Harvard disponibiliza 15 cursos de Inteligência Artificial gratuitos e online que possuem certificado

Harvard disponibiliza 15 cursos de Inteligência Artificial gratuitos e online que possuem certificado

Confira esta super chance de dar UP no seu currículo.

 

Você se interessa por tecnologia e está em busca de cursos extra curriculares para incrementar o currículo, ou  é formado na área e deseja ampliar seus conhecimentos? Então você pode fazer isso agora mesmo através dos cursos gratuitos e online da Universidade de Harvard para a área de Inteligência Artificial! Além de poder estudar gratuitamente de onde estiver, você ainda fará isso em uma das melhores universidades do mundo!

Sobre a Universidade de Harvard

Harvard é conhecida pela excelência em educação, ocupa a sexta colocação do ranking mundial e oferece diversos cursos abertos. A instituição é privada situada na cidade de Cambridge, estado de Massachusetts, nos Estados Unidos. É um membro da Ivy League, que é uma conferência desportiva da NCAA de oito universidades privadas do nordeste do país. Sua história, influência e riqueza tornam-na uma das mais prestigiadas universidades do mundo.

Os Cursos

A Universidade de Harvard disponibiliza a plataforma Harvard Online Learning, que oferece mais de 100 cursos online gratuitos para que qualquer pessoa do mundo inteiro possa estudar de onde estiver, são variados assuntos e diversos temas.

Dentre eles estão disponíveis 15 cursos de Inteligência Artificial gratuitos e pagos. Nos cursos gratuitos é possível obter um certificado de conclusão, porém um valor de taxa é preciso ser pago. Confira os cursos clicando nos links abaixo:

7 novas regras de liderança em TI

7 novas regras de liderança em TI

Poucas coisas no mundo mudaram mais dramaticamente nos últimos 10 anos do que a tecnologia. Mas muitos líderes de tecnologia ainda estão se pautando por regras antigas e desatualizadas.

Já se foram os dias em que a TI dava ordens para que todos na empresa fossem obrigados a segui-la. E que o departamento de TI era estritamente um tomador de pedidos, simplesmente tentando atender às demandas dos executivos de negócios.

O crescente ritmo de mudança significa que as empresas não podem mais se dar ao luxo de levar meses (ou anos) para implementar projetos de TI grandes e caros; entrega contínua e constante é a nova lei. As organizações também não podem escolher entre inovação ou segurança – elas precisam de ambas. Isso coloca mais pressão sobre os CIOs para entregar novas iniciativas de maneira segura e compatível.

Hoje, os líderes de TI estão ajudando os usuários de negócios a escolher o melhor de um catálogo cada vez maior de ferramentas e serviços, enquanto orientam a organização por meio de sua transformação tecnológica. À medida que as empresas se tornam mais dependentes dos dados para impulsionar as decisões, os líderes de tecnologia têm mais poder e maior responsabilidade.

As regras antigas utilizadas pela TI deixam de ser relevantes. Aqui está o que as substituiu.

Regra antiga: a TI cria as regras (e tenta aplicá-las)
Nova regra: os usuários criam as regras (e a TI tenta mantê-las fora de problemas)
Estabelecendo políticas, aplicando padrões, certificando-se de que tudo com um LED esteja seguro e firme. Lembra dos velhos tempos?

Hoje os usuários fazem as regras. Seu trabalho é guiá-los gentilmente na direção certa, para garantir que eles não coloquem as operações e a empresa em risco.

“O papel do CIO mudou de executor para curador”, diz Jonathan Stone, CTO/COO da Kelser.

Cinco anos atrás, os líderes de tecnologia decidiram quais aplicativos o negócio usaria e quem teria acesso a eles. Agora eles estão constantemente avaliando como as novas tecnologias podem beneficiar os negócios e orientando os usuários sobre as melhores soluções.

“Toda a equipe ainda precisa estar na mesma página, e o CIO ainda decide qual página é essa”, diz Stone. “Mas você não os vê mais tomando decisões abrangentes como: ‘Não fazemos nada baseado na nuvem'”.

Regra antiga: manter as luzes acesas
Nova regra: manter os dados fluindo
As velhas tarefas diárias de TI – administrar direitos de acesso, gerenciar a qualidade dos dados e gerar relatórios – são normalmente tratadas por equipes de negócios com pouca ou nenhuma supervisão de TI, diz Mark Settle, CIO da Okta. Hoje é tudo sobre dados.

“As principais responsabilidades da TI estão cada vez mais focadas na integração de dados em vários aplicativos, no gerenciamento de dados mestres em nível corporativo e na aplicação de salvaguardas de segurança cibernética”, diz Settle. “A TI torna as empresas mais competitivas, automatizando processos, democratizando dados e reduzindo a fricção em relação ao usuário”.

Hoje os usuários fazem as regras. Seu trabalho é guiá-los gentilmente na direção certa, para garantir que eles não coloquem as operações e a empresa em risco.

“O papel do CIO mudou de executor para curador”, diz Jonathan Stone, CTO/COO da Kelser.

Cinco anos atrás, os líderes de tecnologia decidiram quais aplicativos o negócio usaria e quem teria acesso a eles. Agora eles estão constantemente avaliando como as novas tecnologias podem beneficiar os negócios e orientando os usuários sobre as melhores soluções.

“Toda a equipe ainda precisa estar na mesma página, e o CIO ainda decide qual página é essa”, diz Stone. “Mas você não os vê mais tomando decisões abrangentes como: ‘Não fazemos nada baseado na nuvem'”.

Regra antiga: manter as luzes acesas
Nova regra: manter os dados fluindo
As velhas tarefas diárias de TI – administrar direitos de acesso, gerenciar a qualidade dos dados e gerar relatórios – são normalmente tratadas por equipes de negócios com pouca ou nenhuma supervisão de TI, diz Mark Settle, CIO da Okta. Hoje é tudo sobre dados.

“As principais responsabilidades da TI estão cada vez mais focadas na integração de dados em vários aplicativos, no gerenciamento de dados mestres em nível corporativo e na aplicação de salvaguardas de segurança cibernética”, diz Settle. “A TI torna as empresas mais competitivas, automatizando processos, democratizando dados e reduzindo a fricção em relação ao usuário”.

Mais do que nunca, a TI deve equilibrar as necessidades de conformidade e segurança da organização com os desejos dos usuários finais. Em outras palavras, os CIOs modernos precisam ser tão bons em RH quanto na segurança da informação. É preciso proteger as aplicações, independente do dispositivo.

Regra antiga: escolha um parceiro, fique com ele por toda a vida
Nova regra: mantenha suas opções em aberto
Era uma vez CIOs que simplificavam seus portfólios, comprometendo-se com um grande fornecedor para implementar a maior parte da tecnologia em uso na empresa. Mas as falhas de entrega, as taxas onerosas de licenciamento, a inflexibilidade e o aprisionamento do fornecedor azedaram muitas dessas relações.

Hoje em dia as empresas podem fazer muito melhor  buscando parceiros tecnológicos mais ágeis que possam satisfazer suas necessidades sem renegociações prolongadas ou penalidades, diz Mike Meikle, CEO da secureHIM.

“É tudo sobre economia de custos e flexibilidade”, diz Meikle. “As empresas agora querem os melhores parceiros de vendas, cujos SLAs são mais flexíveis, permitindo que eles respondam com mais agilidade a um mercado que muda rapidamente.”

