Obter valor comercial da IA: evitar um inverno (gen) da IA
Até certo ponto, isto pode dever-se apenas ao facto de as pessoas estarem à procura de outros tópicos para falar, mas penso que é um pouco mais profundo do que isso. Enquanto nos últimos dois anos poucos se atreviam a questionar que a IA estava destinada a grandes feitos, agora estamos a ouvir mais vozes discordantes - ou pelo menos questionadoras. Por exemplo, uma amostra não muito científica resulta nas seguintes preocupações levantadas: Engano da IA generativa, listas de reprodução sobrecarregadas com "lixo da IA", "batota" da IA em jogos de referência e, por último, contestação da ideia de "pensamento" da IA generativa.
Nalguns casos, estas histórias estão relacionadas com mal-entendidos fundamentais sobre o funcionamento da IA/IA geradora (IA genérica), com as expectativas sobre o que é capaz de fazer ou com algumas das aplicações anti-sociais para as quais tem sido utilizada.
No entanto, o que parece ter acontecido é que, à medida que as pessoas se foram familiarizando com as tecnologias de IA genuína em particular, houve uma espécie de recuo e de avaliação do que se estava a passar enquanto estávamos demasiado entusiasmados com esta nova tecnologia. Trata-se de uma atitude saudável e, tal como nos ciclos anteriores de inovação da IA, resultou em algumas questões sensatas sobre o valor concreto que a IA alcançou. Por exemplo, um inquérito concluiu que, desde 2021, houve uma redução no número de projetos de IA implementados e também uma redução no retorno do investimento (ROI). Outra pesquisa descobriu que, junto com a Gen AI sendo o principal tipo de solução de IA implantada nas organizações, uma das principais barreiras para a implementação de técnicas de IA é 'estimar e demonstrar valor'. O que estes inquéritos não dizem é que a IA (Gen) não funciona, que não pode fazer coisas notáveis, ou que não tem qualquer valor; em vez disso, apontam para a necessidade de uma identificação mais cuidadosa do problema comercial que precisa de ser resolvido e da forma como isso resulta em valor para o negócio.
É bem possível que isto esteja a acontecer mais publicamente porque a tecnologia da IA de geração é muito mais acessível do que a IA ou o ML do estilo antigo e, por isso, muito mais pessoas e organizações têm tido a possibilidade de a experimentar por si próprias. Por conseguinte, como é que aqueles de nós que embarcam em projectos de IA (Gen) podem aproveitar e aprender com as experiências, sucessos e fracassos dos projectos de IA e ML do passado? Neste artigo e em artigos futuros, tentarei apresentar algumas das principais aprendizagens vitais para projectos de IA bem sucedidos, mas primeiro vamos ser específicos sobre o que queremos dizer com "IA" e "IA genérica" e, a um nível elevado, como funcionam.
No caso das abordagens tradicionais - ou "antigas" - de IA, como a aprendizagem automática (ML), os algoritmos funcionam de uma forma específica: com uma configuração e orientação adequadas, podem produzir uma inferência a partir de um conjunto de dados de entrada. Construir um modelo é uma tarefa que exige competências, conhecimentos e criatividade. No entanto, talvez o maior desafio pareça ser a forma de reunir os elementos que podem ser resolvidos utilizando o ML, de modo a que possam fornecer uma solução global para o problema comercial. Os problemas empresariais não se adaptam frequentemente a uma solução de aprendizagem automática pronta a utilizar. Não se assemelham a uma competição do Kaggle, em que o cientista de dados sortudo do projeto tem de otimizar um algoritmo com um csv de dados de entrada, com o resultado de 1s ou 0s (ou 0,2, 0,7, 0,9, etc.) gerado pelo algoritmo a resolver magicamente o problema da empresa. Não é que tais entradas, saídas e modelos intermédios ou algoritmos não possam resolver um problema comercial. Em vez disso, é apenas necessário que o caso de utilização comercial seja corretamente identificado e estruturado em primeiro lugar, e que o resultado resultante seja agrupado de forma a poder ser integrado numa solução global, que resolve então o problema comercial.
A IA generativa está igualmente condicionada pelo facto de garantir que a solução pronta a usar (modelo de base, como um modelo linguístico de grande dimensão) pode ser modificada de forma a que o "prompt in / text out" se comporte como exigido pelo problema comercial. As abordagens comuns à adaptação incluem a engenharia de pedidos e a geração aumentada de recuperação (RAG), para além das várias verificações e equilíbrios que podem ser necessários para promover a previsibilidade do comportamento e diminuir as hipóteses de comportamento indesejável. Por conseguinte, tal como acontece com a "velha IA", a IA generativa também precisa de ser integrada numa solução global.
Então, qual é essa solução global e como é que ela resolve o problema da empresa? Mesmo antes disso, precisamos de compreender o que é realmente o problema comercial e começar a perceber se pode ser resolvido de forma útil utilizando a IA ou se outras abordagens podem ser mais adequadas. É impossível saber tudo isto com antecedência, mas há coisas que podemos fazer para chegar a esse ponto, sendo os passos úteis compreender o problema comercial, falar com as partes interessadas e mapear a solução para a lógica comercial. Abordarei cada um destes aspectos, juntamente com algumas considerações finais para a execução de projectos de IA, com mais pormenor na série de artigos que se segue.
