Sílvia Raposo

Machine Learning: autonomous learning

Machine Learning has been developing further every day, thanks to the digital transformation movement. The original basis was a theory that believed computers could learn to perform specific tasks and to recognise patterns. The challenge was simple: to check if computers could learn from data.

Machine Learning provides systems with the possibility to learn and improve from experience, without needing specific programming for that effect. The focus is on developing programs that use available data and can learn on their own. The mathematical models are built and powered with – potentially – large amounts of data. The algorithms learn to identify patterns and to extract insights that are applied when new information is processed. This term dates back to 1959, when the pioneer Arthur Samuel defined Machine Learning as the ability of a computer to learn without being explicitly programmed to do so.

This learning process starts with data processing and trying to identify patterns. The main goal is to allow computers to learn autonomously without the need for human assistance, using that knowledge to make decisions according to what was “learnt”. Even though machine learning algorithms have been around for a long time, the application of these mathematical calculations to Big Data, with more frequency is a recent development. However, according to industry reports, what is considered to be an exponential growth in this area today is going to be seen as only “baby steps” in 50 years. This AI field is expected to grow extremely fast in the coming years.

Examples of Machine Learning

The continuing interest in this practice stems from a few key factors that have also made data mining and Bayesian analysis extremely popular: growth in the volume and variety of available data; cheaper and more powerful computational processes; and low cost storage.

A few examples of machine learning applications in some companies include self-driving vehicles; recommendations from online platforms such as Amazon and Netflix based on users’ behaviour; voice recognition systems such as SIRI and Cortana; PayPal’s platform, which is based on machine learning algorithms to fight fraud by analysing large quantities of data from the customer and assessing risks; the model from Uber that uses algorithms to determine time of arrival and departure locations; SPAM detecting mechanisms in email accounts; facial recognition that occurs in platforms such as Facebook.

Industries that are choosing Machine Learning

Most industries with large amounts of data have already acknowledged the potential of this technology. The possibility to extract insights allows companies to obtain a competitive advantage and work more efficiently.

Financial Services

Banks and other financial entities are using machine learning with two goals: extracting valuable insights from customer data and preventing fraud. Insights identify investment opportunities according to customers’ profiles, and, concerning fraud, the identification of high-risk customers and suspect transactions is improved.

Furthermore, this technology can also influence customer satisfaction. By analysing a user’s activity, smart machines can predict, for example, a possible account closure before it happens and prompt mitigating actions.

Health

Health entities can capitalise on the integration between IoT and data analysis to develop better solutions for patients. The emergence of wearables allows acquiring data related to the patients’ health, which, in turn, allows health professionals to detect relevant patterns including risk patterns. Therefore, this technology offers the potential for better diagnosis and treatment.

Retail

Nowadays, the impact of smart machines in users’ retail experience is quite obvious. The result is a highly personalised service that includes recommendations based on purchase history or online activity; improvements in customer service and delivery systems, where machines decipher the meaning of users’ emails and delivery notes, in order to prioritise tasks and ensure customer satisfaction; and dynamic price management by identifying patterns in price fluctuations and allowing to prices to be determined according to the demand. The ability to gather, analyse and use data to personalise, for example, a purchase experience (or implement a marketing campaign) is the future of retail.

Transportation

Analysing data to identify patterns and trends is key to the transportation industry, since profit growth means more efficient routes and the projection of potential problems. Data analysis and the modelling aspects of machine learning are important tools for delivery companies and public transportation, allowing them to improve their income.

Machine learning apps allow companies to automate the analysis and interpretation of business interactions, extracting valuable insights that make personalising products and services, possible.

Xpand IT has a complete service portfolio in Machine Learning. If you want to know how to use Machine Learning in your business and obtain real added value, we can help. Do you want to know how we can help your business? Contacts us here and get the best out of this technology!

Sílvia RaposoMachine Learning: autonomous learning
read more

Machine Learning: aprender de forma autónoma

Com o movimento de transformação digital, o ramo de Machine Learning foi ganhando cada vez mais tração. Primeiramente assente numa teoria que advogava que os computadores poderiam aprender a efetuar tarefas específicas e a reconhecer padrões, o desafio colocado era simples: verificar se os computadores poderiam aprender com os dados.