Ainda assim, flexibilidade e liberdade têm um custo.

“Mais fornecedores e soluções significam maior complexidade”, acrescenta. “E muitas empresas cometem o erro de pensar que o uso de fornecedores terceirizados ou SaaS permitirá que eles reduzam o número de funcionários, de modo que acabam perdendo conhecimento institucional valioso.”

O sucesso de fazer malabarismos com vários provedores de serviços também exige a instalação de um programa de gerenciamento de fornecedores para garantir que os SLAs sejam cumpridos e os contratos sejam mantidos.

“Ter um programa de governança maduro também será importante para manter as expectativas da diretoria de acordo com a realidade”, acrescenta.

Regra antiga: Se não está quebrado, não conserte
Nova regra: se não está quebrado, quebre
Uma década atrás, o trabalho da TI era manter a disponibilidade alta e os custos baixos, para minimizar interrupções e evitar violações. Hoje, CIO realmente significa Chief Innovation Officer. Mover-se rápido, quebrando as coisas é o novo mandato.

“Os CIOs agora são responsáveis ​​por inovações de produtos e serviços que aumentam as receitas, aumentam a fidelidade e eliminam a concorrência”, diz Bhanu Singh, vice-presidente de desenvolvimento de produtos e operações da OpsRamp. “Acima de tudo, eles devem incentivar a tomada de risco calculado, especialmente em torno da tecnologia e dos ecossistemas disruptivos, para manter os negócios e a organização um passo à frente dos concorrentes”.

Todas as empresas devem repensar seus processos continuamente, diz Lightman, da CMU. Grandes corporações avessas ao risco devem procurar a TI para avaliar os desafios da inovação e como gerenciá-los.

“Pode haver muita interrupção no mercado dizendo às empresas que elas precisam assumir mais riscos do que poderiam”, diz ele. “A liderança em TI pode ajudar, avaliando e compreendendo todos os riscos e como mitigá-los.”

Fonte: https://cio.com.br/7-novas-regras-de-lideranca-em-ti/

10 tendências de cibersegurança para 2019

10 tendências de cybersecurity para 2019

Uma cadeia é tão forte quanto seu elo mais fraco, e todos nós temos que nos apropriar dos riscos se quisermos proteger nossos dados e redes

O mundo corporativo foi abalado por uma série de violações de dados e ataques de ransomware em 2018. A Juniper Research estimou que a quantidade de dados roubados por criminosos cibernéticos poderia aumentar em até 175% nos próximos cinco anos. Acrescente a isso incertezas na economia global e 2019 parece ser um ano desafiador para profissionais de segurança cibernética.

1. Operacionalizando o GDPR
Regulamento Geral de Proteção de Dados da UE (GDPR) exige que todas as empresas que operam na UE protejam a privacidade e os dados pessoais dos cidadãos da UE. As penalidades para o não cumprimento são altas e o GDPR tem uma visão ampla do que constitui os dados pessoais, tornando isso um dever potencialmente oneroso. Um relatório da Ovum sobre as leis de privacidade de dados, de julho de 2018, revela que dois terços das empresas consideram que terão que adaptar seus próprios procedimentos para se tornarem conformes com o GDPR, e mais da metade teme que possam ser multadas por não conformidade. Uma abordagem proativa à privacidade de dados também é benéfica para empresas que operam fora da Europa. Muitos países estão seguindo o exemplo do GDPR. Será que veremos a adoção de uma lei abrangente de privacidade federal nos EUA em 2019?

2. Gerenciando dispositivos gerenciados e não gerenciados
À medida que o número e a variedade de dispositivos móveis (gerenciados e não gerenciados) empregados pelos usuários continuam a crescer, as redes corporativas passam a ter maior dificuldade para mitigar os riscos envolvidos. A IoT vinculou vários dispositivos conectados, muitos dos quais com pouca ou nenhuma segurança integrada, a redes anteriormente seguras, resultando em um aumento exponencial de endpoints exploráveis. As empresas precisam lidar com essa tendência e afirmar algum controle sobre o uso de dispositivos não gerenciados e estabelecer protocolos claros para dispositivos gerenciados.

3. Fazendo um inventário completo
Uma pesquisa recente conduzida pelo Ponemon descobriu que mesmo que 97% dos profissionais de segurança concordassem que um ataque cibernético causado por um dispositivo inseguro poderia ser catastrófico para sua empresa, apenas 15% tinham um inventário dos dispositivos IoT conectados a seus sistemas e menos que metade tinha um protocolo de segurança que permitia desconectar dispositivos vistos como de alto risco. É imperativo que a empresa adote uma abordagem proativa a essa vulnerabilidade. Este ano, esperamos ver mais empresas seguirem as recomendações de melhores práticas do NIST para estabelecer um inventário em tempo real de todos os dispositivos conectados. Não só aqueles que utilizam uma conexão física, mas também através de WiFi e Bluetooth.

4. Ataques de spear phishing
Dados pessoais são uma moeda cada vez mais lucrativa para hackers. Os dados extraídos de ataques a sites de mídia social, como o Facebook, podem ser comprados na Dark Web e depois aproveitados para fornecer aos engenheiros sociais as informações necessárias para direcionar com êxito ataques a determinados indivíduos. Isso resulta em ataques cada vez mais sofisticados por grupos APT (advanced persistent threat). Se um e-mail de phishing vier de uma fonte confiável ou fizer referência a dados pessoais que você não esperaria que um spammer tivesse, se torna mais difícil detectar e evitar. A Kapersky sugere que o spear phishing será uma das maiores ameaças para empresas e indivíduos em 2019.

5. Ransomware e crypjacking
Ataques de ransomware estão em declínio, substituídos até certo ponto por cryptojacking (sequestrar um computador para minar criptomoedas). Esses ataques empregam táticas semelhantes ao resgate, mas exigem menos conhecimento técnico. Como o malware funciona em segundo plano, sem o conhecimento do usuário, é difícil estimar a verdadeira escala desse problema, mas todas as evidências sugerem que ele está aumentando.

Ataques como WannaCry , NotPetya também sugerem que, embora os ataques aleatórios de ransomware de baixo nível estejam diminuindo em número, os ataques direcionados sofisticados continuarão sendo um problema por algum tempo. Esperamos ver o crescimento contínuo do roubo de criptografia e de ransomware direcionado em 2019.

6. Direitos de acesso do usuário
O gerenciamento efetivo de privilégios de usuários é um dos pilares de um forte perfil de segurança. Conceder aos usuários direitos de acesso a dados desnecessários ou privilégios de sistema pode resultar em uso incorreto ou deliberado de dados e criar vulnerabilidades a ataques externos. Liderando o caminho na luta contra esse risco estão os sistemas de gerenciamento de identidades e acesso (IAM) , que fornecem aos administradores as ferramentas para monitorar e avaliar o acesso para garantir a conformidade com regulamentações governamentais e protocolos corporativos. Muitas das soluções nessa área ainda estão engatinhando, mas já estão comprovando o valor de seus negócios. Podemos esperar ver muito mais ingressando em suas fileiras no próximo ano.

