Baixe o app para aproveitar ainda mais
Prévia do material em texto
53 TENDÊNCIAS EM TI Unidade II 3 TENDÊNCIA EM GESTÃO DA INFRAESTRUTURA (PARTE 1) A informação é um recurso poderoso e principalmente valioso que está se tornando cada vez mais importante, além de muito abundante, haja vista a quantidade de pessoas produzindo dados na rede. Seu crescimento é exponencial, e metade das informações disponíveis foram coletadas nos últimos cinquenta anos. No entanto, não é apenas a quantidade e o armazenamento massivo de dados que mantêm a evolução constante da sociedade, mas é seu uso racional, ordenado, produtivo e inteligente de informação que constitui o fator primordial, o qual impulsiona o desenvolvimento. Organizações, empresas, grupos sociais e indivíduos precisam desenvolver competências para transformar toda essa massa de informação em conhecimento inteligente e produtivo. Mutações acontecem muito rapidamente na sociedade da informação para a sociedade do conhecimento, cujo maior capital está na capacidade do ser humano em pensar e criar. Ideias, iniciativas individuais ou coletivas e esforço pensativo e criativo são de grande valor para nossa sociedade, e esse enorme potencial aumenta à medida que é compartilhado. Isso é possibilitado pelas tecnologias de informação e comunicação, que permitem ao ser humano se interconectar em redes para que possa combinar sua inteligência, conhecimento e criatividade. Informações selecionadas precisam dar respostas e devem ser utilizadas para solucionar problemas e ensinar a lidar com novas situações. Continuar aprendendo com essas informações torna-se uma tarefa fundamental. A informação precisa ser compartilhada pela comunidade envolvida, seja gerando, buscando, recuperando ou usando recursos e fontes relacionados à estrutura cognitiva. A interpretação é, acima de tudo, uma atividade especializada que exige uma mudança no fluxo de informações e de diversas ferramentas sobre vários tópicos. Os interpretadores são constantemente confrontados, com o desafio e a responsabilidade de se familiarizar e usar os diversos meios que agora existem (localização, recuperação, tratamento e disseminação de informações) e de usar os novos recursos extraordinários que as informações e tecnologias criaram e que estão disponíveis para o seu trabalho. Em outras palavras, num ambiente de constantes mudanças, o interpretador enfrenta novas situações que surgiram do crescimento exponencial das tecnologias. A combinação entre a teoria e a prática sempre será considerada um valor agregado, pois embora projetada para atender às necessidades de um grupo de usuários específicos, as reflexões podem ser úteis em um contexto mais amplo e também para vários de perfis profissionais de formação relacionados à informação. Granell (2015, p. 6) oferece a seguinte definição para a informação: “é o resultado do processamento de dados”. Os dados, tais como observações e representações de eventos, são geralmente considerados 54 Unidade II como brutos e sem muito valor, até que sejam processados e transformados em informação valiosa. A informação envolve adicionar significado para fornecer compreensão, insights, conclusões, decisão, confirmação ou recomendação e, portanto, é um termo complexo que pode ser compreendido e descrito a partir de várias perspectivas. Três exemplos distinguem os principais usos da informação: como um processo (tornar-se informado), como conhecimento (ou seja, o conhecimento comunicado sobre algum fator particular, assunto ou evento) e como uma coisa (como dados ou documentos que podem conter conhecimento ou comunicar informações). Esse ponto enfatiza a natureza subjetiva da informação, pois os mesmos dados podem ser interpretados de formas diferentes, por pessoas diferentes ou em situações diferentes, daí a relevância de colocá-los em um contexto que determina seu real valor. Da mesma forma, o processo seguido para agregar valor aos dados, ou seja, a interpretação citada, implica um processo de tratamento, um raciocínio que contextualiza dados brutos e os transforma em conhecimento válido para servir a um propósito específico. Dessa transformação, portanto, é produzida uma resposta a uma determinada necessidade que passa a moldar o conhecimento. A natureza dos dados, informações e conhecimentos possui as seguintes características: • Qual o valor da informação. • Que características podem ser usadas para descrever a qualidade da informação. • O contexto da informação no ambiente e-business. • A tomada de decisão gerencial, incluindo as características das decisões em diferentes níveis organizacionais. • As informações necessárias para apoiar a tomada de decisão. Granell (2015) mostra, a partir da figura a seguir, uma representação desses conceitos e do último nível de análise dos dados interpretados. No campo de especialização médica, os dados brutos podem ser uma certa quantidade de glicose (nível de glicose) expressa por meio de um valor numérico (160), um símbolo matemático que indica “maior que” (>) e uma unidade de medida arbitrária que pondera a quantidade (mg/dL). Isso seria lido como “um nível de glicose superior a 160 miligramas por decilitro”, que, isolado de outros dados, simplesmente fornece um indicador da quantidade de glicose (açúcar) presente no sangue de um ser humano. Essa informação, combinada com outros dados, como estar grávida após 28 semanas de gestação e ser fumante, o que, aos olhos de uma parteira ou de um médico, fornece sintomas de uma doença em potencial. As informações começam a se formar quando esses dados são colocados no contexto de um teste de triagem (como um teste de tolerância à glicose) e são interpretados como conteúdo de aumento de glicose no sangue (hiperglicemia). Um especialista em medicina irá gerar o conhecimento necessário para determinar que a mulher sofre de diabetes gestacional e, consequentemente, informá-la a respeito de suas consequências e sobre como ela deve administrá-la por meio de dietas, exercícios ou medicamentos, se necessário. Finalmente, se a mulher não 55 TENDÊNCIAS EM TI entender português, um termo equivalente em outro idioma (por exemplo, Schwangerschaftsdiabetes em alemão) é necessário para comunicar essa condição a ela de forma eficaz. Ferramentas de comunicação Conhecimento Informação Dados Nível de glicose >160 mg/dL + 28 semanas de gestação Teste de glicose no sangue Teste oral de tolerância à glicose Resistência à insulina hiperglicemia Diabetes gestacional ES: diabetes gestacional FR: diabete gestationnel DE: Schwangerschaftsdiabetes IT: diabete gestazionale Figura 17 – Exemplo de dados, informações e conhecimento em comunicação Adaptada de: Granell (2015). Existem várias definições de dados de uso comum: • uma série de símbolos, números, valores ou palavras não aleatórios; • uma série de fatos obtidos por observação ou pesquisa e registrados; • uma coleção de fatos não aleatórios. Exemplos de dados incluem: • data de hoje; • medições feitas em uma linha de produção; • registros de uma transação comercial, como uma única visita a um site. Os dados podem existir naturalmente ou podem ser criados artificialmente. Dados de ocorrência natural são apenas para serem gravados. Nos negócios, as organizações costumam estabelecer procedimentos para garantir que os dados sejam registrados corretamente. Quando um cliente faz uma consulta por telefone, por exemplo, a equipe pode ser instruída a pedir detalhes de contato atualizados e certificar-se de que eles sejam registrados no banco de dados da empresa. Os dados artificiais, geralmente, são produzidos como um subproduto de um processo de negócios. Em processamento, as contas de uma organização, por exemplo, podem produzir o número de vendas feitas em um determinado mês. Mas o que é informação? 56 Unidade II Tal como acontece com o conceito de dados, existem várias definições de informações que são de uso comum: • dados que foram processados para que sejam significativos; • dados que foram processadospara um propósito; • dados que foram interpretados e compreendidos pelo destinatário. É importante ressaltar três pontos extraídos das definições de Bocij, Greasley e Hickie (2014). Primeiro, há um claro objetivo de que o processo lógico é usado para produzir informações. Esse processo envolve a coleta de dados e então submetê-los a um processo de transformação para gerar informações. Em segundo lugar, a informação envolve colocar os dados em alguma forma de contexto significativo, de modo que eles possam ser compreendidos e postos em prática. Em terceiro lugar, a informação é produzida com um propósito, para atender a uma necessidade de informação de algum tipo. Os mesmos autores definem informação de um modo um pouco diferente: para os autores, ela atua para reduzir a incerteza sobre uma situação ou evento. Embora a incerteza nunca possa ser totalmente eliminada, ela pode ser reduzida significativamente. As informações podem ajudar a eliminar algumas possibilidades ou fazer outras parecerem mais prováveis. A tomada de decisões gerenciais pode ser melhorada usando informações para reduzir a incerteza. Além disso, a informação influencia o comportamento de decisão e a maneira como as pessoas tomam decisões. Seguem os principais pontos levantados para a formação da informação: • transforma dados usando um processo definido; • cria contextualização para os dados, dando-lhes significado; • é produto da resposta a uma necessidade de informação e, desse modo, atende a um propósito específico; • ajuda a reduzir a incerteza, melhorando o comportamento de decisão. O processamento de dados é necessário para colocá-los em um contexto significativo para que possam ser facilmente compreendidos pelo destinatário. Vários processos de dados diferentes podem ser usados para transformar dados em informações. Os processos de dados às vezes também são conhecidos como processos de transformação. 