em um mundo em constante mudança.

Este entendimento mais amplo, que valoriza modelos viáveis em detrimento de soluções específicas, permite a flexibilidade e a adaptabilidade necessárias em um campo em evolução como o de dados.

Além disso, o reconhecimento de que todos os modelos têm suas limitações sublinha a importância de perseguir um conhecimento pragmático em vez de uma precisão absoluta. Modelos, sejam eles científicos ou baseados em aprendizado de máquina, são ferramentas para nos ajudar a compreender e interagir com uma realidade complexa, e não representações perfeitas dessa realidade.

Como o exemplo de Newton ilustra, mesmo modelos ‘errados’ podem ser extremamente úteis. Portanto, a busca contínua por modelos mais eficazes e a disposição para adaptar ou abandonar teorias existentes é crucial para o progresso e sucesso em qualquer campo, especialmente em um tão dinâmico quanto o de dados.

João Ricardo

PS: Não sou nenhum expert em ML nem engenheiro de software, sou apenas um curioso nesse campo.