7. Detecção e resposta de endpoint (EDR)
A detecção e resposta de endpoints é uma tecnologia emergente que fornece monitoramento contínuo de pontos de acesso e uma resposta direta a ameaças avançadas. As soluções da EDR se concentram principalmente na detecção de eventos no ponto de entrada, contendo o incidente para evitar infecção na rede, investigação de qualquer atividade suspeita e ação corretiva para restaurar a integridade do sistema. Plataformas tradicionais de proteção de terminais (EPP) são principalmente preventivas. O EDR aprimora a detecção de ameaças muito além dos recursos das soluções tradicionais de EPP e procura ativamente anomalias usando o monitoramento comportamental, ajudado por recurso de Inteligência Artificial. À medida que a natureza da ameaça cibernética se modifica e muda, esperamos ver uma nova onda de soluções de segurança combinando o EPP tradicional com tecnologias EDR emergentes.

8. Deep fake videos
Ver não é mais acreditar. Tecnologias automatizadas de Inteligência Artificial foram desenvolvidas para criar e detectar Deep fake videos. Os vídeos podem retratar uma celebridade ou político engajado em atividade ilegal ou pornográfica ou um chefe de Estado fazendo comentários inflamados. Mesmo quando as imagens foram mostradas como falsas, pode haver danos duradouros à reputação ou conseqüências irredimíveis severas. Isso não apenas destaca a importância da checagem de fatos, mas também existe uma tendência preocupante para essa tecnologia. Vídeos falsos profundos muitas vezes se tornam virais, tornando-os uma excelente ferramenta para espalhar malwares e lançar ataques de phishing. No próximo ano, todos nós precisamos estar atentos a essa tendência perniciosa.

9. Segurança na nuvem
A migração de soluções de serviços e computação para a nuvem trouxe muitos benefícios para a empresa. No entanto, também abriu novas áreas de risco. A lacuna de habilidades em segurança cibernética continua preocupantemente ampla, e uma nova geração de criminosos cibernéticos está investigando entusiasticamente serviços baseados em nuvem para explorar vulnerabilidades. Muitos na empresa permanecem sem saber até que ponto são responsáveis ​​por proteger os dados, e até mesmo o melhor sistema pode ser comprometido por uma violação no protocolo. Precisamos redefinir a segurança para a nuvem e ser proativos.

10. Conscientização do usuário
Em quase todas as áreas acima, a palavra final é sobre a conscientização do usuário. Uma cadeia é tão forte quanto seu elo mais fraco, e todos nós temos que nos apropriar dos riscos se quisermos proteger nossos dados e redes. Acima de tudo, esperamos que no próximo ano haja uma maior conscientização por parte de todos os usuários, combinada com uma educação mais abrangente sobre limitação e remediação de ameaças. Conhecimento é poder e está ao nosso alcance.

Fonte: https://cio.com.br/10-tendencias-de-ciberseguranca-para-2019/

Renovação dos RH’s esbarra no mindset das companhias

Renovação dos RH’s esbarra no mindset das companhias

* por Antonio Loureiro, CEO da CQ1

Desde que criamos a CQ1 Lab, pudemos imergir ainda mais no “mar” de inovação que é possível trazer para a área de recursos humanos. Boas ideias e iniciativas não faltam.  As HRtechs têm trabalhado para solucionar os inúmeros problemas burocráticos do setor: alta rotatividade, profissionais insatisfeitos, reforma trabalhista, e-social entre outros.

No entanto, a concepção frenética de inovações encontra no mercado uma barreira de maturidade e cultura, que dificulta, ou até impede, a implementação dessas soluções dentro das corporações. Os projetos voltados para a área de recursos humanos têm um tempo maior de maturação e retorno financeiro, se comparado com outros mercados. Isso ocorre porque dependem de adaptações significativas nos clientes. Em muitos casos, a adoção de um novo sistema demanda mudanças culturais não só para o departamento de RH, como para toda a companhia.

Contudo, não há outro caminho possível: mais cedo ou mais tarde a mudança no mindset das empresas deverá acontecer.  Elas passarão a compreender a transformação digital como sinônimo de ganho de produtividade. A tecnologia e a qualidade dos planejamentos estratégicos na gestão de pessoas estarão cada vez mais correlacionadas dentro das companhias, apesar da atual resistência do setor e das restrições aos investimentos.

Big Data e IA

Consequentemente a utilização da análise de dados e da inteligência artificial na tomada de decisões para a gestão estratégica de pessoas deverá ser estabelecida com muito mais força em um futuro próximo, como já acontece fora do Brasil há pelo menos três anos. Além da implantação da tecnologia em si, que facilita processos burocráticos, os RH’s devem entender a importância de uma leitura estatística para uma gestão mais inteligente e com melhor direcionamento.

Neste novo cenário, os profissionais de recursos humanos e até mesmo os líderes das empresas deverão se abrir para atualizações tenológicas e relacionadas à interpretação dos dadosc. A partir de agora, esses novos elementos estarão ada vez mais presentes na vida desses profissionais e, utilizar a tecnologia como aliada será crucial para este processo de mudança.

 

Qual a perspectiva das mulheres na tecnologia?

Qual a perspectiva das mulheres na tecnologia?

Metade das brasileiras ainda reconhece que enfrentam mais desafios para crescer e se tornar tão bem-sucedidas quanto os homens.

Três em quatro mulheres brasileiras (75%) que trabalham no setor de tecnologia – e as estudantes interessadas na área – afirmam que ser mulher impacta positivamente sua capacidade de seguir uma carreira no setor. O cenário favorável ocorre principalmente e graças ao reconhecimento de poucas mulheres atualmente no setor (35%), uma oportunidade reconhecida especialmente pelas universitárias (46%) e estudantes do Ensino Médio (43%).

Os dados são de uma pesquisa realizada pela Booking.com, empresa de e-commerce de viagens e atuante do setor de tecnologia digital, que tem como objetivo entender melhor o contínuo desafio da diversidade de gênero no setor de tecnologia e as percepções, experiências e ambições de mulheres do mundo todo com relação às oportunidades de carreira no setor de tecnologia.

Pesquisa

Realizada com 6.898 pessoas de dez países (mulheres que trabalham com tecnologia e estudantes interessadas em seguir uma carreira no mercado), a pesquisa revela o porque que as mulheres do mundo todo consideram o setor de tecnologia atrativo e possui uma visão positiva do potencial que ele oferece.

Entretanto, a parcialidade no recrutamento, a atual formação do mercado de trabalho e a falta de tomadoras de decisão e exemplos conhecidos são as principais dificuldades que elas enfrentam.

As mulheres brasileiras também têm interesse no setor de tecnologia por diversos motivos – elas consideram uma área inovadora (61%), criativa (50%) e inspiradora (36%), além de oferecer opções de emprego que as desafie (27%). Para muitas, garantir uma posição na área de tecnologia se equipara a conseguir seu ‘emprego dos sonhos’ ou carreira ideal.

Ao serem questionadas sobre quais critérios as mulheres brasileiras usariam para definir seu ‘emprego dos sonhos’, nove em dez citaram um trabalho inspirador (92%), seguido por um trabalho que permita que elas trilhem seu próprio caminho (90%) e um trabalho que se alinhe com suas habilidades naturais (88%).

Parcialidade no recrutamento

Apesar do apelo do setor da tecnologia e as possíveis oportunidades, a pesquisa  indica que as mulheres do mundo todo ainda têm dúvidas e, em certos momentos na sua busca por uma carreira na área, consideram o fato de ser mulheres um ponto negativo. 

Cultura sexista?

