Imersão na Pressão de Usar Inteligência Artificial

Quando grandes organizações gastam bilhões de dólares em pesquisa e desenvolvimento de uma tecnologia revolucionária, chega um momento em que a tecnologia está pronta para ser utilizada em grande escala. As gigantes da tecnologia dão o seu melhor para garantir a adoção global em larga escala da tecnologia. Estes são tempos emocionantes para qualquer entusiasta de tecnologia e é natural sentir a vontade de fazer parte do grupo e não se sentir excluído.

Pessoas em todos os níveis de uma organização estão sentindo a pressão de utilizar soluções baseadas em IA para cada problema de negócio. Como lidar com a pressão e tomar as decisões corretas para os problemas de seu negócio? Vamos analisar o problema e dissipar as dúvidas para ter uma ideia clara de quando usar a IA e quando não usar.

Questões Fundamentais a Serem Respondidas

Antes de se aprofundar demais no desenvolvimento de soluções para problemas de negócio específicos e casos de uso, existem algumas perguntas muito fundamentais que você pode se fazer e que lhe darão indícios muito fortes sobre se precisa investir tempo e energia na construção de soluções de IA.

• Investir em uma solução baseada em IA nos ajudará a perturbar o status quo de nossa indústria?
• Nos ajudará a saltar de retardatários da indústria para líderes da indústria em relação a quaisquer de nossos produtos ou características de produtos?
• Podemos usar a IA para algum de nossos processos de desenvolvimento de produtos ou operações de produto? Isso reduz significativamente o custo das operações a longo prazo para nosso produto?

Embora esse tipo de pergunta seja frequentemente levantado e respondido em salas de reunião em nível executivo, em boas empresas com uma forte cultura de produto, a tomada de decisão é democratizada, e as equipes individuais são capacitadas a tomar decisões-chave para seu roadmap de produto e recursos do produto.

Portanto, é importante que gerentes de produto técnicos e suas equipes pensem como um CEO e reflitam sobre essas perguntas fundamentais ao decidir sobre o uso de soluções baseadas em IA para problemas apresentados por clientes e executivos.

Desvendando as Camadas

Agora, vamos levar o processo de questionar e analisar uma camada abaixo das perguntas fundamentais e usar uma estrutura que ajudará você a decidir se deve usar IA no design de sua solução.

IA Preditiva

Embora haja muito conteúdo no domínio público sobre a diferença entre IA preditiva e IA generativa, ainda quero enfatizar a diferença entre os dois. IA Generativa (GenAI) tem atraído tanta atenção nos últimos meses que as pessoas frequentemente ignoram o poder de outros tipos de IA, e o investimento e a inovação nessas tecnologias diminuíram em muitas organizações.

É importante que as equipes de desenvolvimento façam uma pausa e pensem em soluções criativas para o problema do usuário/cliente em questão.

O problema que você está tentando resolver está relacionado à coleta de dados históricos de eventos passados, encontrar padrões neles para que você possa prever o resultado de eventos futuros? Para esse tipo de problema, a IA preditiva é onde seu fluxo de soluções deve se ramificar.

Se você está pensando em IA generativa para tais problemas, você está se perdendo. Alguns exemplos comuns de problemas que podem ser resolvidos usando soluções de IA preditiva incluem previsões financeiras, utilização ótima de infraestrutura, detecção de fraudes, etc.

Uma vez que você tenha clareza de que o problema que está resolvendo exigirá uma solução baseada em IA preditiva, qual tipo de algoritmo de aprendizado de máquina resolverá seu problema deve ser seu próximo passo lógico na concepção da solução.

• Classificação. Atribuir pontos de dados a classes predefinidas é um problema de classificação. Por exemplo, sinalizar qualquer conteúdo em uma plataforma de mídia social como inadequado para que o conhecimento da máquina sobre conteúdo apropriado vs inadequado seja continuamente refinado é um problema de classificação.
• Regressão. Quando o objetivo é definir a correlação entre características e sua variável alvo para prever problemas futuros, é um problema de regressão. Por exemplo, prever o tráfego futuro em seu serviço para decidir quando aumentar o número de pods.
• Clusterização. Agrupar dados em diferentes categorias com o objetivo de definir os grupos certos que ajudarão você a tomar decisões é um problema de clusterização. Por exemplo, analisar o comportamento do cliente e os casos de uso para ajudar sua organização a definir os segmentos de clientes certos é um problema de clusterização.

Não é incrível como há tanta inovação e criatividade que você pode impulsionar dentro do campo da IA preditiva? Até agora, neste artigo, não entramos no campo da IA generativa, que tem causado tanto burburinho.

Inteligência Artificial Generativa

Em contraste, se o problema que você está tentando resolver envolve treinar um modelo de IA com os dados brutos de sua organização, fazendo com que ele aprenda por exemplo para que possa receber instruções de um usuário e gerar saídas inovadoras, é aí que a GenAI entra em cena. O problema pode ter diferentes combinações e permutações de instruções de usuário e saídas geradas. As instruções de usuário podem ser fala, texto ou dados não estruturados, e a saída gerada pode ser texto em linguagem natural, fala, imagens ou vídeos.

Exemplos comuns de problemas que podem ser resolvidos usando a GenAI incluem suporte ao cliente, geração de código para reduzir os custos de desenvolvimento de produtos, síntese de dados para pesquisa e testes, criação de conteúdo de marketing sob demanda, etc.

Quando se trata de soluções baseadas em GenAI, uma vez que você tem certeza de que seu problema requer uma solução baseada em GenAI, haverá decisões adicionais importantes de design de solução que o ajudarão a construir a solução mais impactante.

• Qual modelo base LLM devo usar?
• Quais são os mais recentes frameworks arquiteturais e padrões de design dos quais devo tirar proveito. Pense em RAG, RLHF, agente reativo multiagente usando langflow, etc.?
• Como garantir os guardrails certos de segurança e privacidade de dados?

Conclusão

Embora a falta de modernização tecnológica possa tornar obsoleto o modelo de negócios de uma empresa em algum momento, é importante garantir que você esteja usando os investimentos em IA de sua organização para os problemas certos e nos lugares certos. Forçar soluções baseadas em IA para problemas que não precisam delas pode levar seu produto na direção errada. Mantenha a calma e use os investimentos em IA com sabedoria.