3.1 O que é um sistema? Um sistema pode ser descrito como uma coleção de componentes inter-relacionados que funcionam juntos em direção a um objetivo coletivo e que necessita receber entradas de dados e transformá-las em saídas possíveis. Embora os sistemas naturais, como o sistema solar, possam não ter um objetivo 57 TENDÊNCIAS EM TI óbvio, sistemas de negócios muitas vezes têm vários objetivos, como lucro ou melhoria da qualidade de um produto. Em compreensão ao conceito, para que o processo de transformação possa ser usado, deve-se explicar como os dados podem ser convertidos em informação. Pode-se dizer que os dados são utilizados como entrada para um processo que cria informações como saída. O desempenho do sistema não pode ser ajustado e não há verificações para garantir que funcione corretamente. Em ordem para monitorar o desempenho do sistema, algum tipo de mecanismo de feedback é necessário. Além disso, o controle deve ser exercido para corrigir quaisquer problemas que ocorram e garantir que o sistema está cumprindo seu propósito. 3.1.1 O que é um sistema de informações de negócios? Assuntos relacionados aos conceitos da informação, à Teoria dos Sistemas e à tomada de decisão serão combinados para sugerir uma definição básica de um sistema de informações de negócios. Um sistema de informações de negócios é um grupo de componentes inter-relacionados que trabalham coletivamente para realizar ações de entrada, processamento, saída, armazenamento e controle, a fim de converter dados em produtos de informação. Esses dados podem ser usados para apoiar itens como previsão, planejamento, controle, coordenação, tomada de decisão e atividades operacionais em uma organização. Deve-se notar que existem alternativas, e vale a pena dar uma breve olhada em alguns aspectos dessas definições. Muitas dessas definições se referem a recursos de dados, que são convertidos em produtos da informação. Isso sublinha a noção de que os dados fazem parte do intangível de uma organização, da base de recursos, e que as informações derivadas deles são fornecidas de forma acabada e útil. A informação se torna um recurso de negócios e é destacada na sociedade moderna como algo mais orientado para a capacidade e a maturidade da organização. Assim, gerenciar a qualidade de suas informações pode significar a diferença entre sucesso e fracasso. Muitas definições também especificam que os sistemas de informação envolvem o uso de tecnologias da informação. No entanto, isso pode ser contestado, pois é possível fornecer muitos exemplos de sistemas de informação que não envolvem tecnologia da informação. Um exemplo de sistema de informação manual é um conjunto de livros contábeis. Algumas definições especificam que os sistemas de informação são usados apenas para apoiar as decisões. Novamente, isso pode ser contestado, pois é evidente que os gerentes fazem uso de informações de uma série de outras maneiras, por exemplo, como feedback sobre vários aspectos de um desempenho da empresa. Embora algumas definições se refiram a qualquer organização, seja com ou sem fins lucrativos, outras especificam que elas se preocupam apenas com organizações empresariais. No entanto, pode-se argumentar que é às vezes é muito difícil distinguir as organizações com e sem fins lucrativos. 58 Unidade II 3.2 Custos e liderança Na maioria dos casos, é possível reduzir os custos da organização na produção de bens ou prestação de serviços, por exemplo, automatizando partes do processo de produção. Contudo, a liderança de custos também pode ser alcançada ajudando fornecedores e clientes a reduzir custos, geralmente formando alianças e vínculos que beneficiam todas as partes envolvidas. Em alguns casos, a liderança de custos é alcançada fazendo com que os custos de um concorrente aumentem – por exemplo, introduzindo novos recursos de produto que serão caros para um concorrente duplicar. O uso de tecnologias da internet para e-business pode ajudar a alcançar liderança em custos, ajudando a reduzir os custos de transação. Todas as transações comerciais têm uma variedade de despesas associadas a elas, como o custo de publicidade de produtos, processamento de pedidos e assim por diante. Para muitas organizações, os maiores custos de transação decorrem da venda de bens ou serviços. Recentemente, as empresas têm procurado reduzir as despesas operacionais, avançando no sentido de automação, repassando os custos de transação aos clientes e impondo uma pequena taxa de reserva ou pedido. Em outros casos, encorajam os clientes a selecionar, solicitar e pagar pelos próprios produtos pela internet. Tal movimento tende a resultar em economias significativas, uma vez que a empresa não precisa mais manter instalações caras, como showrooms. 3.3 Empresa digital No final do século XX, as empresas digitais passaram a operar a maioria dos processos e atividades e também os principais recursos corporativos por meio de gerenciadores digitais. Em uma empresa de fato digital, pode-se dizer que não existe negócio realizado sem o apoio de TI, nem TI que não esteja sendo utilizada de maneira a apoiar os negócios. A emergência da empresa digital é caracterizada pelos relacionamentos empresariais significativos, habilitados e mediados digitalmente, assim como pelos processos de negócios realizados por meio de redes digitais, de forma que os principais ativos corporativos sejam administrados por meios digitais. É caracterizada também pelo uso intensivo e crescente da tecnologia e dos sistemas da informação em todas as atividades da cadeia de valor da empresa. Merecem destaque e atenção os sistemas de informação, tais como Enterprise Resource Planning (ERP), Supply Chain Management (SCM) e Customer Relationship Management (CRM), assim como o desenvolvimento de sistemas que permitem análises e tomada de decisão a partir dos dados neles gerados, ou seja, os de data warehouse (DW) e de business intelligence (BI). 3.3.1 Sistemas Enterprise Resource Planning (ERP) Desde os anos 1990, os sistemas integrados de gestãoempresarial (Enterprise Resource Planning – ERP) têm sido visualizados como potencial solução para as necessidades de processamento de informação nas organizações. Os sistemas ERP são pacotes de aplicações de processos de negócios padronizados que, conectados em tempo real, administram fluxos de informações dentro e através das organizações, permitindo aos 59 TENDÊNCIAS EM TI administradores decidir com base em informações que refletem o atual estado dos negócios. Ao implantar um sistema ERP, as organizações globais têm em mente, além dos benefícios pretendidos de redução de custos, um ideal de controle e ampla visibilidade de seus negócios, enfatizado pelos processos padronizados e integrados. Um sistema integrado salienta a capacidade da governança, a qual é alcançada por intermédio da integração de dados criados e usados em partes distintas da organização. Os sistemas ERP apresentam uma abordagem modular: cada módulo especifica uma aplicação funcional da empresa e seus respectivos dados são armazenados no banco de dados central, para que dissemine o fluxo da informação consolidada pela organização. Os fornecedores de sistemas ERP comercializam os módulos em separado, possibilitando à organização adquirir apenas os necessários para o andamento de seu negócio. 3.3.2 Sistemas Supply Chain Management (SCM) Os sistemas de gerenciamento da cadeia de suprimentos (Supply Chain Management – SCM) são um conjunto de atividades, ferramentas e softwares que permitem à empresa integrar, de modo estreito, a produção entre vários parceiros de negócio em um sistema de valores. Entre as funcionalidades cobertas pelo SCM estão: • planejamento da produção com capacidade finita (advanced planning scheduling – APS); • planejamento da demanda; • planejamento da distribuição (distribution resource planning – DRP). As ferramentas de SCM têm caráter voltado à utilização de avançadas técnicas matemáticas e a modelos de pesquisa operacional para agregar o planejamento de capacidade finita aos sistemas ERP, tanto para a produção como para a distribuição, e modelos mais eficientes de previsão de demanda. O objetivo é permitir um maior controle sobre as atividades de suprimento/produção e distribuição. Também se entende no conceito de SCM uma integração e melhor coordenação dos diversos elementos da cadeia de fornecimento (distribuidores, fabricantes, fornecedores, varejistas), de maneira a tornar o atendimento às variações na demanda uma operação mais suave, promovendo a satisfação de seus clientes. Além dos sistemas eletrônicos de informação, o gerenciamento da cadeia de suprimentos conta com determinados elementos que representam a base de todos os desenvolvimentos tecnológicos na logística e distribuição, conforme relacionado: • Electronic data interchange (EDI) ou intercâmbio eletrônico de dados: permite a transmissão eletrônica rápida de grande volume de dados em vez da utilização de documentos em papel. Esses dados podem contemplar todos os aspectos do sistema de logística e distribuição ao longo de todo o circuito de produção até o varejista. É possível alterar, de imediato, informações sobre especificações de produtos, pedidos de compra, faturas, status de transações, localização dos transportes, programações de entrega etc. 60 Unidade II • Radio-frequency identification (RFID) ou tecnologia de identificação por radiofrequência: os códigos de barras foram desenvolvidos pela primeira vez por fabricantes e lojas de cadeia de produtos alimentícios na década de 1970, permitindo que cada item recebesse uma identificação única e legível eletronicamente, sendo aprovados em todo o circuito de produção por facilitarem o alcance instantâneo de informações no ponto de venda e em toda a gestão de estoque e de logística. • Business to business (B2B) e business to consumer (B2C): uma revolução da logística foi propiciada no final dos anos 1990, com a convergência das tecnologias baseadas no EDI, e-mail e internet, originando um novo modelo de negócio denominado comércio eletrônico (e-commerce), cujas forças motrizes, outra vez, demonstraram ser velocidade e flexibilidade. O B2B (business to business) abrange todas as transações realizadas entre empresas, essencialmente a compra de produtos e serviços e de logística, levando a uma economia nos custos de transação e a uma transparência para todos os membros da cadeia de suprimentos. • Business to consumer (B2C): é a venda de produtos e serviços ao consumidor efetuada por uma empresa direto pela internet. Exemplos muito conhecidos em todo o mundo são Amazon, eBay e Dell. Nos anos 2000, no Brasil, a B2W era considerada a maior varejista on-line, seguida pela Nova Pontocom, da Cia. Brasileira de Distribuição Grupo Pão de Açúcar, além da NetShoes, do Buscapé e do Mercado Livre. A B2W (fusão de Americanas.com com o Submarino) representa uma união que consolidou a criação de uma companhia de varejo cuja atuação é facilitada por diversos canais de distribuição, como televendas (com anúncios por televisão e catálogos), quiosques e internet. Observação A tecnologia RFID ajuda a identificar e rastrear objetos nos quais está implantada uma etiqueta do tamanho de um grão de arroz e muito barata, sendo, portanto, fácil de integrar com qualquer objeto. 