Para metade das brasileiras (50%) este é o caso, pois o setor de tecnologia é amplamente dominado pelos homens, seguido por mais de um terço (38%) que cita uma cultura de trabalho sexista como um obstáculo.

É interessante ver que as percepções de parcialidade de gênero no processo de contratação têm grande variação em diferentes mercados. No Brasil, uma em cada duas mulheres (50%) sente que a parcialidade de gênero durante o recrutamento impacta negativamente as oportunidades de garantir uma carreira no setor, o maior número entre os países pesquisados, enquanto menos mulheres em países europeus se sentem desta forma (18% nos Países Baixos e 22% no Reino Unido e na Alemanha).

Sensação de inferioridade

Além disso, quase uma em cada cinco mulheres brasileiras (21%) sente que a falta de tomadoras de decisão trava uma carreira potencial na área de tecnologia, algo que ecoa pela maioria das alunas de Ensino Médio (50%). Esses fatores contribuem para o fato de que mais de quatro em cinco mulheres brasileiras sentem que têm mais desafios para entrar (86%), crescer e ser bem-sucedidas (87%) em certas carreiras do que os homens.

“As mulheres ainda têm pouquíssima representação no setor da tecnologia. O que nossa pesquisa agora nos mostra é exatamente onde as mulheres encontram as maiores barreiras e onde está a oportunidade para iniciar a mudança,” afirma Gillian Tans, CEO da Booking.com. “O otimismo e a ambição que vemos nas mulheres que querem ser bem-sucedidas no setor da tecnologia ou de TI são inspiradores, particularmente entre as gerações mais jovens, que veem o potencial de uma carreira na tecnologia como uma das aspirações que elas têm para si mesmas.”

“Mas, para empoderar as mulheres a serem bem-sucedidas na área, nós, como mercado, temos a oportunidade de fazer muito mais. Isso inclui a possibilidade de termos mais mulheres como líderes, eliminando a parcialidade de gênero que começa no processo de recrutamento, antes mesmo de uma mulher ser contratada, e investir em iniciativas para destacar a área como atrativa e acolhedora em todos os momentos, desde as iniciantes até a liderança sênior,” declarou Tans.

Oportunidade de mudança

A pesquisa reafirma o desejo do setor de tecnologia de conseguir a próxima geração de talentos, além de simultaneamente destacar onde os esforços para diminuir a diferença entre os gêneros começam. No Brasil, as alunas de Ensino Médio (29%) e as universitárias (26%) sentem que uma carreira na área de tecnologia oferece a liberdade de serem criativas em seu trabalho.

As alunas de Ensino Médio são atraídas pelo mercado da tecnologia principalmente porque sentem que possuem a chance de serem bem-sucedidas ainda jovens (30% vs. 22% entre profissionais experientes da área), além da possibilidade de trilhar seu próprio caminho profissional (26% vs. 24% entre profissionais experientes da área). Além de tudo isso, as alunas querem ser inspiradas pela carreira escolhida, conforme mencionado por 30% das alunas de Ensino Médio e 16% das universitárias.

O mercado 

Enquanto o setor de tecnologia hoje tem resultados em várias dessas frentes, as empresas de tecnologia – e o mercado no geral – possuem uma maior oportunidade de incentivar as mulheres que pretendem trabalhar neste mercado, não apenas para estimular suas ambições e articular formas de serem excelentes na área, mas também para eliminar os obstáculos que as desanimam.

“O setor da tecnologia tem um potencial tremendo de cumprir os critérios citados pelas mulheres do mundo todo ao definirem seu ‘emprego dos sonhos’ e aspirações de carreira”, comentou Tans. “Ajudar a realizar isso e levar mais mulheres para a tecnologia é um princípio que vai além da educação, do desenvolvimento social, responsabilidade corporativa e iniciativas governamentais. 

Se o setor da tecnologia quiser reter um fluxo equilibrado de talentos no futuro, todos devemos trabalhar incansavelmente para incentivar as mulheres durante sua educação formal a agir como fontes positivas de influência no desenvolvimento do conhecimento das meninas na área de ciências e matemática.”

Preencher a lacuna de gêneros

Com relação às opções de carreira, o aprendizado e a educação desde crianças há uma influência significativa nas eventuais opções de carreira das mulheres, de acordo com a pesquisa. Cerca de pouco mais de quatro em cinco mulheres brasileiras afirmam que suas opções de carreira são influenciadas pelas habilidades aprendidas na escola e na universidade (85%) e pelas matérias estudadas (84%).

Fonte: https://www.itforum365.com.br/carreira/qual-perspectiva-das-mulheres-na-tecnologia/

Guia prático para dominar Machine Learning

Guia prático para dominar Machine Learning

Sua aplicação pode provocar um impacto profundo em seu negócio, mas o hype semeia confusão. Confira aqui como a tecnologia pode ser usada hoje.

O Machine Learning está transformando negócios. Mas ainda que a tecnologia avance, as empresas continuam lutando para tirar proveito dela, em grande parte porque não entendem como implementar estrategicamente Machine Learning no atendimento de objetivos de negócios. O Hype não ajudou, semeando confusão sobre o que é exatamente a tecnologia, o quão bem funciona e o que pode fazer para sua empresa.

Aqui, nós fornecemos um olhar claro sobre o aprendizado da máquina e como pode ser usado hoje.

O que é?
Machine Learning é um subconjunto de Inteligência Artificial que permite que os sistemas aprendam e prevejam resultados sem programação explícita. Muitas vezes, é usado de forma intercambiável com o termo IA porque é a técnica de IA que teve o maior impacto no mundo real até agora, e é o que você provavelmente usará em sua empresa. Chatbots, recomendações de produtos, filtros de spam, carros autônomos e uma enorme variedade de outros sistemas aproveitam o Aprendizado de Máquinas, assim como “agentes inteligentes” como Siri e Cortana.

Em vez de escrever algoritmos e regras que tomem decisões diretamente, ou tentar programar um computador para “ser inteligente” usando conjuntos de regras, exceções e filtros, o Machine Learning ensina sistemas informáticos a tomar decisões aprendendo com grandes conjuntos de dados. Os sistemas baseados em regras rapidamente se tornam frágeis quando precisam explicar a complexidade do mundo real; A Aprendizagem Automática pode criar modelos que representam e generalizam padrões nos dados que você usa para treiná-lo, e pode usar esses modelos para interpretar e analisar novas informações.

O Aprendizado Automático da máquina é adequado para a classificação, que inclui a capacidade de reconhecer texto e objetos em imagens e vídeos, bem como encontrar padrões e associações  em dados ou segmentar dados em clusters (por exemplo, encontrar grupos de clientes). O Machine Learning também é adepto da previsão , como o cálculo da probabilidade de eventos ou resultados de previsão. E pode ser usado para gerar dados faltantes; por exemplo, a versão mais recente do CorelDRAW usa Machine Learning para interpolar o curso suave que você está tentando extrair de vários cursos difíceis que você faz com a caneta.

O coração do Machine Learning são os algoritmos. Alguns, como regressões, k-means clustering e suporte de máquinas vetoriais, estão em uso há décadas. A chave para o uso efetivo  está na combinação do algoritmo certo com o seu problema.

Redes Neurais
Uma Rede Neural é um algoritmo de Machine Learning construído em uma rede de nós interconectados que funcionam bem para tarefas como reconhecimento de padrões.

