O desafio do ágil em um time de Machine Learning

Globalcode – Open4education
Trilha – Agile & Agile Coaching
Jorge Improissi
Agile Coach - GFT

• Agile Coach BAC GFT Brasil
• Análise e Desenvolvimento de sistemas (UCB)
• MBA – Liderança, Inovação e Gestão 4.0 (PUC-RS)
• Pós em Psicologia Organizacional e Gestão de Pessoas
(PUC-RS)
• Idealizador e apresentador do AGILE TO THE PEOPLE
PODCAST
• CSM, CSD, SAFe SA 5, KMP, KCP, Management 3.0,
Flight Levels, CTFL, CPRE
Jorge Improissi
Agile Coach - BAC
jorge.improissi@gft.com

O desafio do ágil
em um time de
Machine Learning
Dificuldades e Aprendizados
Dezembro 2022

Agenda
• Contexto
• Método de Trabalho para Machine Learning
• Responsabilidades por papéis
• Desafios
• Aprendizados

CONTEXTO

Contexto
• Área PLD/PCF grande Sistema de
Cooperativas do Brasil;
• Elevado número de Falsos-Positivos
de fraudes em boletos;
• Processo 100% manual;
• Demanda Top-Down;

Método de
Trabalho para
Machine
Learning

O que é
Machine
Learning?

Machine Learning
O aprendizado de máquina (em inglês, machine
learning) é um método de análise de dados que
automatiza a construção de modelos analíticos. É
um ramo da inteligência artificial baseado na ideia
de que sistemas podem aprender com dados,
identificar padrões e tomar decisões com o mínimo
de intervenção humana.

Data Mining
“O data mining é, de uma forma muito simples,
definido pela procura de relações, padrões e
tendências escondidas em conjuntos de dados de
grandes dimensões, sendo caracterizado pela
capacidade para lidar com o aumento de dados de
negócio e aceleradas alterações no mercado” (Han
e Kamber, 2006)

Processos Ágeis
“Os processos ágeis são tipicamente caracterizados
pela sua flexibilidade, capacidade de adaptação e
partilha de conhecimento, permitindo uma abordagem
iterativa, evolutiva e incremental ao desenvolvimento,
uma entrega rápida do produto, priorização dos
requisitos, envolvimento ativo dos clientes, redução do
custo e do tempo, melhoria na qualidade do software e
o aumento da probabilidade de sucesso de um
projeto.” (Keith, 2012)

CRISP-DM
A metodologia CRISP-DM (Cross Industry Standard
Process for Data mining) fornece uma visão geral do
ciclo de vida de um projeto de data mining. Contém as
fases do projeto, as tarefas respectivas e os seus
outputs. O ciclo de vida de um projeto de data mining,
nesta metodologia, é decomposto em seis fases.
(Chapman et al., 2010).
As setas indicam as dependências mais importantes e
frequentes entre as fases. Dependendo do projeto e dos
resultados obtidos numa determinada fase, pode ser
necessário retroceder para uma fase anterior.
Assumindo que o projeto não é cancelado durante a
implementação, o processo não é terminado até que
uma solução chegue à última fase do ciclo.

SCRUM-DM
A metodologia SCRUM-DM consiste numa
associação da metodologia ágil Scrum como
metodologia para a gestão do trabalho, e da
metodologia CRISP-DM como estratégia a seguir
no desenvolvimento de um projeto de data mining.
O CRISP-DM foi dividido e adaptado ao Scrum,
sendo o Scrum-DM, à semelhança do CRISP-DM
iniciado por uma fase de Entendimento do
Negócio, onde é realizada a análise dos objetivos e
do negócio, e finalizado por uma fase de
Deployment, onde é realizada a integração dos
resultados do data mining.
O desenvolvimento é realizado na fase de Sprint,
estando contempladas as fases de Entendimento
dos Dados, Preparação dos Dados, Modelagem e
Avaliação do CRISP-DM.