3.3.3 Sistemas Customer Relationship Management (CRM) No que se refere aos sistemas de gerenciamento do relacionamento com o cliente (Customer Relationship Management – CRM), as organizações bem-sucedidas têm como meta o conhecimento de tudo que possa ser gerenciado, procurando dar atenção às interações e à utilização de recursos de suas unidades de negócios. O conhecimento detalhado dos clientes, não somente dos dados brutos relacionados com transações e pagamentos financeiros, é o que as tais empresas utilizam para reter clientes lucrativos. Para a transformação de dados brutos em informações que podem ser consultadas, é obrigatória a criação de um ambiente para a tomada de decisões de negócios compartilhada e inovadora. Cada empresa define seus objetivos e unidades de negócios de maneira própria, assim como os processos de apoio, as funções e as ações necessárias para obter o sucesso. Com a finalidade de atender o seu cliente de maneira eficiente, as principais funções, tais como marketing, comunicação com os clientes, serviços aos clientes, planejamento de vendas, desenvolvimento do 61 TENDÊNCIAS EM TI produto, gerenciamento da distribuição, análise financeira e custos, avaliação de riscos e gerenciamento de canal, precisam se interligar por meio de recursos de informações e processos analíticos, para que se tenha uma visão precisa, oportuna e completa do cliente. Assim como os sistemas SCM são apoio a empresas que possuem muitos fornecedores e têm de gerenciar a complexidade da cadeia de suprimento e logística, os sistemas CRM permitem que empresas com milhares, ou milhões, de clientes possam realizar atividades e processos específicos para lidar com o volume de transações e informações correspondentes. O CRM envolve um processo que utiliza ferramentas de TI, contendo mudanças de pessoal e de estrutura da organização para ter êxito. Assim, para a empresa, não basta comprar um pacote de informática se não houver uma estratégia definida, sabendo quem são os clientes que interessa atender e como irá atendê-los. Ou seja, a TI será útil se a empresa souber o rumo que pretende adotar em termos de estratégia de atendimento a clientes. 3.3.4 Business intelligence (BI) Uma definição possível para inteligência de negócios (business intelligence – BI) é a de ser um software que possibilita aos usuários obter informações corporativas com mais facilidade. Tais softwares são considerados um avanço em relação às ferramentas usuais de suporte para tomadas de decisão, uma vez que integram com mais força as funções dos relatórios, Olap, data mining e armazenamento de dados. O software BI deve permitir a derivação das transações e sumários que o usuárionecessita, sem que este precise conhecer quais são suas fontes, ou seja, não precise saber de qual banco de dados ou de qual servidor vieram os dados. O BI foi desenvolvido com o objetivo de mostrar aos executivos os dados que facilitam o processo de decisão na empresa. 3.3.5 Business Processes Management Systems (BPMS) e Enterprise Application Integration (EAI) O Business Process Management surgiu representando os esforços de gestão dos processos empresariais no que se refere à configuração e reconfiguração e, em especial, à documentação dessa reconfiguração de maneira on-line. As ferramentas de TI associadas ao BPM eram, de início, documentadores de processos bastante flexíveis. A partir daí, surgiu uma necessidade de integração dessa documentação e da reconfiguração com as atividades da empresa, ou seja, da passagem dos conceitos desenvolvidos para os sistemas de informação implementados e em operação. Diante de tal necessidade, alguns fornecedores de sistemas ERP procuraram embutir-lhes ferramentas de documentação e modelagem que interferissem diretamente na configuração dos sistemas. Essas ferramentas, que receberam a denominação workflow nos sistemas ERP, têm se desenvolvido há pouco tempo, em termos de abrangência e possibilidades. Outros fornecedores têm apresentado soluções ligadas a linguagens padrão de processos, permitindo a construção de sistemas organizacionais amplos como os ERP, mas atrelados ao conceito do BPM. O BPM também pode ser suportado por softwares do tipo middleware, tais como os Enterprise Application Integration (EAI). Os EAI compõem um conjunto de “pontes” para interligar os vários sistemas de informação de diferentes fornecedores, já que a maioria dos sistemas comercializados são pacotes 62 Unidade II adquiridos prontos. Sua utilidade é alinhavar CRM, SCM, ERP, BI e outras propostas. São sistemas que se escoram no uso de tecnologias de middleware, para facilitar a troca de dados entre aplicações distintas de mercado. Entre as dificuldades para a utilização destes softwares está o fato de que a cada atualização de versão dos softwares que estão sendo integrados é necessário fazer também a atualização do software de EAI. Salienta-se, ainda, que a integração entre os diversos componentes digital da empresa ainda está longe de ser tratada como commodity ou como um aspecto menos importante da elaboração da arquitetura de sistemas de informação da empresa. Lembrete Sistemas tradicionais de medição foram desenvolvidos no contexto do sistema de produção em massa e tinham como foco uma visão de curto prazo e setorial por meio da maximização da produtividade e da minimização dos custos e da eficiência na realização. 3.4 Produtos diferenciados Envolve a criação distinta entre os produtos de uma empresa e os de seus concorrentes. Em muitos casos, a diferenciação é usada para se concentrar em um nicho de mercado, para que a empresa possa se concentrar em serviços específicos. Um fabricante de carro, como a Rolls-Royce, é um bom exemplo de diferenciação de produto. Os carros produzidos pela Rolls-Royce são percebidos como itens de luxo que indicam status e importância na sociedade. Eles são considerados muito superiores aos modelos de produção padrão em termos de qualidade, confiabilidade e conforto. Ao criar essa imagem, a Rolls-Royce teve sucesso na diferenciação de seus produtos dos de seus concorrentes. 3.4.1 Inovação A inovação está ligada a encontrar novas maneiras de abordar as atividades de uma organização. Exemplos de inovação incluem a melhoria de produtos existentes ou a criação de produtos novos, forjando ligações estratégicas, melhorando os processos de produção e entrando em novos mercados. É possível para empresas que operam no mesmo mercado usar estratégias competitivas totalmente diferentes. As grandes empresas também podem precisar selecionar estratégias diferentes para clientes localizados em diferentes regiões. 3.4.2 Componentes de um sistema de computador Um sistema é definido como uma coleção de componentes inter-relacionados que trabalham juntos para um objetivo coletivo. Um sistema de negócio da informação pode ser definido como sistemas cuja finalidade é converter dados em informação. Podemos pensar em um sistema de computador como consistindo de uma série de componentes inter-relacionados que atuam em conjunto com o objetivo de converter dados em informação. Dentro um sistema de computador, o processamento é realizado 63 TENDÊNCIAS EM TI eletronicamente, geralmente com pouca ou nenhuma intervenção humana. O hardware é descrito como os componentes físicos de um sistema de computador. Um sistema de computador pode ser descrito com diferentes elementos cuja relação é mostrada de uma perspectiva da Teoria de Sistemas. Os dados são inseridos e processados de acordo com instruções do software e, em seguida, as informações são exibidas na tela. Por exemplo: • Input: dispositivos de entrada são usados para capturar ou inserir dados no computador. Antes que os dados possam ser usados dentro de um sistema de computador, é necessário convertê-los em um formato compatível com processamento por computador. A maioria dos dados é mantida em formato sensível ao ser humano, ou seja, em um formato que os torna diretamente acessíveis aos seres humanos. Um extrato bancário, por exemplo, contém texto e números que são relativamente fáceis de entender para um ser humano. No entanto, esses dados são quase sem sentido para os componentes eletrônicos de um computador Os dispositivos de entrada convertem os dados em uma forma que os torna sensíveis à máquina. • Unidade central de processamento: a unidade central de processamento (CPU) executa processamento através da execução de instruções dadas sob a forma de programas de computador. Em um computador, a CPU geralmente está alojada dentro da torre (ou unidade de base) na qual o mouse, o teclado e o monitor estão conectados. • Armazenamento primário ou memória: a memória é usada como um meio temporário de armazenamento de dados e instruções. A memória é usada para armazenar: — dados aguardando processamento; — instruções carregadas do software que são usadas para processar dados ou controlar o sistema de computador; — dados ou informações que foram processados. • Dispositivos de armazenamento: dispositivos de armazenamento fornecem um meio de armazenar dados e programas permanentemente até que sejam necessários. Por exemplo, um programa pode ser armazenado em uma unidade de disco rígido até que seja necessário. Quando o programa é ativado, ele é transferido do dispositivo de armazenamento para a memória do computador. Quando o programa termina ou não é mais necessário, ele pode ser removido da memória para que outros programas ou dados possam ser usados. • Output: dispositivos de saída traduzem os resultados do processamento saída em um formato legível por humanos. Os resultados de um cálculo, por exemplo, podem ser exibidos em uma tela ou enviados para uma impressora. Um dispositivo de saída também pode transferir dados que requerem mais processamento para um dispositivo de armazenamento. 