Não são um novo algoritmo, mas a disponibilidade de grandes conjuntos de dados e processamento mais poderoso (especialmente as GPUs, que podem lidar com grandes fluxos de dados em paralelo) as tornaram úteis na prática. Apesar do nome, as Redes Neurais são baseadas apenas vagamente em neurônios biológicos. Cada nó em uma rede neural possui conexões para outros nós que são acionados por entradas. Quando desencadeada, cada nó adiciona um peso à sua entrada para marcar a probabilidade de que ele faça ou não a função desse nodo. Os nós são organizados em camadas fixas tarvés das quais os dados fluem, ao contrário do cérebro, que cria, remove e reorganiza regularmente conexões de sinapse.

Deep Learning
O Deep Learning é um subconjunto do Machine Learning baseado em Redes Neurais profundas, que têm muitas camadas para realizar a aprendizagem em várias etapas. As chamadas Convolutional Deep Neural Networksgeralmente realizam o reconhecimento da imagem ao processar uma hierarquia de recursos em que cada camada procura objetos mais complicados. Por exemplo, a primeira camada de uma rede profunda que reconhece raças de cães pode ser treinada para encontrar a forma do cachorro em uma imagem, a segunda camada pode observar texturas como pele e dentes, com outras camadas reconhecendo ouvidos, olhos, caudas e outras características e o nível final que distingue as diferentes raças. Já as Recursive Deep Neural Networks são usadas ​​para reconhecimento de fala e processamento de linguagem natural, onde a seqüência e o contexto são importantes.

Existem muitos kits de ferramentas de aprendizado profundo de código aberto disponíveis que você pode usar para criar seus próprios sistemas. Theano , Torch Caffe são escolhas populares, e o TensorFlow, do Google e o Microsoft Cognitive Toolkit permitem que você use vários servidores para criar sistemas mais poderosos com mais camadas em sua rede.

O Microsoft Distributed Machine Learning Toolkit colabora com vários desses kits de ferramentas de Deep Learning e e outras bibliotecas de Machine Learning, e tanto a AWS como a Azure oferecem máquinas virtuais com ferramentas de aprendizado profundas pré-instaladas.

Aprendizado de Máquinas na prática
Os resultados do Machine Learning são uma certeza percentual de que os dados que você está procurando correspondem ao que seu modelo está treinado para encontrar. Assim, uma Deep Learning treinada para identificar as emoções de fotografias e vídeos de rostos das pessoas pode marcar uma imagem como “97,6% de felicidade 0,1% tristeza 5,2% surpresa 0,5% neutro 0,2% raiva 0,3% desprezo 0,01% detesto 12% de medo”. ML gera probabilidades e incerteza, não resultados exatos.

O Probabilistic Machine Learning  usa o conceito de probabilidade para permitir que você realize a aprendizagem automática sem a escrita de algoritmos Em vez dos valores estabelecidos das variáveis ​​na programação padrão, algumas variáveis ​​na programação probabilística têm valores que se enquadram em um alcance conhecido e outros têm valores desconhecidos. Trate os dados que deseja entender como se fosse o resultado deste código e você pode trabalhar para trás para preencher o que esses valores desconhecidos deveriam ser para produzir esse resultado. Com menos codificação, você pode fazer mais prototipagem e experimentação. O Probabilistic Machine Learning também é mais fácil de depurar.

Esta é a técnica que o recurso Clutter no Outlook usa para filtrar mensagens que são menos propensas a serem interessantes para você com base nas mensagens que você leu, respondeu e excluiu no passado. Ele foi construído com Infer.NET, um framework .NET que você pode usar para construir seus próprios sistemas probabilísticos.

Já Computação Cognitiva é o termo que a IBM usa para suas ofertas do Watson, porque em 2011, quando uma versão anterior ganhou o Jeopardy, o termo IA não estava na moda; Ao longo das décadas em que foi trabalhado, a IA passou por períodos alternados de hype e fracasso.

O Watson não é uma única ferramenta. É uma mistura de modelos e APIs que você também pode obter de outros fornecedores, como Salesforce, Twilio, Google e Microsoft. Estes oferecem os chamados serviços “cognitivos”, como reconhecimento de imagem, incluindo reconhecimento facial, reconhecimento de fala (falante), compreensão de linguagem natural, análise de sentimentos e outras API de reconhecimento que se parecem com habilidades cognitivas humanas. Quer se trate da Watson ou dos Microsoft Cognitive Services, o termo cognitivo é realmente apenas uma marca de marketing para designar uma coleção de tecnologias (muito úteis). Você poderia usar essas APIs para criar um chatbot a partir de uma página de FAQ existente que pode responder a consultas de texto e também reconhecer fotos de produtos para fornecer as informações de suporte corretas ou usar fotos de etiquetas de prateleiras para verificar os níveis de estoque.

Muitas APIs “cognitivas” usam Deep Learning, mas você não precisa saber como elas foram construídas porque muitos funcionam como APIs REST que você chama de seu próprio aplicativo. Alguns permitem criar modelos personalizados a partir de seus próprios dados. O Salesforce Einstein possui um serviço de reconhecimento de imagem personalizado e as APIs Cognitivas da Microsoft permitem que você crie modelos personalizados para texto, fala, imagens e vídeo.

Isso é facilitado pela transferência de aprendizagem, que é menos uma técnica e mais um efeito colateral útil de redes profundas. Uma Rede Neural Profunda que foi treinada para fazer uma coisa, como traduzir entre inglês e mandarim, descobre uma segunda tarefa, como traduzir entre inglês e francês, de forma mais eficiente. Isso pode ser porque os números muito longos que representam, digamos, as relações matemáticas entre palavras como “bigs” e “larges” são até certo ponto comuns entre as linguas, mas nós realmente não sabemos.

A transferência de aprendizagem não é bem compreendida, mas pode permitir que você obtenha bons resultados de um conjunto de treinamento menor. O Microsoft Custom Vision Service usa transferência de aprendizagem para treinar um sistema que conheça uma imagem em apenas alguns minutos, usando 30 a 50 imagens por categoria, em vez de milhares, geralmente necessárias para obter resultados precisos.

Machine Learning

Crie seu próprio sistema de Machine Learning
Se você não quer APIs pré-construídas, e você tem os dados para trabalhar, há uma enorme variedade de ferramentas criar sistemas de Machine Learning, desde scripts R e Python, até análises preditivas usando Spark e Hadoop, para ferramentas específicas da AI e estruturas.

Em vez de configurar sua própria infraestrutura, você pode usar serviços de Deep Learnig na nuvem para criar modelos de dados. Com os serviços em nuvem, você não precisa instalar uma variedade de ferramentas. Além disso, esses serviços desenvolvem mais conhecimentos necessários para obter resultados bem-sucedidos.

Amazon Machine Learning oferece vários modelos de Machine Learning que você pode usar com dados armazenados em S3, Redshift ou R3, mas você não pode exportar os modelos e o tamanho do conjunto de treinamento é bastante limitado. O Azure ML Studio, da Microsoft, por sua vez, possui uma gama mais ampla de algoritmos, incluindo Deep Learning, além de pacotes R e Python, e uma interface gráfica de usuário para trabalhar com eles. Também oferece a opção de usar o Azure Batch para carregar periodicamente conjuntos de treinamento extremamente amplos, e você pode usar seus modelos treinados como APIs para seus próprios programas e serviços. Existem também recursos de aprendizado de máquina, como o reconhecimento de imagens incorporados em bancos de dados em nuvem, como o SQL Azure Data Lake, para que você possa fazer sua máquina aprendendo onde seus dados estão.

