Obter valor comercial da AI: Executar projectos de AI

Ao longo desta série de artigos, co-fundei os diferentes tipos de IA (IA Generativa e IA "antiga", incluindo aprendizagem automática/ML, processamento de linguagem natural/PNL, etc.), uma vez que os componentes de IA de uma solução se enquadram geralmente num padrão semelhante, especificamente, o de uma entrada definida do negócio (por exemplo, dados estruturados ou texto pronto) que resulta numa saída específica (por exemplo, dados numéricos previstos ou texto gerado), que flui através do resto da solução e, em última análise, para o negócio.

No entanto, neste ponto, vale a pena fazer um breve interlúdio para destacar a principal diferença entre a IA genuína e outras variedades, em particular a forma como o modelo é desenvolvido, uma vez que tem implicações importantes para as fases práticas de desenvolvimento e implementação de uma solução de IA.

Os modelos tradicionais de AI, como os desenvolvidos em projectos de ML, pegam num conjunto de dados de treino (muitas vezes obtidos para este fim específico) e combinam-no com um algoritmo selecionado para este mesmo fim, o que resulta num modelo treinado específico para os dados em que foi treinado e para a aplicação para a qual foi desenvolvido. Voltando ao exemplo da identificação da rotatividade dos consumidores no artigo anterior, aqui os dados seriam específicos dessa organização, com o modelo resultante adaptado a esse caso de utilização específico.

Esta descrição não tem em conta os pormenores do processo de desenvolvimento de um modelo de ML, com os quais muitos cientistas de dados e engenheiros de dados estão demasiado familiarizados. Por exemplo, um dos primeiros obstáculos que enfrentam é a obtenção dos dados necessários para treinar um modelo, o que pode ser um desafio em muitas organizações. Os passos seguintes requerem a exploração dos dados, a identificação de algoritmos e abordagens adequados e, em seguida, a formação e o teste das várias iterações do modelo. Tudo isto pode ser moroso e entediante, muitas vezes visto como uma arte e como uma ciência e - o pior de tudo - o cientista de dados pode descobrir que não há qualquer sinal nos dados e que é impossível construir um modelo para prever o fenómeno que esperava ser capaz de prever!

No entanto, uma das vantagens das abordagens tradicionais de AI, como o ML, é o facto de existirem processos (relativamente) maduros e bem definidos para desenvolver e testar estes modelos e, em seguida, implementá-los na produção (por exemplo, este artigo de 2014 foi uma espécie de "apelo às armas" para muitos profissionais desta área). Isto não quer dizer que não haja desafios, e há muitas incertezas (certamente em relação a projectos de software normais), mas uma vez que o modelo tenha sido devidamente testado e aprovado (ou seja, "funciona"), pode então ser implantado, seguindo as várias práticas recomendadas do MLOps.

Por outro lado, as abordagens de IA Generativa começam com um modelo geral pré-treinado (modelo de linguagem de grande dimensão, ou mais genericamente designado por "modelo de base"), que é depois personalizado para a aplicação específica através do fornecimento de diferentes informações no pedido (por exemplo, a redação do pedido, informações organizacionais específicas), a fim de manipular o resultado do modelo de base da forma desejada.

Mais uma vez, esta descrição de alto nível omite muitos dos pormenores. Por exemplo, a fase de arranque com um modelo de base envolverá provavelmente a iteração de diferentes modelos pré-treinados, bem como de mensagens (e dados contextuais) para se ter uma ideia se a ideia é possível. Depois, pode haver uma fase de enquadramento do problema para mapear a solução de volta ao problema de negócios, seguida da recolha e processamento de dados. Essencialmente, é mais fácil criar rapidamente um protótipo de uma solução, uma vez que a necessidade de dados de formação foi eliminada, mas o enquadramento do problema para mapear a solução para o negócio pode ser menos fácil de compreender, pode ter de ser adaptado a essa solução específica e, por conseguinte, demorar mais tempo. De forma semelhante, o teste do desempenho do modelo/solução pode também ser menos bem compreendido (ao contrário das métricas padrão utilizadas no ML, como a precisão ou a recuperação) e, por isso, também demorará mais tempo; o mesmo acontece com a implantação e a monitorização, mais uma vez devido à natureza mais personalizada da solução.