64 Unidade II 3.4.3 Mainframe Os mainframes são considerados máquinas grandes e extremamente poderosas projetadas para atividades de processamento de dados em grande escala. O uso de computadores mainframes (veja a figura a seguir) na indústria já foi responsável pela receita de bilhões de dólares de empresas como a IBM, mas está em declínio desde as últimas quatro décadas. Avanços em tecnologia permitiram que sistemas menores e menos caros competissem com mainframes em termos de velocidade e potência. Um computador pessoal moderno, por exemplo, pode ser considerado muitas vezes mais poderoso do que um dos primeiros sistemas de mainframe. Figura 18 – Mainframe Adaptada de: canva.com (s.d.). Em muitas organizações, os mainframes são considerados “legados”, o que significa que embora os gerentes reconheçam que os sistemas existentespodem não ser inteiramente adequados para atender às necessidades da empresa, uma mudança seria de difícil, ou mesmo impossível, implementação. Isso pode ocorrer por vários motivos. Em primeiro lugar, tanto foi investido no desenvolvimento e na manutenção dos sistemas de mainframe que mudar para uma tecnologia moderna seria proibitivo pelos custos envolvidos. Os dados e informações produzidos pelo sistema mainframe são essenciais para as operações de uma empresa. Além disso, uma vez que quaisquer mudanças possam interromper as atividades da empresa, qualquer sistema novo introduzido é compatível com o sistema de mainframe mais antigo, o que reforça a necessidade de manter o sistema atual. As ligações entre o sistema de mainframe existente e as principais atividades de negócios da empresa são tão fortes que não é possível introduzir novos sistemas aos poucos. Isso pode significar que o custo de introdução de novos sistemas em toda a organização é muito elevado. Além disso, o risco de interrupção das atividades da empresa pode ser tão alto que é considerado inaceitável. Nos últimos anos, uma solução para alguns dos problemas associados aos sistemas legados apareceu na forma de computação virtual, a qual será abordada adiante. 65 TENDÊNCIAS EM TI 3.5 Computação em nuvem: tipos e modelos Segundo Neto (2018, p. 7), a computação em nuvem trata de várias mudanças de paradigmas, as quais que estão remodelando o setor de TI. A ideia central é que a TI vai ser fornecida como serviço público, assim como aconteceu com a energia elétrica. Essa nova forma de entregar e receber a TI, por convenção, passou a se chamar computação em nuvem. Tal virtualização ajudou as empresas a usar os recursos de hardware com mais ênfase, possibilitando desacoplar o ambiente de software e hardware. Grandes servidores existem como se fossem o único arquivo, uma máquina virtual. É possível movê-los de um hardware para outro e duplicá-los quando deseja-se criar uma infraestrutura mais escalonável e flexível. A figura a seguir apresenta uma abstração do que podemos alcançar com a computação em nuvem: Figura 19 – Computação em nuvem Adaptada de: canva.com (s.d.). Datacenters usam a virtualização e se tornam mais disponíveis e mais eficientes. Os recursos agora são mais bem utilizados e as capacidades da TI são mais bem aproveitadas. A computação em nuvem aumentou ainda mais esse nível de eficiência e agilidade, atingidos pela virtualização dos datacenters. Por meio da disponibilização de recursos em pool (fila), diversidade geográfica e conectividade universal, a computação em nuvem facilita o fornecimento de softwares hospedados, plataformas e infraestrutura como um serviço. Ela é, ao mesmo tempo, uma nova plataforma tecnológica e uma nova arquitetura de TI. A computação em nuvem já é uma realidade. Diversas formas de uso de serviços em nuvem, novas aplicações e demanda por profissionais que entendam desses serviços se tornaram urgentes. As organizações precisam se preparar para esse novo paradigma da computação. Organizações, em sua maioria, quase sempre focam a operação diária e se esquecem da inovação. Os aplicativos e a infraestrutura consomem boa parte do tempo dos funcionários de TI, que, por sua vez, só estão envolvidos em questões puramente operacionais. 66 Unidade II Quatro partes podem ser destacadas em TI: os sistemas (conjuntos de softwares), a arquitetura (conjunto de hardware), a infraestrutura (ligação entre os diversos hardwares) e a gestão dos equipamentos e das pessoas. O suporte à TI é realizado por pessoas, e esse conjunto faz parte da infraestrutura e é usado na gestão e governança de recursos. A arquitetura de TI é normalmente formada por duas grandes partes: a arquitetura dos aplicativos e a arquitetura de infraestrutura. A arquitetura dos aplicativos envolve sua forma de construção e a sua manutenção. Os componentes de software fazem parte de um aplicativo e podem ser aproveitados em novas soluções de aplicativos. A infraestrutura de TI é o ponto central para que os aplicativos sustentem o modelo operacional, o qual define como os processo estão integrados, padronizando suas estratégias. A infraestrutura de TI, como qualquer outra infraestrutura, possibilita que a organização funcione e cresça sem grandes interrupções. As organizações dependem cada vez mais da infranestrutura de TI, na medida em que trocam processos de negócios digitais. Vale ressaltar que a infraestrutura de TI atualmente é muito mais complexa do que a dos tempos passados. Isso porque é uma combinação de infraestrutura privada (redes e dispositivos que conectam unidade de negócio, organização e setor de atuação) e pública (geralmente a internet). A internet é uma via pública e a garantia de serviços nessa rede é uma tarefa complexa. Nessa área, os investimentos com as decisões precisam de critérios rigosos quando se pensa em infraestrutura. A execução da estratégia empresarial, baseada no modelo operacional, acaba dependendo da condição que a infraestrutura e os aplicativos proporcionam. A grande questão é modificar a TI, sua gestão, os sistemas de informação, a infraestrutura e a arquitetura para que ela, a TI, suporte de forma flexível os processos de negócios e a estratégia. A figura a seguir ilustra a relação entre os componentes da TI, os processos empresariais e o desempenho empresarial. Desempenho empresarial Processos de negócio Gestão TI Aplicativos Infraestrutura Arquitetura Figura 20 – TI e o desempenho empresarial Fonte: Neto (2018, p. 10). 67 TENDÊNCIAS EM TI Ao lidar com a computação em nuvem, o principal problema é que ninguém sabe onde os dados foram salvos e quem pode acessar esses dados; portanto, processos de software tornam-se mais complexos, o que está impactando diretamente a engenharia de requisição processos. Os fornecedores de software tradicionais não estavam preocupados com questões como monitoramento, avaliação de desempenho, escalabilidade, personalização e outras preocupações, embora os provedores de nuvem precisem abordar essas questões de aplicativos não funcionais que são essenciais para o sucesso dos serviços de computação em nuvem. 3.5.1 Características essenciais da computação em nuvem De acordo com Neto (2018, p. 29), a computação em nuvem deve apresentar algumas características essenciais descritas a seguir: • Serviço sob demanda: funcionalidades computacionais são providas automaticamente sem a interação humana com o provedor de serviço. • Amplo acesso aos serviços de rede: recursos computacionais através da internet e acessos a mecanismos padronizados, para que possam ser utilizados por dispositivos móveis, computadores, smartphones, smartTVs etc. • Pooling de recursos: recursos computacionais (físicos ou virtuais) do provedor são utilizados para servir a múltiplos usuários, sendo alocados e realocados dinamicamente conforme a demanda do usuário. • Elasticidade rápida: as funcionalidades computacionais devem ser rápidas e elasticamente providas, assim como rapidamente liberadas. O usuário dos recursos deve ter a impressão de que ele possui recursos ilimitados, que podem ser adquiridos (comprados) em qualquer quantidade e a qualquer momento. • Medição de serviços: os sistemas de gerenciamento utilizados pela cloud computing controlam e monitoram automaticamente os recursos para cada tipo de serviço (armazenamento, processamento e largura de banda). Esse monitoramento do uso dos recursos deve ser transparente para o provedor de serviços, assim como para o consumidor do serviço utilizado. A proposta da cloud computing é criar a ilusão de que o recurso computacional é infinito e, ao mesmo tempo, permitir a eliminação do comprometimento antecipado da capacidade. Além disso, a ideia é permitir o pagamento pelo uso de recursos de forma granular. Do ponto de vista prático, os provedores, em sua grande maioria, ainda não estão preparados para disponibilizar essa forma de serviço. 