Quando usar GenAI?
Em meio ao entusiasmo em torno da GenAI, é importante perguntar se a GenAI, ou outro tipo de IA, é realmente o que você precisa, pois o seu uso indevido pode sabotar os seus resultados.
IA e ML estão no topo das demandas de consumo da maioria das equipes de dados, e com razão. As empresas estão obtendo um impacto real com a IA, e as equipes de dados estão bem no meio disso, proporcionando-lhes uma maneira muito desejada de vincular sua busca pelo ROI.
O Relatório do Índice de IA de 2024 de Stanford mostra que a IA superou o desempenho humano em vários benchmarks, incluindo alguns em classificação de imagens, raciocínio visual e compreensão do inglês.
“As organizações que desenvolvem a capacidade de combinar as técnicas corretas de IA estão numa posição diferenciada para construir sistemas de IA que tenham melhor precisão, transparência e desempenho, ao mesmo tempo que reduzem custos e necessidade de dados”.
O uso indevido da GenAI diminui o valor da IA nas organizações
A adoção da IA Generativa (GenAI) explodiu no ano passado e rapidamente se tornou uma das técnicas de IA mais implantadas em unidades de negócios e organizações, de acordo com pesquisas do Gartner. Há um bom motivo: GenAI oferece a promessa de melhorias diárias e revolucionárias nos negócios, mas não é uma solução mágica.
A IA Generativa é apenas uma parte do cenário muito mais amplo da IA, e a maioria dos problemas de negócios exige uma combinação de diferentes técnicas de IA. Ignore este fato e correrá o risco de superestimar os impactos da GenAI e de implementar a tecnologia em casos de usos onde não produzirá os resultados pretendidos.
Casos de uso de IA e ML
Imagine uma empresa do setor financeiro que precisa tomar decisões inteligentes sobre investimentos. O Machine Learning (ML) seria como um analista financeiro experiente que analisa dados históricos do mercado para prever tendências futuras. Esse analista utiliza algoritmos avançados para identificar padrões nos dados e tomar decisões de investimento baseadas em evidências.
Por outro lado, a GenAI seria como um mentor financeiro inovador que tem a capacidade de criar estratégias de investimento completamente novas e disruptivas. Ele pode gerar ideias criativas e não convencionais para maximizar os retornos dos investimentos, mesmo em cenários de mercado imprevisíveis. Assim como um mentor visionário, a GenAI pode inspirar novas abordagens para o investimento e a gestão de ativos.
Enquanto o Machine Learning é excelente para analisar dados históricos e prever tendências de curto prazo, a GenAI é essencial para identificar oportunidades de investimento inexploradas e desenvolver estratégias inovadoras para maximizar os retornos a longo prazo. Juntos, eles podem ajudar as empresas do setor financeiro a tomar decisões mais informadas e a obter melhores resultados para seus clientes e investidores.
Casos de uso clássicos de ML
A maioria das empresas ainda não usa ML em escala enterprise, como classificações, regressões e detecção de anomalias. Esses métodos podem ser poderosos, especialmente para aprendizagem supervisionada, onde você tem um resultado claro que deseja prever (por exemplo, cliente de risco) e recursos preditivos (por exemplo, país de inscrição, idade, fraude anterior). Esses sistemas são muitas vezes mais viáveis de explicar, tornando possível extrair a importância relativa de cada característica, ajudando a explicar às partes envolvidas o porquê foi tomada a decisão de rejeitar um cliente de alto risco.
O sistema de ML abaixo destaca um modelo de pontuação de risco do cliente que prevê a probabilidade de que novas inscrições sejam clientes de risco e devem ser rejeitadas.