Tudo isto pressupõe que a solução Gen AI está a utilizar um modelo de base pronto a usar, como o GPT-4.5 da OpenAI, o Gemini 2.5 da Google ou o R1 da DeepSeek, que pode ser consultado como uma API pelo programador. Embora os modelos de base possam ser construídos de raiz, esperamos que tal não seja algo que a maioria das organizações considere fazer; talvez seja mais provável afinar um modelo existente, mas ainda relativamente pouco comum (por exemplo, https://www.kadoa.com/blog/is-fine-tuning-still-worth-it)

Porque é que este desvio para as diferenças entre a "velha" AI e a AI Gen é importante? Penso que é por pelo menos duas razões: Em primeiro lugar, é importante saber onde podem ocorrer os diferentes desafios e, por conseguinte, que partes podem demorar mais tempo num projeto. Se olharmos para a Figura 1, veremos onde podem ser necessários mais tempo e recursos - tanto da equipa interna do projeto como dos acionistas externos - nos diferentes tipos de projectos de AI.

Em segundo lugar, com a prototipagem rápida relativamente fácil nos projectos de IA da Geração, os problemas de compreensão e acesso aos dados da organização - há muito um problema nos projectos de IA tradicionais - só são descobertos numa fase posterior, por exemplo, depois de os protótipos iniciais terem sido desenvolvidos. De facto, pode acontecer que os desafios relacionados com o mapeamento do elemento do protótipo de AI numa solução global que se integre no problema de negócios e nos dados disponíveis levem a que poucos projectos cheguem à produção e muitos resultem em fracasso.

Do mesmo modo, os elementos personalizados do projeto podem revelar-se difíceis, sendo talvez o mais importante o teste convincente da solução. Isto é vital para garantir que a organização está satisfeita com o facto de a solução ser colocada em produção e aceite para serviço. Outros elementos podem ser os processos normalmente mais mecânicos, como a implementação e a monitorização. É essencial garantir que estes passos são possíveis antes de comprometer os acionistas seniores e financiar um projeto.

Enquanto as abordagens tradicionais de IA concentram os esforços nas fases iniciais de obtenção dos dados e de construção do modelo (demorando muitas vezes mais tempo do que o desejado para chegar a este ponto), as abordagens de IA genéticas podem mostrar rápidos progressos iniciais na criação de protótipos, mas exigem potencialmente um maior investimento nas fases posteriores de um projeto. Como sempre, estas são generalizações, mas esperamos que ilustrem os padrões gerais destes projectos.

Voltando ao ponto de partida desta série, o ROI parece estar a diminuir nos projectos de AI. Talvez isto esteja relacionado com o aumento dos projectos de IA genérica e a capacidade de criar protótipos rapidamente, mesmo antes do compromisso com os negócios? Poderá isto estar a conduzir a uma má afetação de recursos, uma vez que as demonstrações convincentes que não podem ser convertidas em aplicações úteis ganham financiamento e atenção à custa de projectos menos ambiciosos e atraentes que são, de facto, mais práticos e úteis? É claro que isto é pura especulação da minha parte, mas a resposta continua a ser a mesma e é a principal conclusão desta série de artigos, independentemente do tipo de AI, ou seja, é necessário envolver primeiro os negócios para compreender a necessidade do negócio e o contexto envolvente de qualquer potencial solução que planeamos construir.

Ao longo desta série, destaquei alguns dos passos que aqueles que embarcam num projeto de IA típico terão de dar, para além da tarefa de construir efetivamente o modelo de IA. Estes artigos centraram-se, em particular, na compreensão do problema de negócio, no diálogo com os acionistas, no mapeamento da solução para a lógica de negócio e nos aspectos práticos da execução de um projeto de IA. Em todos eles, o objetivo tem sido garantir que o projeto de IA crie valor para os negócios, o que espero que constitua um ponto de partida útil para outros.