3.5.2Modelos de serviços Existem três principais modelos de serviços para cloud computing: 68 Unidade II • Infraestrutura como um serviço (infrastructure as a service – IaaS): oferecido com o provedor de infraestrutura de processamento e armazenamento. Nesse cenário, o usuário não tem o controle da infraestrutura física, mas, através de mecanismos de virtualização, possui controle sobre os sistemas operacionais, armazenamento, aplicações instaladas e, possivelmente, um controle limitado dos recursos de rede. Um exemplo de IaaS é a opção Amazon EC2. • Software como um serviço (software as a service – SaaS): aplicações de interesse de uma grande quantidade de usuários passam a ser hospedadas na nuvem como uma alternativa ao processamento local. As aplicações são oferecidas como serviços por provedores e acessadas pelos clientes por aplicações como o browser. Todo o controle e gerenciamento da rede, sistemas operacionais, servidores e armazenamento é feito pelo provedor de serviço. O Google Apps e o SalesForce.com são exemplos de SaaS. • Plataforma como um serviço (platform as a service – PaaS): capacidade oferecida pelo provedor para o desenvolvedor de aplicações que serão executadas e disponibilizadas na nuvem. Essa plataforma na nuvem oferece um modelo de computação, armazenamento e comunicação para as aplicações. Exemplos de PaaS são a AppEngine, do Google, e o Azure, da Microsoft. 3.5.3 Multi-cloud Quando se pensa em soluções on-line, cria-se um olhar de quais aplicações em nuvem podem ser adquiridas. Atualmente existem diferentes definições de computação em nuvem. Quando as pessoas discutem VMware, por exemplo, também usam o nome de computação em nuvem para seus produtos, mas uma análise mais aprofundada de suas soluções mostra as características da computação em grade, que é semelhante à computação em nuvem, mas consiste basicamente em cargas de trabalhos virtuais distribuídas. A computação em grade pode ser descrita como recursos de vários computadores locais que são coletados, a fim de atingir um objetivo ou cumprir uma função. Quando se pensa em uma grade, pode considerá-la como um sistema distribuído com cargas de trabalho estáticas, que envolvem uma grande quantidade de arquivos. A computação em grade é diferente dos sistemas ou clusters convencionais de computação de alto desempenho. Nesses clusters de grade, cada nó é configurado para executar uma tarefa diferente ou para executar um aplicativo diferente. Observação A VMware é uma empresa que produz softwares e serviços para computação em nuvem e virtualização, o que permite criar máquinas virtuais. Em geral, os computadores em grade são mais heterogêneos e geograficamente dispersos do que os clusters. Uma única grade pode ser dedicada a um aplicativo, mas normalmente as grades são usadas para vários fins. As grades são uma forma de computação distribuída na qual um supercomputador virtual é construído a partir de alguns computadores que atuam juntos para realizar tarefas complexas 69 TENDÊNCIAS EM TI e de longo prazo. Para certas aplicações, a computação distribuída (ou em grade) pode ser entendida como um tipo especial de computação paralela que depende de unidades de computação inteiras, consistindo em CPUs, memória, armazenamento, fontes de alimentação, interfaces de rede e assim por diante, conectadas a uma rede privada por padrões comuns de interconexão de rede, como Ethernet ou InfiniBand. No início dos anos 2000, a computação em nuvem não era uma fase amplamente usada, mas o conceito de recursos compartilhados (ou computação grid), bem como centros de dados com grande poder de computação, já existia. Mais tarde naquela mesma década, a palavra nuvem tornou-se uma palavra da moda, referindo-se a quase tudo que não era tangível ou on-line. No entanto, a verdadeira ascensão da computação em nuvem, com todos os seus diferentes modelos de serviço, veio quando grandes empresas de TI começaram a oferecer serviços em nuvem. Empresas como Amazon, Microsoft e Salesforce adotaram a nuvem. Essas empresas levaram a um grande aumento nas ofertas de nuvem privada, serviços e até mesmo soluções em nuvem, e a infraestrutura e as soluções de TI se tornaram cada vez mais complexas. Agora é quase impossível encontrar arquitetos que possam entender todas as soluções e seus comportamentos, e é ainda mais difícil vincular as soluções. Se você perguntar a um grupo de pessoas o que é computação em nuvem e o que ela significa, diferentes respostas serão dadas. Pode-se dizer que ela é um mainframe ou apenas virtualização com uma interface gráfica. Por causa dessa dificuldade em definir para as pessoas e organizações o que é computação em nuvem e do desenvolvimento que a computação em nuvem tem experimentado na última década, vamos discutir os modelos, mas isso será feito um pouco mais adiante. Em primeiro lugar, vamos nos aprofundar um pouco mais na história dos recursos compartilhados e da computação em nuvem. 3.5.4 Histórico No início da década de 1990, o termo computação em nuvem já era conhecido, sendo um dos termos mais antigos da tecnologia da informação. Profissionais da área de TI profetizaram que os computadores seriam distribuídos pela rede. Eles sugeriram que a computação em nuvem surgiria assim que a tecnologia estivesse pronta. No final dos anos 1990, chegou a hora, com o desenvolvimento da arquitetura multilocatária. No entanto, o termo computação em nuvem foi definido principalmente por empresas de internet como Amazon, Microsoft, Google e Yahoo. Devido ao rápido crescimento de suas bases de usuários, essas empresas passaram a enfrentar problemas com seu um número cada vez maior de servidores que precisavam fornecer melhor desempenho, mesmo em horários de pico de carregamento. Por exemplo, naquela época (e ainda hoje), a Amazon tinha picos elevados durante o Natal e durante o resto do ano a maioria dos recursos não foi usada de forma eficiente o suficiente. Para a Amazon, o pico de carga em 2006 foi maior do que a carga básica no dia a dia por um fator de dez. Isso significava que o negócio de Natal da Amazon estava usando apenas 10% da capacidade de seu data center e estava desperdiçando 70 Unidade II muito dinheiro em energia, refrigeração e espaço para seus servidores. Para resolver esse problema, a Amazon decidiu usar sua arquitetura orientada a serviços e também os serviços que foram projetados e estabelecidos para lidar com um número muito variado – muitas vezes, um número muito alto – de usuários e transformá-lo em um produto que pudesse ser oferecido a clientes externos. Para a Amazon, isso significava que o pico nas cargas seria distribuído entre todos os usuários de sua infraestrutura. No início dos anos 2000, essa etapa foi uma consequência lógica para a Amazon, pois a empresa já tinha mudado sua equipe, que agora era responsável pela implementação de novas funcionalidades com base na implementação da infraestrutura em nuvem existente. O escalonamento dos serviços em nuvem, portanto, se tornou a base da própria computação em nuvem, que era oferecido publicamente. A Amazon, com sua filha Amazon Web Services, é agora a maior provedora de nuvem. Um pré-requisito para o uso e disponibilidade de serviços de computação em nuvem é uma conexão de banda larga rápida, com alta largura de banda e baixa latência. Com essa conectividade, não faz diferença se os dados são armazenados localmente em um computador ou em servidores remotos em uma nuvem. Com a nova demanda da computação em nuvem para usuários finais, novas necessidades para o fornecimento de serviços de computação deverão ser criadas para gerar rápidez, confiança e econômia. 3.5.5 Características A computação em grade é definida como recursos de vários computadores e vários locais que são coletados a fim de atingir uma meta ou cumprir um dever. A rede da computação é diferente dos sistemas ou clusters convencionais de computação de alto desempenho. Nas grades clusters, cadanó é definido para executar uma tarefa diferente ou para executar um aplicativo diferente. O Instituto de Padrões e Tecnologia (Nist) descreve a computação em nuvem da seguinte maneira: • Sob demanda, autoatendimento: uma implantação automatizada de recursos que o consumidor pede por meio de uma interface, como um portal do consumidor. • Amplo acesso à rede: fornece a disponibilidade de serviços em nuvem por meio de uma rede padronizada da interface que é, na melhor das hipóteses, acessível por vários dispositivos terminais. • Pooling de recursos: significa que a atribuição automática e a reatribuição de diversos recursos, de vários pools de recursos para clientes individuais, são possíveis. • Escalonamento: também conhecida como escalonamento rápido, descreve a capacidade de escalar recursos de uma forma massiva. A atribuição e a reatribuição automática e rápida de recursos, assim como o dimensionamento para cima e para baixo de instâncias únicas, são termos-chave envolvidos na elasticidade rápida. O ajuste de recursos do servidor web, dependendo da demanda, é um exemplo de elasticidade rápida. 71 TENDÊNCIAS EM TI • Medição de serviços: todos os dados de uso de recursos do consumidor são monitorados e relatados, para torná-los disponíveis para consumidores e o provedor de nuvem. Este é um dos requisitos que devem servir de base para o caso de faturamento em minutos. 