Antecipando soluções a partir de uma máquina de previsão de problemas

Na área de arquitetura de soluções de tecnologia da informação é natural aguardarmos os problemas e as demandas por soluções, que muitas vezes chegam a partir de comunicação dos stakeholders das organizações.

Acontece que, diante do cenário de alta competitividade, a verdade é que uma boa parte dos problemas sequer são percebidos, pelo menos no tempo que esperamos ser o mais relevante para isso. E essa lógica também é válida para as necessidades que podem se transformar em produtos e serviços diferenciados.

Dessa forma, penso que o grande volume de dados de mercado, dos mais variados problemas, em grande parte recorrentes, exige dos arquitetos de TI uma visão cada vez mais preditiva dos riscos e soluções futuras, e até mesmo de abordagens cada vez mais sistêmicas e autônomas, diante da quantidade e qualidade de stacks de tecnologia e das ferramentas para isso.

Mais que isso, acredito que seja possível construir uma máquina de previsão de problemas, simulando em parte as atividades das pessoas na identificação e análise de riscos, problemas, ameças, etc., que afetam qualquer organização ou player de mercado.

Por exemplo — e um bom começo nesse sentido — pode-se considerar a análise por aprendizado de máquina (AI/ML), principalmente por deep learning, e não apenas por aprendizado supervisionado, mas todos mais acessíveis em ambiente on-premises ou cloud, dos principais indicadores de incidentes, como por exemplo os tempos médios (resposta inicial, resolução, etc.), as diversas taxas (conformidade, SLA, resolução, reabertura, etc.) e os mais diversos indicadores quantitativos (incidentes, pendências, custos, etc.), típicos do realm de gestão de problemas e incidentes, e de compliance, em abordagens como o ITIL.

Seguindo essa linha, podemos imaginar, na nossa máquina de previsão de problemas, agregar cada vez mais dados não estruturados, como os presentes nos mais diversos data lakes, inclusive por comunicação por texto, como através de chatbots, ou diretamente por voz, transformando e fazendo o cruzamento com os dados anteriores.

Evidentemente, quando se trata de futuro, nenhum sistema é determinístico, principalmente em grandes mudanças de cenário — como a que estamos vivendo — e nem é isso que estou propondo aqui. Mas, assim como nos modelos de previsão de demanda, do clima e tempo, dos preços no mercado de capitais, etc., pode-se esperar que alguns modelos serão melhores que os outros, pelo menos em determinados períodos, agregando novas oportunidades para as organizações mitigarem os riscos e aumentarem a visibilidade de futuros problemas, ou até mesmo não serem surpreendidas com demandas de soluções.

E, em tese, esse sistema pode alimentar uma arquitetura de Advanced Analytics, fomentando as mais variadas análises probabilísticas e preditivas, em busca de problemas futuros e suas possíveis soluções, antes mesmo de ocorrerem.
___
Por Rogerio Figurelli em 22/12/2020
Senior IT Architect & Solutions Consultant
https://www.linkedin.com/in/figurelli/