Os dados brutos são coletados de diferentes fontes e usados para construir recursos preditivos, combinando a experiência de domínio do cientista de dados com padrões inesperados que o modelo identifica. Os principais conceitos são:
- Fontes e data marts – dados brutos e não processados extraídos do sistema considerados relevantes pelo cientista de dados;
- Features – dados pré-processados que são inseridos no modelo de ML (por exemplo, distância de uma cidade grande, idade, fraude anterior);
- Labels – resultados direcionados com base em clientes de risco anteriores (sim/não);
- Treinamento – o processo iterativo de ensinar um modelo de aprendizado de máquina a fazer previsões precisas ajustando seus parâmetros internos ou pesos com base em exemplos rotulados;
- Inferência – usando o modelo de aprendizado de máquina treinado para fazer previsões ou classificações em dados novos e não vistos após a fase de treinamento.
Os desafios típicos para o sucesso dos modelos clássicos de ML são:
- O modelo pode prever o resultado desejado com o nível certo de precisão, considerando os dados disponíveis?
- O ROI para o negócio dos níveis alcançados de precisão é suficiente?
- Qual é a compensação que temos que fazer para que isso funcione (por exemplo, mais pessoas operacionais para avaliar clientes de risco)?
- Qual o esforço na manutenção e monitoramento do modelo?
Determine se GenAI faz sentido para seu caso de uso
- Comece descobrindo se o caso de uso gera valor para o negócio e é viável para execução, independentemente da técnica de IA. Isto é importante porque alguns casos de uso não são adequados para IA e não merecem consideração mais aprofundada;
- Mapeie seu caso de uso em relação ao domínio de casos de uso relevante. GenAI é:
- Altamente útil: geração de conteúdo, interfaces de usuário conversacionais, descoberta de conhecimento;
- Um pouco útil: segmentação/classificação, sistemas de recomendação, percepção, automação inteligente, detecção/monitoramento de anomalias;
- Pouco útil: Predição/previsão, planejamento, inteligência de decisão, sistemas autônomos.
- A GenAI também pode ser inadequada para o seu caso de uso se os riscos que a acompanham forem inaceitáveis e não puderem ser mitigados de forma eficaz. Estes incluem resultados não confiáveis, privacidade de dados, propriedade intelectual, responsabilidade, segurança cibernética e conformidade regulatória, isoladamente ou em combinação entre si.
“Se tudo o que você tem é um martelo GenAI, tudo parece um prego de use cases GenAI”.
- O entusiasmo em torno da IA Generativa pode levar à utilização da tecnologia onde esta não é adequada, aumentando o risco de maior complexidade e fracasso dos projetos;
- A concentração excessiva na GenAI pode levar a ignorar o conjunto mais amplo de técnicas de IA alternativas e mais estabelecidas, que são mais adequadas para a maioria dos potenciais casos de utilização de IA;
- Esforce-se para combinar técnicas de IA para criar sistemas mais robustos nos quais técnicas variadas possam mitigar as fraquezas de outras pessoas.
Combine modelos GenAI com outras técnicas de IA
- As técnicas de IA não são mutuamente exclusivas; muitas vezes podem ser combinados de uma forma que proporcione melhor precisão, transparência e desempenho, ao mesmo tempo que reduz custos e necessidade de dados;
- A combinação de modelos GenAI com outras técnicas de IA pode ser particularmente poderosa;
- As combinações potenciais de técnicas de IA são infinitas. Combinações fortes e casos de uso incluem:
- Modelos não generativos de ML e GenAI para segmentação e classificação, geração de dados sintéticos e visão computacional;
- Modelos de otimização/pesquisa e GenAI para pesquisa corporativa;
- Modelos de simulação e GenAI para aceleração de simulação;
- Gráficos e modelos GenAI para gestão de conhecimento e geração aumentada de recuperação;
- Sistemas baseados em regras e modelos GenAI para chatbots, robo-advisors e geração especializada de linguagem natural.
Estamos no momento crucial em que a inteligência artificial está transformando diversos setores, porém é importante considerar que a adoção da GenAI deve ser estratégica e guiada por uma análise criteriosa de seu valor para o negócio.
A triggo.ai vem atuando na fronteira deste desafio, implementando soluções robustas e inovadoras de IA Generativa e aplicando metodologias de Data Products Management para elevar e acelerar a jornada Data Driven das organizações. Fale com um de nossos consultores especialistas!