3.5.6 Modelos Com a nossa definição de computação em nuvem, dois tipos de modelos foram referidos: o modelo de serviço em nuvem e o modelo de implantação/disponibilidade em nuvem. Eles podem ser descritos da seguinte forma: • O modelo de serviço em nuvem se refere às ofertas de um provedor de nuvem. Isso só oferece a infraestrutura ou oferece software totalmente gerenciado? • O modelo de implantação de nuvem refere-se a quem pode acessar as ofertas do provedor de nuvem. Está disponível para todos, está disponível para um grupo especial de pessoas ou é totalmente privado? Ao considerar a computação em nuvem em termos de modelos de serviço em nuvem, existem quatro categorias principais, conforme a figura a seguir. O primeiro é o data center clássico, o segundo é a infraestrutura como serviço (IaaS), o terceiro é a plataforma como serviço (PaaS) e o último é o software as a service (SaaS). Em relação ao setor de TI, alguns fornecedores e empresas de TI criaram novas definições como serviço para se adequar a seus produtos. Um exemplo é o desktop as a service (DaaS), que é usado sobretudo por provedores e dispositivos virtuais para impulsionar suas nuvens, ou TI como serviço para encontrar uma definição de nuvem para terceirização de TI na nova era. Existem muito mais versões por aí, mas quando os termos são divididos, cada um desses buzzwords oferece apenas um dos quatro principais modelos de serviço em nuvem, que são o Daas e os três mencionados a seguir: • Infraestrutura como serviço (IaaS): refere-se a um modelo em que o provedor de nuvem dá ao consumidor a possibilidade de criar e configurar recursos da camada de computação para cima. Isso inclui máquinas virtuais, redes, aparelhos e muitos outros recursos relacionados à infraestrutura. O IaaS dá ao cliente a flexibilidade de criar uma solução, mas o cliente tem muitas responsabilidades. Ele é responsável pelo backup e configuração de sua máquina virtual e precisa garantir a disponibilidade do aplicativo, que inclui clustering ou failover. Dependendo do provedor de nuvem, o cliente pode ter que configurar parâmetros de rede, como regras de firewall, máscaras de rede e sub-rede e assim por diante. Por outro lado, ele pode usar qualquer aplicativo ou solução que suporte o sistema operacional e a virtualização da plataforma. Exemplos típicos de provedores de nuvem IaaS são Microsoft Azure, Amazon Web Services, Google Cloud Platform e Alibaba Cloud. 72 Unidade II Figura 21 – Modelo de serviços em nuvem IaaS Adaptada de: canva.com (s.d.). • Plataforma como serviço (PaaS): oferece ao consumidor um ambiente do sistema operacional para cima. Portanto, o consumidor não é responsável pela infraestrutura IaaS subjacente. Os exemplos incluem sistemas de operações, bancos de dados ou estruturas de desenvolvimento. Isso dá ao cliente a oportunidade de se concentrar apenas ao desenvolvimento de sua solução de aplicativo e os dados com os quais ele precisa trabalhar. Ele não é mais responsável pelos backups, exceto pelos dados ou redundância de sua solução. O backup de dados é feito por um provedor de nuvem. Por outro lado, a funcionalidade e a flexibilidade são muitas vezes muito limitadas, e nem todos os truques que você pode tentar em uma solução IaaS estão disponíveis em soluções PaaS; por exemplo, pode haver uma limitação no SQL. No Microsoft SQL Server, existem opções para trabalhar com o banco de dados que não são disponíveis no Microsoft Azure SQL. Exemplos de soluções e provedores de nuvem PaaS incluem Microsoft Azure, Amazon Web Services e IBM Bluemix. 73 TENDÊNCIAS EM TI Figura 22 – Modelo de serviços em nuvem PaaS Adaptada de: canva.com (s.d.). • Software as a Service (SaaS): é o modelo com os níveis mais baixos de controle e gerenciamento necessário, mas com muitas limitações. As soluções SaaS oferecem ao cliente oportunidades mínimas de soluções personalizadas. Se você quiser usar uma solução SaaS, não há opção de mudar o comportamento ou nada fora das limitações dadas. Em termos simples, você pega ou deixa. Um aplicativo SaaS é acessível para vários clientes, e o consumidor proprietário não tem nenhum controle sobre o back-end, exceto para algumas tarefas de gerenciamento relacionadas ao aplicativo. Portanto, o cliente recebe uma grande quantidade de escalabilidade e não se responsabiliza por backups, atualizações, redundância e assim por diante. Tudo isso deve ser fornecido pelo provedor de nuvem, junto com soluções SaaS. Exemplos de soluções de nuvem SaaS são Microsoft 365 Services (como Office 365 ou Dynamics), Salesforce, Dropbox e Google Docs. 74 Unidade II Figura 23 – Modelo de serviços em nuvem SaaS Adaptada de: canva.com (s.d.). 3.5.7 Definição de multi-cloud Conforme Klaffenbach, Klein e Sundaresan (2019, p. 38), multi-cloud refere-se a várias nuvens. Primeiro é necessário estar ciente de que um serviço de nuvem é constituído de vários modelos de nuvem e características das nuvens. É preciso ser capaz de identificar os serviços em nuvem, já que as empresas passarão a usá-los no futuro. Multi-nuvem significa que você ou sua empresa não estão apenas usando os serviços de um provedor de nuvem, mas também estão usando diferentes soluções de diferentes provedores de nuvem. Os exemplos incluem o uso do Microsoft Office365, Salesforce, AWS, Oracle, Alibaba, Google etc. Figura 24 – Diagrama com uma pessoa ou empresa cercada por vários provedores de nuvem Adaptada de: canva.com (s.d.). 75 TENDÊNCIAS EM TI Por que usaríamos vários provedores de nuvem, em vez de um provedor que serve para todos? Existem diferentes razões pelas quais alguém escolheria uma solução de várias nuvens. Vamos explicar os motivos mais comuns, como segue: • Redundância: você não quer construir seu ambiente em apenas um provedor de nuvem, porque um pode falhar, como aconteceu com a AWS no passado. Então, você deseja manter o negócio funcionando com os serviços de outros provedores de nuvem. Isso está principalmente relacionado ao uso de IaaS ou PaaS. Em geral, a redundância não é possível com SaaS se o provedor de nuvem não oferece suporte a ambientes híbridos. • Soluções que não atendem às suas necessidades: existem momentos em que uma solução em nuvem deve ser escolhida para que determinadas necessidades possam ser atendidas. Entre as dificuldades encontradas, podemos nos deparar com uma situação em que a localização ou o desempenho do data center de um determinado provedor não atenda às necessidades do cliente final, então, faz-se necessário escolher um outro provedor de nuvem, e nesse casoos recursos do Microsoft Dynamics CRM On-line versus Salesforce não oferecem o suporte de data center adequado às necessidades. Assim, existe a possibilidade de mudar seu serviço em nuvem de AWS para Microsoft Azure. • O provedor de nuvem não oferece o serviço de que você precisa: muitas vezes, os provedores de nuvem são fortes em um campo e fracos em outro. Isso significa que eles não oferecem os serviços que você deseja; por exemplo, você pode usar o Salesforce e desejar ter uma solução unificada de logon único, com Facebook, Twitter ou Instagram, para suas equipes de marketing. Esse é um serviço que a Salesforce não oferece no momento, o que significa que você pode incluir o Microsoft Azure Active Directory em seu ambiente para alcançar seu objetivo. Saiba mais Para ajudar você a entender sobre riscos enfrentados na TI, leia a matéria a seguir, sobre como lidar com o shadow IT nas empresas: QUAIS as diferenças entre Shadow IT e TI Convencional? IP Sense, 26 jun. 2018. Disponível em: https://cutt.ly/bQ23enN. Acesso em: 20 ago. 2021. 3.6 Inteligência artificial (machine learning e deep learning) A inteligência artificial está mudando nosso cotidiano, por isso é necessário entendê-la melhor. Algoritmos comandam como nós encontramos as informações, aprendemos, nos movemos, compramos, o que compramos, como nos mantemos saudáveis, nos conhecemos, quem encontramos e até como somos tratados. Marketing, análise, diagnóstico, fabricação, condução, pesquisa, fala, visão, audição, tudo isso está sendo modificado e remodelado por máquinas que aprendem. Algoritmos que podem 76 Unidade II operar na velocidade e escala em que os dados são gerados agora estão fazendo o que antes era impossível: tornar-se uma realidade prática. Eles são capazes de: • detectar padrões sutis em transações, grandes volumes de texto e finanças, atuando na localização de informações para prever fraudes com precisão; • processar milhões de pontos de dados em fontes de dados distintas para prever a manutenção de forma confiável e requisitos de equipamentos complexos, como motores a jato; • combinar grandes repositórios de dados, em diferentes registros na web, sistemas de transações, sistemas geoespaciais e dispositivos pessoais de indivíduos para criar insights acionáveis para profissionais de marketing. À medida que fundimos mais a inteligência artificial à nossa vida cotidiana, aprendemos mais sobre nós mesmos, nossas preferências, como escolhemos as coisas, o que queremos controlar etc. 3.7 O que é inteligência artificial? A inteligência artificial refere-se às máquinas fazendo coisas que antes somente um ser humano era capaz de fazer. Ela tem sido usada principalmente na automação de trabalho, em tarefas repetitivas como a de um ser humano que atua em um serviço de soldagem em pontos na fabricação de veículos. Muitas tarefas foram automatizadas, como a de operadores de telefone, caixas de banco, profissionais de automação em processos de montagens e muitas outras compostas de procedimentos bem definidos e repetitivos que podem ser facilmente codificados em software. Ao longo do último meio século, o aumento do poder da computação permitiu a implementação de uma automação mais complexa e sofisticada. Tarefas não rotineiras, como dirigir um carro, reconhecer objetos em imagens e qualquer coisa que envolva interação natural e linguagem, resistiram à automação (por enquanto), pois as máquinas ainda não alcançaram essas tarefas mais intuitivas. Por exemplo, veja esta declaração simples: Cida ouviu o alarme tocar! Para nós, é óbvio que um alarme disparando é o mesmo que um alarme tocando, mas não para uma máquina. Intuitivamente, para Cida, que é uma pessoa, nesse contexto, isso é compreendido. Mas e se Cida fosse uma máquina e agora, em vez de ter que interpretar entre o alarme disparando ou tocando, ela tivesse que interpretar uma frase que não faz sentido algum. Nesse caso, a máquina não teria a capacidade de entender o