Machine Learning proporciona aos sistemas a possibilidade de aprender e melhorar com a experiência, sem necessidade de haver uma programação específica para esse efeito. O foco é no desenvolvimento de programas que utilizem os dados disponíveis e consigam aprender por si. Os modelos matemáticos são construídos e alimentados com – potencialmente – grandes volumes de dados. Os algoritmos aprendem a identificar padrões e a retirar insights que são aplicados quando se processa nova informação. Este termo surgiu em 1959, quando o pioneiro Arthur Samuel definiu Machine Learning como a capacidade de um computador aprender sem ser explicitamente programado para o fazer.

Este processo de aprendizagem começa com processamento de dados, tentando identificar padrões. O objetivo principal é de permitir que os computadores aprendam autonomamente sem assistência humana, usando esse conhecimento para tomar decisões em concordância com o que foi “aprendido”. Embora os algoritmos de machine learning tenham estado presentes durante muito tempo, a aplicação destes cálculos matemáticos a Big Data, cada vez com maior fluidez, é um desenvolvimento mais recente. No entanto, de acordo com relatórios da indústria, o que se considera hoje em dia ser um crescimento tão exponencial nesta área, daqui a 50 anos será apenas visto como “baby steps”. É esperado que este ramo de IA cresça de forma muito acelerada nos próximos tempos.

Exemplos de Machine Learning

O interesse recorrente nesta prática é devido a alguns fatores que também tornaram o data mining e a análise Bayesiana extremamente populares. O crescimento no volume e variedade de dados disponíveis, o processo computacional que é mais barato e mais poderoso, e o armazenamento com um custo mais reduzido representam alguns dos atrativos deste ramo.

Alguns exemplos da aplicação de machine learning em algumas empresas incluem veículos de condução autónoma; recomendações de plataformas online como Amazon e Netflix com base no comportamento dos utilizadores; sistemas de reconhecimento de voz como a SIRI e Cortana; a plataforma Paypal assente em algoritmos de machine learning para combater a fraude, analisando grandes quantidades de dados do cliente e avaliando o risco; o modelo da Uber que utiliza algoritmos para determinar hora de chegada e determinar localizações de  partida; mecanismos de deteção de SPAM na conta de e-mail; reconhecimento facial que ocorre em plataformas como o Facebook.a

Indústrias apostam em Machine Learning

A maioria das indústrias com grandes quantidades de dados já reconheceu o potencial desta tecnologia. A possibilidade de extração de insights permite às empresas obter uma vantagem competitiva e trabalhar de forma mais eficiente.

Serviços Financeiros

Tanto os bancos como as demais entidades financeiras estão a usar machine learning com dois propósitos: retirar insights valiosos dos dados e prevenir a fraude. Os insights identificam oportunidades de investimento adequadas aos perfis dos clientes, e no campo da fraude, são identificados clientes de alto-risco.

Para além disso, com esta tecnologia também se consegue influir o nível de satisfação do cliente. Recorrendo à análise da atividade do utilizador, as smart machines conseguem prever um possível fecho de conta antes dele ocorrer, por exemplo.

Saúde

As entidades de saúde podem capitalizar na junção entre IoT e análise de dados, para desenvolver melhores soluções para os pacientes. O aparecimento de wearables permite a aquisição de dados relativos à saúde dos pacientes, que por sua vez permite aos profissionais de saúde detetarem padrões relevantes ou situações de risco. Esta tecnologia permite, por isso, melhorar o diagnóstico e o tratamento.

Retalho

Hoje em dia é bastante notório o impato das smart machines na experiência do utilizador. O resultado é um serviço altamente personalizado que inclui recomendações baseadas no histórico de compra ou atividade online; melhoria no serviço de apoio ao cliente e sistemas de entregas, em que as máquinas decifram o significado dos emails dos utilizadores e notas de entregas de forma a priorizar tarefas e garantir a satisfação do cliente; rastrear mudanças de preços, identificando padrões nas flutuações de preços, permitindo estabelecer os mesmos de acordo com a procura. A capacidade de reunir dados, analisar e utilizar os mesmos para personalizar uma experiência de compra (ou implementar uma campanha de marketing) é o futuro da indústria de retalho, por exemplo.