Aprendizagem supervisionada
Muitas técnicas de Machine Learning utilizam a aprendizagem supervisionada, em que uma função é derivada de dados de treinamento rotulados. Os desenvolvedores escolhem e rotulam um conjunto de dados de treinamento, colocam uma proporção desses dados para testes e marcam os resultados do sistema de Machine Learning para ajudá-lo a melhorar. O processo de treinamento pode ser complexo, e os resultados são muitas vezes probabilidades, com um sistema sendo, por exemplo, 30 por cento mais seguro de ter reconhecido um cachorro em uma imagem, 80 por cento seguro de que encontrado um gato, e talvez até com 2 por cento certeza de ter encontrado uma bicicleta. Os feedeback dos desenvolvedores iajudam o sistema definir a melhor a resposta no futuro.

É importante não treinar o sistema com precisão aos dados de treinamento; Isso é chamado de superposição e significa que o sistema não poderá generalizar para lidar com novas entradas. Se os dados mudam significativamente ao longo do tempo, os desenvolvedores precisarão treinar o sistema devido ao que alguns pesquisadores referem como “ML rot”.

Algoritmos de aprendizado de máquina – e quando usá-los
Se você já sabe quais são os rótulos de todos os itens do seu conjunto de dados, atribuir rótulos a novos exemplos é um problema de classificação. Se você está tentando prever um resultado como o preço de venda de uma casa com base em seu tamanho, isso é um problema de regressão porque o preço da casa é uma categoria contínua e não discreta. (Prever se uma casa irá vender por mais ou menos do que o preço pedido é um problema de classificação, porque estas são duas categorias distintas).

Se você não conhece todos os rótulos, não pode usá-los para treinamento; Em vez disso, você classifica os resultados e deixa o seu sistema criar regras que façam sentido, a partir de  respostas corretas ou erradas, no que é conhecido como aprendizagem não supervisionada. O algoritmo de ML não supervisionado mais comum é o clustering, que deriva a estrutura dos seus dados, observando as relações entre variáveis ​​nos dados. O sistema de recomendação de produtos da Amazon que diz o que as pessoas que compraram um item também tendem a comprar usa aprendizado não supervisionado.

Com o reinforcement learning, o sistema aprende como ver ao ver o que acontece. Você configura um conjunto claro de recompensas para que o sistema possa julgar o sucesso de suas ações. O aprendizado de reforço é adequado ao jogo porque há recompensas óbvias. O DeepMind AlphaGo do Google usou o reinforcement learning para aprender Go. O Project Malmo, da Microsoft, permite que os pesquisadores usem o Minecraft como um ambiente de aprendizagem de reforço. E um bot construído com o algoritmo de aprendizagem de reforço da OpenAI recentemente venceu vários jogadores de primeira linha no jogo Dota 2, da Valve .

A complexidade da criação de recompensas precisas e úteis limitou o uso da aprendizagem de reforço, mas a Microsoft vem usando uma forma específica de aprendizagem de reforço chamado contextual bandits (com base no conceito de multi-armed slot machine) para melhorar significativamente as taxas de clique na MSN. Esse sistema já está disponível no Microsoft Custom Decision Service API. A Microsoft também está usando um sistema de aprendizagem de reforço em um piloto onde os chatbots do serviço ao cliente monitoram o quão úteis são suas respostas automatizadas.

Combinando algoritmos de aprendizagem de máquinas para obter melhores resultados
Muitas vezes, é preciso mais de um método de Machine Learning para obter o melhor resultado. Os sistemas ensemble learning usam múltiplas técnicas de ML combinadas. Por exemplo, o sistema DeepMind, que bateu jogadores humanos experientes no Go, usa não apenas o aprendizado de reforço, mas também o aprendizado profundo e o aprendizado supervisionado para aprender com milhares de partidas gravadas entre jogadores humanos. Essa combinação às vezes é conhecida como aprendizagem semi-supervisionada.

Da mesma forma, o sistema de ML usado pelo Microsoft Kinect para reconhecer os movimentos humanos foi construído com uma combinação de um sistema discriminatório – no qual a Microsoft alugou um sistema de captura de movimento de Hollywood, extraiu a posição do esqueleto e rotulou as partes do corpo para classificar qual das várias posturas conhecidas em que estava – e um sistema generativo, que usou um modelo das características de cada postura para sintetizar milhares de imagens para dar ao sistema um conjunto de dados suficientemente grande para aprender.

A análise preditiva muitas vezes combina diferentes técnicas de ML. Um modelo pode marcar qual a probabilidade de um grupo de clientes estar em condições de churn, com outro modelo que preveja qual canal você deve usar para entrar em contato com cada pessoa com uma oferta que possa mantê-los como clientes.

Navegando pelas desvantagens do Machine Learning
Como os sistemas de aprendizado de máquinas não estão explicitamente programados para resolver problemas, é difícil saber como um sistema chegou aos seus resultados. Isso é conhecido como um problema de “caixa preta”, e pode ter consequências, especialmente em indústrias reguladas.

À medida que o Machine Learning se torna mais amplamente utilizado, você precisará explicar por que seus sistemas fazem o que fazem. Alguns mercados – habitação, decisões financeiras e cuidados de saúde – já possuem regulamentos que exigem que você dê explicações para as decisões. Você também pode querer transparência algorítmica para que você possa auditar o desempenho do sistema de Machine Learning. Os detalhes dos dados de treinamento e os algoritmos em uso não são suficientes. Existem muitas camadas de processamento não-linear que ocorrem dentro de uma Deep Learning, tornando muito difícil entender por que uma rede profunda está tomando uma decisão específica. Uma técnica comum é usar outro sistema de Machine Learning para descrever o comportamento do primeiro.

Você também precisa estar ciente dos perigos do viés algorítmico, como quando um sistema de Machine Learning reforça o viés em um conjunto de dados que associa homens com esportes e mulheres com tarefas domésticas porque todos os seus exemplos de atividades esportivas têm fotos de homens e todas as pessoas retratadas nas cozinhas são mulheres. Ou quando um sistema que correlaciona informações não médicas toma decisões que prejudicam as pessoas com uma determinada condição médica.

O Machine Learning será tão bom quanto os dados de treinamento que ele usa para construir seu modelo e os dados que ele processa, por isso é importante examinar os dados que você está usando. Sistema ML também não compreendem os dados ou os conceitos por trás deles como uma pessoa consegue fazer.

Há muitos problemas de reconhecimento e classificação que o aprendizado da máquina pode resolver de forma mais rápida e eficiente do que os humanos, mas, considerando o futuro previsível, Machine Learning deve ser considerado como um conjunto de ferramentas para apoiar as pessoas no trabalho em vez de substituí-las.

Créditos: http://cio.com.br/tecnologia/2018/07/21/guia-pratico-para-dominar-machine-learning/

Profissionais raros em TI: por que é tão difícil contratar?

Profissionais raros em TI: por que é tão difícil contratar?

Os profissionais mais raros são aqueles com perfil técnico, que também tenham capacidade analítica e estratégica.