fato como sendo uma frase, cenário em que a frase não faz sentido algum. Conforme os algoritmos lidam com vastos fluxos de dados de novas maneiras, a forma como as máquinas entendem o mundo está mudando. A partir de imagens de cada casa em cada rua e de inúmeras fotos de amigos, animais de estimação e lugares, dados de sensores de wearables fitness ou de carros conectados permitem que as máquinas aprendam a distinguir um gato de um cachorro, um 77 TENDÊNCIAS EM TI amigo de um inimigo e o que você não quer do que provavelmente irá comprar. Com uma pequena ajuda de humanos, as máquinas pegam dados e aprendem sozinhas sobre o mundo, atualizando seus programas e melhorando por conta própria. Embora a inteligência artificial seja sobre automação, a explosão de fontes de dados e o poder da computação, agora ela significa que o que podemos automatizar está mudando rapidamente. A figura a seguir apresenta tarefas que até pouco tempo atrás eram executadas exclusivamente por humanos. A automação tornou-se personalizada, e nós devemos nos preocupar com essa inteligência? Figura 25 – A inteligência artificial e suas possibilidades de aplicações no cotidiano Adaptada de: canva.com (s.d.). Edwards (2016, p. 7) afirma que o futuro da inteligência artificial é frequentemente apresentado por algumas pessoas como utopia ou mesmo distopia. Elon Musk e Stephen Hawking estão entre os especialistas que levantam preocupações legítimas sobre a invenção da inteligência artificial, a qual poderia pensar e responder com mais rapidez e eficácia do que os humanos. A curto prazo, existem considerações de controle importantes, como o design seguro de carros autônomos, as regras internacionais de engajamento para guerra autônoma e a ética em algoritmos estatísticos. Outras preocupações referem-se ao aumento do desemprego tecnológico à medida que a automação aumenta. O resultado final é que a inteligência artificial é projetada para melhorar nossas vidas. Usamos rotineiramente os resultados do aprendizado dos algoritmos de várias máquinas, seja falando com a Siri ou através de um clique em uma recomendação da Amazon. Assim, também sabemos que nosso feed de notícias no Facebook é personalizado, de forma que nosso modo diário de consumir e também nossas experiências estão sendo transformadas. O entendimento da linguagem natural está nos oferencendo assistentes pessoais que realmente entendem nossas necessidades. Análises e previsões mais rápidas e precisas estão nos deixando mais confiantes nos conselhos que recebemos. Dispositivos mais inteligentes estão tornando nossas casas mais confortáveis e seguras, além de mais divertidas. Nossas escolhas estão se tornando mais eficientes. Seja no transporte público, comércio, redes sociais, finanças, entretenimento ou educação, temos mais controle sobre como usamos nosso tempo. 78 Unidade II Os computadores realizam tarefas com uma velocidade sem precedentes, já que os objetivos podem ser especificados, por exemplo, ao se desenhar um gráfico de uma tabela. A interação humana e o esforço criativo residem num universo on-line e podem ser capturados através de seus dados, compartilhados e analisados por algoritmos. Tarefas orientadas para humanos, que envolvem habilidades sociais e criatividade, agora podem ser aprendidas por máquinas. Teias complexas de interação dos humanos e seu comportamento agora são rotineiramente analisadas com as saídas usadas para personalizar as coisas. Existem cada vez menos barreiras técnicas para que uma máquina possa alcançar qualquer objetivo sem orientação humana. Essa é uma situação profundamente diferente de como nós tradicionalmente interagimos com as máquinas e é a principal razão pela qual é importante desmistificar como as máquinas aprendem atualmente. 3.8 Machine learning Com a chegada dos computadores pessoais e, posteriormente, com o uso generalizado das comunicações sem fio, todos nós nos tornamos produtores de dados. Cada vez que compramos um produto, utilizamosum aplicativo para assistir a um filme, fazemos uma visita a um web site, escrevemos em um blog, postamos fotos, fazemos check-in nas redes sociais e mesmo quando apenas caminhamos ou dirigimos, estamos gerando dados. A figura a seguir oferece a representação de uma máquina aprendendo: Figura 26 – Machine learning: como as máquinas aprendem e ensinam Adaptada de: canva.com (s.d.). Queremos ter produtos e serviços especializados para nós. Queremos que nossas necessidades sejam compreendidas e que os colecionadores de dados nos retornem com serviços interessantes. Pense, por exemplo, em uma rede de supermercados que vende milhares de mercadorias para milhões de clientes em centenas de lojas físicas em todo o país ou através de uma loja virtual na web. Os detalhes de cada transação são armazenados: data, id do cliente, itens comprados, valor total gasto etc. Isso normalmente equivale a muitos dados todos os dias. O que a rede de supermercados quer é poder prever qual cliente provavelmente comprará qual produto, para maximizar as vendas e o lucro. Da mesma forma, cada cliente deseja encontrar o melhor conjunto de produtos que irá corresponder às suas necessidades. 79 TENDÊNCIAS EM TI Essa tarefa não é algo evidente, ou seja, não se sabe exatamente quais produtos as pessoas provavelmente vão comprar – se um sorvete, um livro de determinado autor, um novo filme, uma viagem para determinada cidade – e em que link vão clicar. Mudanças de comportamento do cliente acontencem a todo o tempo, além do armazenamento da sua localização geográfica. Sabemos que o acesso a esses dados não é realizado de forma totalmente aleatória. As pessoas não vão ao supermercado e compram coisas ao acaso. Quando compram cerveja, compram batatas fritas, e compram sorvete no verão. Existem certos padrões nos dados. Para resolver um problema em um computador, precisamos de um algoritmo. Um algoritmo é uma sequência de instruções que deve ser executada para realizar a transformação da entrada para saída. Por exemplo, pode-se conceber um algoritmo de classificação. A entrada é um conjunto de números e a saída é sua lista ordenada. Para a mesma tarefa, pode haver vários algoritmos e podemos estar interessados em encontrar o algoritmo mais eficiente, exigindo o menor número de instruções ou memória, ou ambos. Não existe algoritmo para todas as tarefas. Por exemplo, imagine prever o comportamento de um cliente a um determinado produto. Essa é uma tarefa que os algoritmos ainda não podem prever. Outra é diferenciar e-mails de spam dos emails importantes. Nós sabemos qual é a entrada: um documento de e-mail que, da forma mais simples, é um arquivo de pessoas. Nós sabemos qual deve ser o resultado, indicando se a mensagem é spam ou não. Mas nós não sabemos como transformar a entrada em saída. O que é considerado spam muda com o tempo e de indivíduo para indivíduo. 3.8.1 Tipos de inteligência artificial Existem várias maneiras de categorizar a inteligência artificial, com seus múltiplos cruzamentos e inter-relacionamentos que às vezes podem parecer confusos. Uma maneira de subdividir a inteligência artificial é dividi-la em dois campos amplos: • sistemas de conhecimento ou especialistas; • sistemas de aprendizado de máquina. Os sistemas de conhecimento ou especialistas trabalham em uma estrutura que captura e codifica o conhecimento. Os sistemas de conhecimento sustentam que quase tudo o que consideramos sistemas tradicionais de regras “se-então”, inventados na década de 1970 e proliferados na década de 1980, foram os primeiros sistemas de inteligência artificial realmente bem-sucedidos. A figura a seguir traz um exemplo baseado em dados climáticos. Ele demonstra que existe uma probabilidade de ocorrer chuva no dia, o que sugere que se deve levar um guarda-chuva para não ser pego desprevinido. 80 Unidade II Figura 27 – O uso efetivo do guarda-chuva Adaptada de: Edwards (2016). Atualmente, a tecnologia dos sistemas se baseiam em regras. Esses sistemas têm capacidade limitada, e sua funcionalidade, muitas vezes, está vinculada ao acesso à internet. Eles simplesmente não podem mudar rapidamente para serem úteis por muito tempo e, em última análise, limitam o que as pessoas podem fazer com as informações. Por exemplo: especialistas em sistemas têm auxiliado há anos os médicos a tomarem decisões corretas para um determinado tratamento. Uma vez selecionado um determinado conjunto de entradas, um sistema especialista dará um resultado que se aplica a todos no mundo. Mas agora o objetivo da medicina personalizada é ter vários resultados para várias pessoas enfermas pelo mundo. Uma mudança radical aconteceu, e o escopo da nova inteligência artificial sem dúvida se tornou o aprendizado de máquina. Os sistemas de aprendizado de máquina fornecem aos computadores a capacidade de aprender sem serem explicitamente programados. Algoritmos constroem modelos, que então atualizam e mudam conforme são expostos a novos dados. A história do aprendizado de máquina começou na década de 1950, mas seu progresso recente é resultado da convergência entre o desenvolvimento de ferramentas probabilísticas na década de 1990 e o acesso a grandes conjuntos de dados e chips poderosos usados para processamento gráfico nos últimos anos. Um exemplo de aprendizado de máquina em uso é uma pesquisa na web. O Google executa sofisticados algoritmos personalizados, com base no que o Google sabe sobre você, sobre pessoas como você e sobre o mundo, bem como sobre uma infinidade de outros fatores. Como resultado, pessoas diferentes obtêm diferentes resultados ao pesquisarem a mesma coisa. Até recebemos diferentes prompts gerados automaticamente em nossas pesquisas, que podem variar de acordo com onde e quando estamos pesquisando. Faça uma experiência: digite “Qual é o melhor…” em diferentes dispositivos. Você recebe a mesma sugestão todas as vezes? Meu telefone: “qual é o melhor... modo de recuperar uma moeda virtual.” Meu