Transporte

Analisar dados para identificar padrões e tendências é chave para a indústria de transporte, uma vez que o aumento de lucro é sintomático de rotas mais eficientes e da previsão de potenciais problemas. A análise de dados e os aspetos modelares de machine learning são ferramentas importantes para empresas de entregas e de transportes públicos poderem aumentar os seus dividendos.

As aplicações de machine learning permitem às empresas automatizar a análise e a interpretação das interações do negócio, retirando insights valiosos que permitem personalizar produtos e serviços, em última instância.  Esta aposta na transformação digital irá certamente traduzir-se num investimento que se revelará uma decisão lucrativa para o negócio.

A Xpand IT tem um portefólio de serviços completo na área de Machine Learning. Se pretender saber como pode colocar Machine Learning ao serviço do seu negócio e obter um verdadeiro valor acrescentado, nós ajudamos. Quer saber de que forma podemos ajudar o seu negócio? Entre em contato connosco aqui e retire o máximo proveito desta tecnologia!

Sílvia RaposoMachine Learning: aprender de forma autónoma
read more

DevOps is not Dev & Ops – What I didn’t know about DevOps

All these years I have heard about DevOps, but I was truly convinced it was too techy for me.

I thought it was about continuous integration, automation, and awesome DevOps guys, who knew not only how to develop software but also how to release and manage production environments…

Now, I realise that I was completely wrong… DevOps is not Dev & Ops teams together… but an entire organisation that collaborates – really collaborates.

Of course you need automation; of course you need continuous integration – but that’s not all.

In a DevOps culture you must follow these rules:

  • Know the flow = understand how work goes from “to do” to “done”
  • You don’t work in a silo = instead of working in an isolated team that is just worried about their “own” work, you work for a purpose/value
  • You are constantly learning & improving = Don’t waste time – if something needs to be changed, change it

But how can you transform a whole organisation? Below, you can see some practical tips:

  • Make your work visible to everyone; don’t worry what others may think about it.
  • Change your mindset. Let me tell you a story, that someone once told me:

JFK, once when visiting NASA, saw a janitor cleaning the floor and asked him: What are you doing? He expected an answer like “I am cleaning the floor”, but instead the man said “I’m helping the men get to the Moon.”

  • Add value to your user stories; don’t create them just for someone to do something, but because you need to generate value, like improving customer satisfaction to 80%.
  • Collaborate, collaborate, collaborate even more… No man is an island, so don’t work like one.

Tools are not the most important element, but they can definitely help. Running shoes don’t make you a runner, but they will help you to run better.

If you are searching for tools that can help you understand the flow of work, make your work visible, and help you collaborate better with your team, just take a look at Jira, which allows teams to capture and organise work, assign it to the team and track team activity.

Sofia Neto

Collaboration & Development Solutions Manager, Xpand IT

Sílvia RaposoDevOps is not Dev & Ops – What I didn’t know about DevOps
read more

DevOps não é Dev & Ops – O que eu não sabia acerca de DevOps

Já há muito tempo que ouço falar de DevOps, mas estava profundamente convencida que era demasiado “techy” para mim. Eu pensava que DevOps era sobre Continuous Integration, Automação, e uns tipos fantásticos que se auto-intutulavam de DevOps e que sabiam quer de desenvolvimento de software quer de gestão de sistemas.

Agora, entendo que estava completamente enganada… DevOps não é igual a Dev & Ops a trabalharem juntas, mas antes a uma organização inteira a trabalhar em conjunto, a colaborar, mas colaborar à séria.

Claro que necessitamos de Automação, claro que necessitamos de soluções para Continous Integration, mas não só.

Numa cultura DevOps, devemos seguir estes princípios:

  • “Know the Flow” (Conheça o seu fluxo) = perceber como é que algo vai de “por fazer” a “feito”.
  • Trabalhar de forma aberta e visível = em vez de trabalhar em equipas isoladas, que apenas se preocupam com o SEU trabalho, toda organização trabalha em conjunto para atingir um propósito.
  • Aprender todos os dias & melhorar = Não perca tempo, se algo precisa de ser melhorado, melhore. Aprenda com as falhas e dissemine o conhecimento por toda a organização.