Contratar para área de tecnologia é um desafio constante para os gestores de RH. Isso porque, infelizmente, o Brasil não forma profissionais na mesma medida que o mercado demanda. O fato é que, na última década, o volume de dados cresceu exponencialmente, e passou a ser gerenciado de maneira totalmente digital. A tecnologia, que antes era coadjuvante nas empresas, passou a ser uma área estratégica e de alto impacto para os negócios. Essa transformação fez crescer a demanda por profissionais e criou um descompasso entre a alta procura e a baixa oferta.

Um levantamento feito pela Manpower Group apontou que o Brasil é o segundo país que mais sofre com a escassez de profissionais qualificados, atrás apenas do Japão. Cerca de 71% das empresas apontam ter essa dificuldade. De acordo com o estudo, os profissionais de TI ocupam a oitava posição no ranking dos mais escassos, estando atrás de profissionais de nível técnico, artesãos, engenheiros, contadores.

Dentro da área de TI não é fácil listar quais são os profissionais mais raros, afinal essa demanda varia de acordo com a região, área, tipo de empresa e mudanças no mercado. No entanto, quando observarmos o mercado de contratações, conseguimos traçar um paralelo entre as demandas que estão mais recorrentes e as mais difíceis de serem preenchidas.

Pela minha experiência, consigo dizer que, hoje, os profissionais mais raros são aqueles com perfil técnico, que também tenham capacidade analítica e estratégica. É o caso de profissionais com conhecimento em análise de dados, que consigam não só trabalhar com as ferramentas, mas que também tenham expertise para interpretar as informações e transformá-las em estratégia para a empresa. Ou seja, mais do que as habilidades técnicas, as empresas buscam pessoas capazes de entender o impacto das ações de TI para o negócio.

Outros cargos, cada dia mais necessários, são aqueles responsáveis pela segurança da informação. O vazamento de dados pode comprometer a continuidade da empresa. Proteger-se de ataques e invasões é uma questão urgente e requer uma equipe com profundo conhecimento e atualizações constantes, uma vez que em pouco tempo as defesas ficam obsoletas. A Europa começou um movimento muito forte de proteção de dados, e isso já começou a refletir no Brasil através de subsidiárias Europeias. No entanto, apesar de ser um nicho de atuação que tende a crescer, essa é uma área que poucos profissionais escolhem.

Com o avanço da velocidade de se criar novos produtos e funcionalidades surgiu ainda a necessidade por profissionais de desenvolvimento de softwares capazes de criar ferramentas para automatização de testes. Imagine um cenário onde um novo serviço de tecnologia está sendo disponibilizado. Após a fase de desenvolvimento e antes do lançamento, a ferramenta precisa ser testada em todas as interfaces, botões, navegabilidade, etc. Fazer isso manualmente encarece, e muito, a operação. Surge aí a necessidade de validar o código de programação de maneira automática. Mas para isso, precisamos de pessoas com expertise em ferramentas e processos que vizam automatizar essas etapas.

Acredito que convém falar também do programador de software. Apesar de não ser um profissional raro, a procura está cada dia maior, aumentando assim a disputa entre os candidatos que existem. Mais uma vez, não é a quantidade de profissionais, mais sim o descompasso entre a formação deles e as urgências que aparecem no mercado.

Uma vez que são raros e cada dia mais necessários, esses candidatos começam a fazer exigências e buscam trabalhar para empresas as quais acreditam. O propósito é a bola da vez nos requisitos para quem está sendo contratado. Mas, apesar da missão empresarial estar entre as condições especificadas por eles, o grande anseio é por maior flexibilidade: seja no horário de trabalho, na possibilidade de home office ou por um dress code mais informal. Outro grande desejo é que a empresa o mantenha exposto às novas tecnologias. Eles querem trabalhar em ambientes inovadores, que forneçam ferramentas e favoreçam seu desenvolvimento profissional.

Enquanto recrutador, defendo que os profissionais negociem sim com as empresas que os estão contratando. É uma via de mão dupla, onde ambos os lados têm muito a ganhar. Mas, faço um alerta para que a negociação não se transforme em exigências, drenando o interesse e a confiança de quem está com a vaga aberta.

Algumas atitudes podem prejudicar o candidato. Falar de salário, benefícios e bônus logo no primeiro contato é uma delas. É o início do relacionamento, ambos os lados precisam se conhecer. Nessa fase, o candidato precisa explorar as oportunidades do projeto para o qual está sendo recrutado. Fazer perguntas sobre a cultura da empresa, sobre a liderança, os desafios, as responsabilidades e o futuro são o caminho mais educado e de quem tem verdadeiro interesse por uma oportunidade profissional. Esperar que a empresa mude sua política e cultura só para tê-lo na equipe pode passar a mensagem de que você é um profissional arrogante, e, portanto, por mais que seja qualificado para a vaga, não servirá para fazer parte do time.

Com tanta complexidade, as consultorias especializadas no recrutamento de TI são grandes parceiras na hora de encontrar os profissionais raros desse segmento. Isso porque elas trabalham em conjunto com a área de Recursos Humanos, para definir o plano estratégico e o diagnóstico de perfil ideal para cada vaga. Outro diferencial que torna as boutiques de recrutamento essenciais são o networking e o relacionamento contínuo com o mercado e com um nicho específico. Sem isso, encontrar os talentos nessa área torna-se, cada vez mais, uma tarefa quase impossível.

Fonte: http://cio.com.br/opiniao/2018/09/10/profissionais-raros-em-ti-por-que-e-tao-dificil-contratar/

Brasil é 9º maior mercado de software do mundo

Brasil é 9º maior mercado de software do mundo

Estudo da Abes e IDC detalha tendências e mensura força do setor brasileiro de software

Brasil segue na 9ª colocação no ranking mundial de software e serviços, com um mercado de US$ 18,6 bilhões, o equivalente a 1,6% do total mundial, que girou em torno de US$ 1,14 bilhão em 2017. Os números são de estudo da Abes (Associação Brasileira das Empresas de Software), realizado em parceria com a IDC.

Desenvolvido anualmente pela associação, o documento utiliza dados da IDC referentes ao último ano para fornecer um retrato do mercado de software a apresentar as principais tendências do setor.

O levantamento aponta que o Brasil está muito próximo do tamanho dos mercados de nações como Holanda e Itália, que ocupam as 10ª e 11ª posições, respectivamente, e pouco atrás da Austrália, 8ª colocada na lista. No geral, todos os indicadores brasileiros tiveram sutis aumentos de 2016 para 2017, como o total de empresas atuando no setor, que passou de 15,7 mil para 17 mil.


Jorge Sukarie, presidente do Conselho da Abes, destaca que o ano de 2017 evidenciou uma retomada no crescimento do setor de TI no Brasil, após um 2016 difícil. “Como já divulgamos na primeira prévia do estudo, os investimentos em Tecnologia da Informação no país cresceram 4,5% em relação ao ano anterior. Foi o ano do início da recuperação que esperamos continuar em 2018, com a retomada dos investimentos em tecnologia, que não podem mais ser postergados”, comenta.

Emtre as características das empresas brasileiras desenvolvedoras de software, o estudo mostra que: 49,3% delas são consideradas micros (ou seja, com 10 funcionários ou menos), 46,2% pequenas (de 10 a 99 empregados), 4% médias (entre 100 e 500 trabalhadores) e apenas 0,5% grandes (acima de 500 funcionários).