Ciclo de Desenvolvimento
SCRUM

Ciclo de Desenvolvimento
KANBAN

Artefatos

Responsabilidad
es por papéis

Responsabilidades
PAPEL RESPONSABILIDADES
Product Owner • Identificar e clarificar as necessidades dos stakeholders;
• Representar os stakeholders;
• Definir objetivos e requisitos para o projeto, e colocá-los na
forma de Data Mining Stories;
• Gerir o Product Backlog durante todo o projeto;
• Definir o objetivo para cada Sprint;
• Estar disponível para a equipa; Respeitar os limites de cada
Sprint;
• Rever os resultados de cada Sprint.

Responsabilidades
Scrum Master • Guiar a equipa e o Product Owner na aplicação da metodologia;
• Ser o especialista na aplicação da metodologia;
• Ajudar a remover impedimentos que a equipa encontre no
desenvolvimento;
• Proteger a equipa de influências externas;
• Apoiar a equipa enquanto se organiza a si mesma;
• Facilitar a aplicação da metodologia; Encorajar a equipa a
melhorar as práticas de desenvolvimento.

Responsabilidades
DevTeam • Apoiar a definição das Data Mining Stories;
• Definir e comprometer-se com as tarefas para cada Sprint;
• Comprometer-se com a entrega do objetivo do Sprint,
respeitando os critérios de aceitação;
• Desenvolver o que está especificado no Product Backlog.

Responsabilidades
“Os produtos são construídos por equipes de
pessoas, e os métodos ágeis se concentram nas
pessoas sobre os processos. A ciência de dados
é uma disciplina ampla, abrangendo análise,
design, desenvolvimento e pesquisa. Os papéis
dos membros da equipe Agile Data Science,
definidos em um espectro do cliente às
operações” – Russell Jurney

Responsabilidades
“Para permanecermos ágeis, devemos
abraçar e nos adaptar a essas novas
condições. Devemos adotar mudanças de
acordo com as metodologias enxutas para
nos mantermos produtivos. Várias
mudanças em particular tornam possível o
retorno à agilidade(...)
Em Agile Data Science, uma pequena
equipe de generalistas usa ferramentas
escaláveis e de alto nível e plataformas
para refinar iterativamente os dados em
estados de valor cada vez mais altos.” –
Russell Jurney

Conclusão
A metodologia proposta associa a metodologia ágil
Scrum para a gestão de trabalho, o CRISP-DM para o
desenvolvimento de projetos de data mining.
Possibilitando a inspeção contínua do
desenvolvimento do projeto executado pela equipe,
conferindo aos resultados a visibilidade necessária
para que erros ou desalinhamentos com os objetivos
possam ser retificados pouco depois de acontecerem.

Conclusão
O SCRUM-DM torna visíveis disfunções e
impedimentos que estão impedindo a eficácia da
equipe, para que possam ser eliminados. A
metodologia permite também uma maior adaptação
a alterações nos objetivos, incentivando o feedback
constante do cliente durante todo o processo de
desenvolvimento.

O modelo
proposto deu
certo?

NÃO!

DESAFIOS
O que nos impediu de
termos êxito?