laptop: “qual é o melhor... pokemon in pokemon go.” 81 TENDÊNCIAS EM TI Outro exemplo é a previsão de preços. Digamos que você queira prever o preço de venda de uma casa. Você pode criar um modelo que prevê isso com base em um conjunto de características (metros quadrados, número de quartos, número de banheiros e assim por diante). Se você usar um modelo estático, o algoritmo é executado apenas uma vez e fornece uma única correlação, provavelmente aplicável apenas em uma área local. Mas as casas são constantemente compradas e vendidas e há muitos padrões vistos em um local, que podem informar os preços em todas as áreas. São padrões que não podemos ver, porque simplesmente existem muitas variáveis e muitos relacionamentos ocultos. Um algoritmo de aprendizado de máquina pode construir um modelo e muitas variáveis, olhar para cada nova venda de casa, compará-la com preços previstos do modelo para aquela casa e, em seguida, ajustar o modelo automaticamente para torná-lo mais preciso. Os sistemas de aprendizado de máquina também podem lidar com muito mais dados, em diferentes formas e velocidades. Muitas das etapas que as máquinas usam para aprender a contar processos não são especialmente transparentes. Pode haver etapas em que cálculos são profundamente embutidos e difíceis de visualizar ou matematicamente complexos, que nem mesmo os especialistas entendem. Sempre que a caixa preta aparecer, basta dizer que há alguma “mágica” que faz o algoritmo funcionar. Essa opacidade torna os algoritmos de aprendizagem muito diferentes dos códigos tradicionais e é uma das principais razões pelas quais é importante entender a matemática por trás da máquina. Existem muitas maneiras de as máquinas reescreverem seus próprios programas. A maioria depende de alguma fórmula matemática ou técnica estatística. Todos os algoritmos de aprendizado de máquina usam dados para treinar um modelo que pode, em seguida, realizar previsões ou fornecer informações que favorecem as decisões em relaçãoa alguma medida de desempenho. Os dados são a matéria-prima, e o estilo de aprendizagem depende dos tipos de dados, de problemas e de algoritmos. A figura a seguir expressa uma função matemática simples, a qual é o cerne do aprendizado de máquina. Podem-se fazer previsões das variáveis de entrada, mas não sabemos a função que relaciona matematicamente as entradas ou as saídas do algoritmo, porque não temos que aprender com os dados. Uma máquina aprende a relação entre entradas e saídas e, em seguida, melhora automaticamente seus programas para fazer novas previsões a partir de novos dados. Figura 28 – Função matemática para o aprendizado de máquina Adaptada de: Edwards (2016). 82 Unidade II Na expressão matemática da figura, o desempenho é medido com base na precisão do programa, que prevê um valor para uma saída que já era conhecida. A diferença entre a saída prevista e a saída real é o erro, e existem vários métodos para programar um computador e ajustar sua função com base nesse erro. A figura a seguir demonstra como um algoritmo escrito em Python pode ser utilizado para aprendizagem de máquina: ⊕ Conceitos básicos ⊕ Operadores ⊕ Pacote e módulos ⊕ Estrutura de dados ⊕ Console ⊕ Funções⊕ Geradores e iteradores ⊕ Python para Data Science ⊕ Estruturas de controle ⊕ Exceções ⊕ Classes e objetos Python Figura 29 – Python como linguagem de programação para aprendizagem de máquina Antes de tentar entender como isso é realizado, vamos primeiro entender como a máquina sabe que há um erro para agir. Existem três classes gerais de aprendizado de máquina: aprendizado supervisionado, aprendizado não supervisionado e aprendizagem por reforço. 3.8.2 Aprendizagem supervisionada A maioria dos algoritmos de aprendizado de máquina são algoritmos de aprendizado supervisionado. Algoritmos de aprendizagem supervisionada fazem previsões com base em um conjunto de exemplos fornecidos e rotulados por humanos. Isso significa que um humano decide quais dados usar (chamados de engenharia de recursos) e fornece dados para treinar o modelo (chamado de dados de treinamento) e para testar o modelo (chamados de dados de teste). No aprendizado supervisionado, os dados são rotulados com um valor de interesse, digamos, um determinado preço de ação. O algoritmo procura padrões nos valores. Ele pode usar qualquer informação que possa ser relevante (resultados financeiros, clima, eventos mundiais) para encontrar um padrão. Depois de encontrar um padrão, ele faz uma previsão para, digamos, o preço de amanhã. Quando o modelo está sendo treinado, ele é corrigido até que o nível de precisão desejado seja alcançado. 83 TENDÊNCIAS EM TI Figura 30 – Nível de precisão de aprendizagem Adaptada de: Edwards (2016). A ilustração mostra dados que foram rotulados com base nas características de x e y. Os pontos de dados rotulados são plotados e uma linha é desenhada, a qual se ajusta melhor aos dados que estão sendo treinados. Testamos o erro para encontrar o ponto na linha entre x e y conhecido (a previsão) e compará-lo com o resultado real (teste). O programa remodela a linha para produzir um melhor ajuste, até que um nível de erro aceitável seja alcançado. Este é um exemplo de regressão linear simples. O aprendizado de máquina usa essa técnica e o automatizou com base em um ciclo de teste, previsão, ajuste e novo teste. Vejamos na figura a seguir como classificar uma tigela de frutas em diferentes classes com base no treinamento supervisionado: Figura 31 – Treinamento supervisionado Adaptada de: Edwards (2016). Neste exemplo, uma tigela contém quatro tipos de frutas. Um humano rotula os dados de entrada (com tamanho e cor) e dados de saída (forma). O algoritmo usa o conjunto de dados de treinamento para encontrar clusters de formas semelhantes e em seguida um humano testa esses resultados usando 84 Unidade II um conjunto diferente de dados, o conjunto que foi retido para testes de finalidades. O humano ajusta o modelo para um desempenho ideal, coleta novos dados e usa o modelo para fazer uma previsão. Uma cereja não é uma pera, mas duas cerejas cujos caules ainda estão conectados são reconhecidas como cerejas (caso o algoritmo tenha a possilidade de classificar uma cereja como uma pera menor)? Existem três aplicações comuns de aprendizagem supervisionada: • Classificação, quando os dados são usados para prever uma categoria. Por exemplo: os filtros de spam e os de reconhecimento de imagem para distinguir óculos de óculos de sol. Figura 32 – Predizer uma categoria Adaptada de: Edwards (2016). • Regressão, quando um valor está sendo previsto. Por exemplo: o preço de ação no mercado financeiro. Figura 33 – Regressão Adaptada de: Edwards (2016). 85 TENDÊNCIAS EM TI • Detecção de anomalias, ao procurar dados incomuns. Por exemplo: detecção de fraude. Figura 34 – Detecção de anomalias Adaptada de: Edwards (2016). Segundo Luger (2013), o aprender deve fazer parte de qualquer sistema que reivindique possuir uma inteligência em um modelo geral. A interpretação do mundo dos símbolos, aliada à noção do intelecto imutável, é inevitável. Agentes inteligentes devem ser capazes de se modificarem ao longo do curso de suas interpretações no mundo, bem como pela experiência de seus próprios estados e processo interno. O aprendizado é importante para aplicação da inteligência artificial. Aprender envolve modificações no sistema de aprendizado, o que parece óbvio. Essa abordagem modela o aprendizado como a aquisição de conhecimento de domínio representado de forma explícita. Baseado na experiência do aprendizado de máquina, constroem-se ou modificam-se expressões em uma linguagem formal, como a lógica, por exemplo, e retém-se o conhecimento para o futuro. 3.8.3 Aprendizagem não supervisionada A aprendizagem não supervisionada usa diferentes abordagens de aprendizagem e diferentes processos matemáticos para manipular os dados e fornecer um resultado. Na aprendizagem não supervisionada, os pontos de dados não têm rótulos e objetivos; em vez disso, os dados são organizados por semelhança e necessita-se compreender sua estrutura. Não há um resultado conhecido ou “resposta correta” para um modelo. Um dos objetivos do aprendizado não supervisionado é fazer com que a máquina encontre padrões de dados nos quais queremos achar uma representação mais informativa. Voltando ao exemplo da tigela de frutas que acabamos de apresentar, na aprendizagem não supervisionada a máquina descobre características como tamanho, cor e forma, agrupa os dados de acordo com as características encontradas nos objetos e, com o resultado, é capaz de identificar quatro tipos diferentes de frutas, bem como consegue contar qualquer uma dessas características. 86 Unidade II 3.8.4 Aprendizagem por reforço Na aprendizagem por reforço, a máquina tenta aprender qual é a melhor ação a ser tomada. Dependendo das circunstâncias nas quais essa ação será executada, os dados não são conhecidos ou é mais difícil definir seu feedback. A aleatoriedade da variável é comum nesse processo: como não se sabe qual resultado será devolvido, necessita-se de uma abordagem que leve em consideração essa incerteza, a qual deve incorporar as eventuais mudanças no ambiente do processo de tomada da melhor decisão. Na aprendizagem por reforço, o algoritmo é configurado para fazer escolhas em resposta a cada ponto de dados. Posteriormente, o algoritmo recebe informações sobre o valor da decisão que tomou (a “recompensa”), que então é usada para modificar sua estratégia. A aprendizagem por reforço é comumente usada em robótica, incluindo os softwares para veículos autônomos. 4 TENDÊNCIA EM GESTÃO DA INFRAESTRUTURA (PARTE 2) O século XXI advém com uma grande quantidade de novas tecnologias, de modo que as mudanças nos ambientes empresariais são indispensáveis, pois cada vez mais as empresas são forçadas a encontrar novas maneiras de competir e sobreviver. Novos produtos e novos processos
Compartilhar