O levantamento aponta que o Brasil está muito próximo do tamanho dos mercados de nações como Holanda e Itália, que ocupam as 10ª e 11ª posições, respectivamente, e pouco atrás da Austrália, 8ª colocada na lista. No geral, todos os indicadores brasileiros tiveram sutis aumentos de 2016 para 2017, como o total de empresas atuando no setor, que passou de 15,7 mil para 17 mil.

Jorge Sukarie, presidente do Conselho da Abes, destaca que o ano de 2017 evidenciou uma retomada no crescimento do setor de TI no Brasil, após um 2016 difícil. “Como já divulgamos na primeira prévia do estudo, os investimentos em Tecnologia da Informação no país cresceram 4,5% em relação ao ano anterior. Foi o ano do início da recuperação que esperamos continuar em 2018, com a retomada dos investimentos em tecnologia, que não podem mais ser postergados”, comenta.

Emtre as características das empresas brasileiras desenvolvedoras de software, o estudo mostra que: 49,3% delas são consideradas micros (ou seja, com 10 funcionários ou menos), 46,2% pequenas (de 10 a 99 empregados), 4% médias (entre 100 e 500 trabalhadores) e apenas 0,5% grandes (acima de 500 funcionários).

“Esses números ressaltam a importância da promoção de políticas de incentivo e fomento às pequenas e médias empresas, que são imprescindíveis para que o setor de software brasileiro avance e transforme o país digitalmente”, completa Sukarie.

Atualmente, o setor de software representa 1,9% do PIB nacional.

Fonte: https://computerworld.com.br/2018/08/18/brasil-e-9o-maior-mercado-de-software-do-mundo/

Multicloud: qual é a chave para o gerenciamento proativo de custos?

Multicloud: qual é a chave para o gerenciamento proativo de custos?

A marcação de recursos pode ser útil, mas dificilmente é uma maneira eficaz de controlar os custos da nuvem. Veja como melhorar

Como podemos manter o orçamento multicloud sob controle? Primeiro precisamos entender com o que estamos trabalhando. Quando os custos são acumulados por várias equipes, usando várias contas, envolvendo vários produtos em várias regiões geográficas, em várias plataformas de nuvem, obter uma ideia clara pode ser uma tarefa quase impossível. Por esse motivo, as equipes de infraestrutura e operações geralmente recorrem a soluções de gerenciamento de nuvem para obter melhor visibilidade dos custos.

Medidas proativas de controle de custos serão sempre mais eficazes no gerenciamento de orçamentos de nuvem. Infelizmente, existem poucas soluções que ajudarão as equipes a fazer isso agora. Eu diria que a melhor prática é definir políticas orçamentárias a nível do projeto e da equipe e aplicar essas políticas por meio de ferramentas automatizadas. Dessa forma, os aplicativos podem ser agrupados em projetos associados a orçamentos de equipe ou de unidades de negócio.

A TI e o Financeiro podem definir controles de custos para unidades de negócios. Unidade de negócio ou equipes individuais podem definir orçamentos para projetos. Essas políticas podem servir de proteção, garantindo que os aplicativos e projetos não excedam o orçamento esperado, ao mesmo tempo em que deem às equipes liberdade para serem produtivas por meio de métodos como o autoatendimento automático.

Com essas práticas implementadas, mesmo no lado reativo, as equipes de TI e finanças terão maior percepção de onde vêm os custos. Eles podem atribuir e reatribuir orçamentos com flexibilidade e podem se adaptar às mudanças sem perder o contexto. Além disso, você precisará usar um poderoso mecanismo de análise que possa analisar os aplicativos e as tendências de uso e fazer sugestões para as equipes melhorarem os custos antes da cobrançaPor exemplo, uma análise de custo pode recomendar o uso de instâncias reservadas, quando elas proporcionam economias significativas de custos e sugerem o dimensionamento correto da carga de trabalho, e sempre que as equipes puderem autorizar esse uso automaticamente ou aprovar manualmente.

Ao habilitar um sistema de controle de custos proativo e um mecanismo de análise de custos mais poderoso e contextual, você pode tornar o descontrole dos custos multicloud  algo do passado.

Rapidez, agilidade, flexibilidade  e eficiência de custos – esse é o santo graal e o futuro multicloud.

 

Leia mais: http://cio.com.br/tecnologia/2018/07/16/multicloud-qual-e-a-chave-para-o-gerenciamento-proativo-de-custos/

 

Esqueça tudo o que você achava que sabia sobre gerenciamento de projetos

Esqueça tudo o que você achava que sabia sobre gerenciamento de projetos

Hoje, velocidade, capacidade e adaptabilidade são tão ou mais importantes que custo e qualidade

Graças à verdadeira “guerra de manobra” que tomou de assalto as empresas modernas, possibilitando aos executivos se beneficiar dos desafios que têm de enfrentar, em vez de se deixar abater por eles, o gerenciamento de projetos tornou-se a disciplina mais importante nas corporações. E com uma nova abordagem, na qual custo e qualidade deixaram de ser prioridades. Flexibilidade e velocidade ganharam peso maior.

Para melhorar qualquer função comercial, incluindo gerenciamento de projeto, você tem que saber o que “melhorar” significa. Um bom caminho para isso é classificar seis parâmetros em ordem de importância: custo fixo, custo incremental, tempo de ciclo, rendimento, qualidade (ausência de defeitos), e excelência (neste contexto, a flexibilidade e adaptabilidade).

Tradicionalmente, os chamados projetos de TI enfatizam custo incremental, custo fixo, e qualidade. Em outras palavras, manter baixos o custo por unidade de trabalho, a sobrecarga de gerenciamento de projetos, e a quantidade de bugs. Tempo de ciclo, rendimento, e excelência eram deixados à própria sorte – pelo menos até agora.

Ciclo OODA: A guerra de manobra dos negócios
Para os não iniciados, o ciclo OODA significa “observar, orientar, decidir, agir”. Em loop, porque depois de agir, é hora de observar novamente, para ver se você obteve os resultados esperados e/ou precisa fazer correções.

Na maioria das competições, o competidor com o loop mais rápido OODA ganha, porque é mais veloz e assertivo na tomada de decisões.

Assim, para acelerar o seu ciclo OODA, você tem que terminar os projetos mais rapidamente. O que leva o tempo de ciclo para o topo da lista de prioridades do gerenciamento de projetos.

Seguinte: em nosso ciclo OODA, “agir” nem sempre é simples o suficiente para ser um requisito atendido por um único projeto.

A implicação: além de terminar os projetos individuais de forma rápida, a TI tem que aumentar sua capacidade total para os projetos. Em outras palavras, precisa ter maior rendimento.

Dado que o grande objetivo dos projetos de empresa é aumentar a flexibilidade do negócio e adaptabilidade, junta-se a excelência do tempo de ciclo e taxa de transferência como terceiro parâmetro a ser otimizado no gerenciamento de projetos.

OODA

Portanto, é possível concluir que quando se trata de gerenciar projetos que objetivam manter o negócio competitivo, os critérios para definição de “bom” passaram a ser velocidade, capacidade e flexibilidade.

Pergunta: seus gerentes de projeto compreendem quão radicalmente suas prioridades mudaram?

Eu diria que a maioria ainda não percebeu como o gerenciamento de projeto tem que mudar para se adaptar às suas novas prioridades.

 

Fonte: http://cio.com.br/gestao/2018/07/28/esqueca-tudo-o-que-voce-achava-que-sabia-sobre-gerenciamento-de-projetos/