Obter valor comercial da IA: evitar um inverno (gen) da IA

Em alguns casos, essas histórias estão relacionadas a mal-entendidos fundamentais sobre o funcionamento da IA ou da IA generativa (ou IA genérica), sobre as expectativas do que ela é capaz de fazer ou, ainda, sobre algumas das aplicações antissociais nas 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.

Nas abordagens tradicionais, - ou "antigas" – de IA, como o aprendizado de máquina (ML), os algoritmos funcionam de uma forma bastante específica: com a configuração e o direcionamento adequados, eles conseguem gerar inferências a partir de um conjunto de dados de entrada. Construir um modelo exige habilidades técnicas, conhecimento e criatividade.

No entanto, talvez o maior desafio esteja em reunir os elementos que podem ser resolvidos com o uso do ML de modo a criar uma solução completa para o problema de negócio. Os desafios empresariais raramente se encaixam em uma solução de aprendizado de máquina pronta para uso. Eles não se parecem com uma competição do Kaggle, em que o cientista de dados do projeto precisa apenas otimizar um algoritmo a partir de um arquivo CSV com dados de entrada, e o resultado em 1s e 0s (ou 0,2, 0,7, 0,9 etc.) resolveria magicamente o problema da empresa.

Isso não significa que esses tipos de entradas, saídas, modelos intermediários ou algoritmos não possam resolver um problema de negócio. Mas, para que isso aconteça, é essencial que o caso de uso comercial seja corretamente identificado e estruturado desde o início, e que o resultado obtido seja incorporado de forma adequada a uma solução mais ampla, capaz, de fato, de resolver o desafio empresarial.

A IA generativa também enfrenta o desafio de garantir que uma solução pronta para uso, como um modelo-base, por exemplo um grande modelo de linguagem, possa ser adaptada para que o fluxo “prompt in / texto out” se comporte conforme as necessidades do problema de negócio.

As abordagens mais comuns para essa adaptação incluem prompt engineering e retrieval-augmented generation (RAG), além de diversas verificações e mecanismos de controle necessários para garantir a previsibilidade do comportamento do modelo e reduzir as chances de resultados indesejados.

Assim como ocorre com a “IA tradicional”, a IA generativa também precisa ser incorporada a uma solução mais ampla, que de fato resolva o problema de negócio de ponta a ponta.

Então, o que exatamente é essa solução integrada, e como ela resolve o problema da empresa? Antes de mais nada, é fundamental compreender qual é realmente o problema de negócio e avaliar se ele pode, de fato, ser resolvido de maneira eficaz com o uso de IA, ou se outras abordagens seriam mais adequadas.

É claro que não é possível saber tudo isso de antemão, mas existem etapas que ajudam a chegar mais perto dessa resposta. Entre as mais importantes estão: compreender o problema de negócio, conversar com as partes interessadas e mapear a solução em relação à lógica empresarial.

Abordarei cada um desses aspectos, junto com algumas considerações finais sobre a execução de projetos de IA, com mais detalhes na série de artigos que se segue.

Por fim, vale ressaltar que esse tipo de processo é fundamental para o sucesso de qualquer tipo de projeto, mas é especialmente necessário para projetos de IA, dada a grande quantidade de incertezas que muitas vezes podem existir.