O que nos impediu de termos êxito?
EXPERTISE
CASCATEAMENTO
DESCONHECIMENTO
DO NEGÓCIO
O NEGÓCIO NÃO SABIA COMO SE
COMUNICAR COM A EQUIPE DE DADOS!
Pessoas de negócio não sabiam
comunicar o que queriam e não
entendiam o que era o produto gerado
pelos profissionais de dados.
AS FASES DO CRISP-DM
“CASCATEAVAM” O SCRUM!
Levamos um período grande para
tangibilizar resultados trazendo as fases
do CRISP-DM para o timebox do Scrum.
CONHECIMENTO EM DADOS ERA
LIMITADO!
Os profissionais de dados se atinham
em informações da disciplina, enquanto
desenvolvedores focavam em codificar.
Não falavam a mesma língua!
DEPENDÊNCIAS
DE OUTRAS
ÁREAS
PROJETO
DEPARTAMENTAL
PERFIS
COMPARTILHADOS
PROFISSIONAIS ATUANDO EM MEIO-
PERÍODO!
Membros da equipe não conseguiam ter
dedicação ao projeto, tendo constantes
mudanças de contextos.
Trazendo o dilema: em qual prioridade
atuar?
PROJETO GUIADO POR VAIDADES!
O projeto era tocado de forma impulsiva,
sem tempo para aprendizado, o que
causou muito ruído interno entre time e
stakeholders.
ÁREAS IMPORTANTES NÃO
COLABORANDO ENTRE SI!
Os dados essenciais para o
desenvolvimento do aprendizado de
máquina vinha de várias áreas, que se
viam como concorrentes e não
parceiras.

Aprendizados

“SOFTWARE ÁGIL NÃO É CIÊNCIA DE DADOS ÁGIL.” –
RUSSELL JURNEY

“NA CIÊNCIA DE DADOS, AO CONTRÁRIO DA ENGENHARIA
DE SOFTWARE, O CÓDIGO NEM SEMPRE DEVE SER BOM;
ISTO DEVE SER EVENTUALMENTE BOM. ISSO SIGNIFICA
QUE ALGUMA DÍVIDA TÉCNICA INICIAL É ACEITÁVEL,
DESDE QUE NÃO SEJA EXCESSIVO. ” – RUSSELL JURNEY

Gestão por resultados
auxiliando as metas

• Exemplo para nosso contexto PCF/ML
-----------------------------
OBJETIVO: diminuir fraude em contas de cooperados (Boletos)
KR 1 - Diminuir para 30% a incidência de falso/positivo nos
casos analisados
KR 2 - Automatizar 20% do processo de análise de fraudes
-------------------------------

O que podemos trazer para nosso contexto
PCF/ML
 Identificadas dependências, trazer pessoas
das áreas para uma reunião semanal para
alinhamento da comunicação;
 Evitar o campo “Bloqueio” nos nossos fluxos,
forçando o envolvimento rápido dos
responsáveis que possam ‘desobstruir’ essa
parada do fluxo.

Gestão de Fluxo

UPSTREAM & DOWNSTREAM
O que é?
Upstream são as etapas do fluxo de trabalho que
tem o objetivo de amadurecer e validar ideias antes
de aplicá-las no mundo real.
Já o downstream se refere à todas as etapas
seguintes do fluxo de trabalho a partir do backlog de
itens gerados no upstream.

UPSTREAM & DOWNSTREAM

Ganhos rápidos
Colaboração entre áreas
relacionadas
Melhor comunicação entre
negócio x TI X Data
Disponibilidade em tempo
integral dos profissionais
necessários
Melhor definição de objetivos
da squad

E hoje? Modelos de aprendizado rodando para
os processos antifraudes em: boleto,
TED e PIX.
Aplicando melhorias.
APRENDIZADO DE MÁQUINA
Modelo mistura ML com Regra de
negócio, com o objetivo de reduzir os
falsos-positivos.
AUTOMAÇÃO DO PROCESSO
A equipe reconhece que o modelo feito
empiricamente em 2020, muito se
assemelha às práticas sugeridas pelo
modelo Agile Data Science 2.0.
APLICAÇÃO DO MODELO
AGILE DATA SCIENCE

A cultura influencia
os contextos,
analisar as melhores
práticas habilitam o
êxito, ou o fracasso,
de nossas iniciativas.

Obrigado e até a próxima!

O desafio do ágil em um time de Machine Learning

Recommandé

Recommandé

Contenu connexe

Similaire à O desafio do ágil em um time de Machine Learning

Similaire à O desafio do ágil em um time de Machine Learning (20)

O desafio do ágil em um time de Machine Learning