Mas como podemos transformar uma organização inteira? Em baixo, partilho alguns exemplos práticos:

  • Torne o seu trabalho visível para todos, não se preocupe sobre o que é que os outros vão pensar das suas falhas e sucessos.
  • Mude o “mindset”, deixe-me partilhar esta história que uma vez ouvi..

JFK, antigo presidente dos EUA, em visita à NASA, viu um empregado de limpeza e perguntou-lhe: “O que está a fazer?”. Ele esperava uma resposta, como: “Estou a limpar o chão”, mas antes, o empregado de limpeza respondeu: “ Estou a ajudar o homem a chegar à lua”.

  • Adicione o propósito às suas “user stories”, não desenvolva algo para fazer outra coisa, mas porque o que vai desenvolver vai gerar valor, como por exemplo, aumentar a satisfação do cliente em 80%.
  • Colabore, colabore e colabore um pouco mais… Nenhum homem é uma ilha, portanto não trabalhe como estando numa.

As ferramentas não são o mais importante, mas com certeza que ajudam. As sapatilhas de corrida, não fazem de si um corredor, mas vão de facto ajudar a correr melhor.

Se se encontra à procura de ferramentas que o possam ajudar a compreender o fluxo de trabalho, tornam o trabalho da sua organização visível e ajudam a colaborar melhor como equipa, espreite o Jira, que permite às equipas capturar e organizar o trabalho e o mais importante de tudo, colaborar.

Sofia Neto

Collaboration & Development Solutions Manager, Xpand IT

Sílvia RaposoDevOps não é Dev & Ops – O que eu não sabia acerca de DevOps
read more

Xpand IT receives Atlassian Philantropy Partner of the Year 2018

Barcelona, 4 September 2018 – “Moments like these are the ones that remind us that the path of giving back to the community can really make the change for a better world.” These were the words of Pedro Gonçalves, Xpand IT’s Co-Founder, after having received the award for Philanthropy Partner of The Year at the Atlassian Summit 2018.

Xpand IT was the first Portuguese company to join the Pledge 1% movement and by doing so, has committed to donate 1% of product and annual profit to charitable organisations. During the last year, it has been deeply involved with the philanthropic movement, developing a major series of initiatives aimed at giving back to the community.

Atlassian is thrilled to recognize and honor our 2018 Partner Award recipients“, said Martin Musierowicz, Atlassian’s Head of Global Channels. “Solution Partners are instrumental to our customers’ success and we are excited to be able to highlight some of our top partners who are going above and beyond to support customers and provide Atlassian services.

Xpand IT plans to raise the bar in disseminating the Pledge 1% mission in 2019 and multiply the number of initiatives aimed at helping those in need – all the while improving companies’ success through better collaboration using Atlassian technology.

Atlassian is the company behind products such as Jira, Jira Service Desk, Bitbucket and Confluence. Their mission is to help every team  unleash their potential. Xpand IT has achieved highest Solution Partner Level, Platinum, and has an impressive track-record of implementing projects based on Atlassian products.

For Sofia Neto, Collaboration & Development Solutions Lead at Xpand IT, being present at the Summit is not only a unique opportunity to meet people and share know-how and experiences, but is also recognition of the continuous hard work: “We’ve had the opportunity to participate in such exclusive events and the experience goes far beyond a traditional one. This is the second year in a row that we have been distinguished by Atlassian, this time recognising our involvement in the philanthropic movement Pledge 1%, and it’s something that truly makes us proud and just makes us want to do more and more. This is definitely a huge part of what it is to be an Xpander.”

Xpand IT team receives award from Mike Cannon-Brookes, the co-founder of Atlassian, the Philantropy Partner of the year 2018, in Barcelona.

Sílvia RaposoXpand IT receives Atlassian Philantropy Partner of the Year 2018
read more

Agile Portugal 2018: Aqui vamos nós!

A Xpand IT tem o prazer de anunciar que irá marcar presença no evento Agile Portugal 2018, a decorrer no dia 25 de Maio, na Faculdade de Engenharia da Universidade do Porto, enquanto participante e principal patrocinador.

Sílvia RaposoAgile Portugal 2018: Aqui vamos nós!
read more