Entenda os dados e sua importância

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

• Explicar tipos de dados e formatos, como tabular, texto, imagens, áudios e vídeos.
  
• Usar técnicas para identificar tipos de fontes de dados e métodos de coleta de dados.
  
• Entender o impacto de dados incorretos na tomada de decisão.
  

Classificação e tipos de dados

Sendo os dados um componente essencial dos setores nos dias de hoje, é importante compreender os diferentes tipos de dados, fontes de dados e métodos de coleta, bem como a importância dos dados na IA.

Classificação de dados

Os dados podem ser classificados em três categorias principais: estruturados, não estruturados e semiestruturados. 

• Os dados estruturados são organizados e formatados de uma maneira específica, como em tabelas ou planilhas. Eles têm um formato bem definido e podem ser facilmente pesquisados e analisados. Exemplos de dados estruturados incluem planilhas, bancos de dados, data lakes e armazéns.
  
• Por outro lado, os dados não estruturados, não são formatados de uma forma específica e podem incluir texto, documentos, imagens, áudios e vídeos. Os dados não estruturados são mais difíceis de analisar, mas podem fornecer insights valiosos sobre o comportamento do cliente e as tendências do mercado. Exemplos de dados não estruturados incluem postagens em mídias sociais, avaliações de clientes e mensagens de email.
  
• Os dados semiestruturados são uma combinação de dados estruturados e não estruturados. Eles têm uma certa estrutura definida, mas também pode conter elementos não estruturados. Exemplos de dados semiestruturados incluem arquivos XML (Extensible Markup Language) ou JSON (JavaScript Object Notation).
  

Formato de dados

Os dados também podem ser classificados pelo formato. 

• Os dados tabulares são dados estruturados organizados em linhas e colunas, como em uma planilha.
  
• Os dados de texto incluem dados não estruturados na forma de documentos de texto, como emails ou relatórios.
  
• Os dados de imagens podem incluir informações visuais na forma de logotipo da marca, gráficos e infográficos.
  
• Os dados geoespaciais referem-se às coordenadas geográficas e ao formato dos mapas dos países, representando informações essenciais sobre a superfície da Terra.
  
• Os dados de série temporal referem-se a dados que podem conter informações durante um período de tempo, por exemplo, preços diários de ações durante o ano anterior.
  

Tipos de dados

Outra forma de classificar os dados é pelo seu tipo, que pode ser quantitativo ou qualitativo. 

• Os dados quantitativos são numéricos e podem ser medidos e analisados estatisticamente. Exemplos de dados quantitativos incluem valores de vendas, contagens de clientes com base na localização geográfica e tráfego do site.
  
• Por outro lado, os dados qualitativos, não são numéricos e incluem texto, imagens e vídeos. Em muitos casos, os dados qualitativos podem ser mais difíceis de analisar, mas podem fornecer informações valiosas sobre as preferências e opiniões dos clientes. Exemplos de dados qualitativos incluem avaliações de clientes, postagens em mídias sociais e respostas a pesquisas.
  

Os dados quantitativos e qualitativos são importantes no campo da análise de dados em diversos setores. Para obter mais detalhes sobre este tópico, consulte o módulo do Trailhead Variáveis e tipos de campo.

Compreender os diferentes tipos e classificações de dados é importante para uma análise de dados eficaz. Ao categorizar os dados em categorias estruturadas, não estruturadas e semiestruturadas, e diferenciar entre dados quantitativos e qualitativos, as organizações podem escolher de forma mais eficaz a abordagem de análise correta para obter insights a partir desses dados. Explorar diferentes formatos, como tabular, texto e imagens, torna a análise e interpretação dos dados mais eficaz.

Métodos de coleta de dados

A identificação das fontes de dados é uma etapa importante na análise de dados. Os dados podem ser obtidos de várias fontes, incluindo fontes internas, externas e conjuntos de dados públicos. As fontes de dados internas incluem dados gerados dentro de uma organização, como dados de vendas e dados de clientes. As fontes de dados externas incluem dados obtidos fora da organização, como pesquisas de mercado e dados de mídias sociais. Conjuntos de dados públicos são conjuntos de dados disponíveis gratuitamente que podem ser usados para análise e pesquisa.

A coleta, rotulagem e limpeza de dados são etapas importantes na análise de dados. 

• A coleta de dados é o processo de reunir dados de diversas fontes.
  
• A rotulagem de dados é atribuir tags ou rótulos aos dados para torná-los mais facilmente pesquisáveis e analisáveis. Isso pode incluir a atribuição de categorias aos dados, como faixas etárias ou categorias de produtos.
  
• A limpeza de dados é o processo de remoção ou correção de erros e inconsistências nos dados para melhorar sua qualidade e precisão. A limpeza de dados pode incluir a remoção de dados duplicados, a correção de erros ortográficos e o preenchimento de dados ausentes.
  

Várias técnicas podem ser usadas para coletar dados, como pesquisas, entrevistas, observação e coleta de dados na web. 

• As pesquisas coletam dados de um grupo de pessoas usando um conjunto de perguntas. Elas podem ser realizadas online ou pessoalmente e são frequentemente usadas para coletar dados sobre as preferências e opiniões dos clientes.
  
• As entrevistas coletam dados de indivíduos por meio de conversas individuais. Elas podem fornecer dados mais detalhados do que pesquisas, mas também podem consumir muito tempo.
  
• A observação coleta dados observando e ouvindo pessoas ou eventos. Isso pode fornecer dados valiosos sobre o comportamento do cliente e as interações com o produto.
  
• A coleta de dados na web coleta dados de sites usando ferramentas de software. Ela pode ser usada para coletar dados sobre concorrentes, tendências de mercado e avaliações de clientes.
  

A análise exploratória de dados (EDA) geralmente é a primeira etapa em qualquer projeto de dados. O objetivo da EDA é conhecer os padrões gerais dos dados e compreender os insights e as principais características deles.

A importância dos dados na IA

Os dados são um componente essencial da IA e a qualidade e a validade dos dados são essenciais para o sucesso das aplicações de IA. As considerações para a qualidade e validade dos dados incluem garantir que os dados sejam precisos, completos e representativos da população que está sendo estudada. Dados incorretos podem ter um impacto significativo na tomada de decisão e na IA, levando a resultados imprecisos ou tendenciosos.

A qualidade dos dados é importante desde o início de um projeto de IA. Veja algumas áreas de consideração que destacam a importância dos dados e da qualidade dos dados na IA.

• Treinamento e desempenho: A qualidade dos dados utilizados para treinar modelos de IA impacta diretamente seu desempenho. Dados de alta qualidade garantem que o modelo aprenda padrões precisos e representativos, levando a previsões mais confiáveis e a tomadas de decisão melhores.
  
• Precisão e preconceito: A qualidade dos dados é vital para mitigar preconceitos nos sistemas de IA. Dados tendenciosos ou imprecisos podem levar a resultados tendenciosos, reforçando as desigualdades existentes ou perpetuando práticas injustas. Ao garantir a qualidade dos dados, as organizações podem buscar a justiça e minimizar resultados discriminatórios.
  
• Generalização e robustez: Os modelos de IA devem conseguir lidar com dados novos e desconhecidos de forma eficaz e ter um bom desempenho consistente em diferentes situações. Dados de alta qualidade garantem que o modelo aprenda padrões relevantes e diversos, permitindo que ele faça previsões precisas e lide com novas situações de forma eficaz.
  
• Confiança e transparência: A qualidade dos dados está intimamente ligada à confiabilidade e transparência dos sistemas de IA. As partes interessadas devem confiar nos dados utilizados e nos processos envolvidos. Práticas de dados transparentes, juntamente com a garantia da qualidade dos dados, ajudam a criar uma relação de confiança e a promover a responsabilidade.
  
• Governança de dados e conformidade: Medidas adequadas de qualidade dos dados são essenciais para manter a governança de dados e a conformidade com os requisitos regulamentares. As organizações devem garantir que os dados utilizados nos sistemas de IA cumpram os padrões legais, de privacidade e segurança.
  

Para alcançar a alta qualidade dos dados em IA, é necessário um ciclo de vida de dados robusto focado na diversidade e representatividade dos dados e na abordagem de possíveis preconceitos. Há várias etapas no ciclo de vida dos dados e a qualidade dos dados é importante em todas elas. O ciclo de vida dos dados inclui coleta, armazenamento, processamento, análise, compartilhamento, retenção e descarte. Você verá mais detalhes sobre o ciclo de vida dos dados na próxima unidade. 

Nesta unidade, você aprendeu sobre diferentes tipos de dados, fontes de dados e métodos de coleta, e a importância dos dados em IA. A seguir, conheça as noções básicas sobre a aprendizagem de máquina e como ela difere da programação tradicional. E aprenda mais sobre as técnicas de IA e suas aplicações no mundo real.

Recursos 

• GitHub: Letramento em dados
  
• Site externo: Qual é a importância dos dados na aprendizagem de máquina?
  
• Trailhead: Qualidade dos dados
  
• Trailhead: Variáveis e tipos de campo
  
• Trailhead: Dados corretamente estruturados