Imerso na Pressão de Usar IA

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 o grande público. Os gigantes da tecnologia fazem o seu melhor para garantir a adoção global em larga escala da tecnologia. Esses são tempos empolgantes para qualquer entusiasta da tecnologia, e é natural sentir o impulso de fazer parte dessa onda e não se sentir excluído.

As pessoas em todos os níveis de uma organização estão sentindo a pressão de usar soluções baseadas em IA para cada problema de negócios. Como você absorve a pressão e toma as decisões certas para os problemas da sua empresa? Vamos analisar o problema e remover as teias de aranha para obter uma imagem clara de quando usar IA e quando não usar.

Perguntas Fundamentais a Responder

Antes de se aprofundar demais na criação de soluções para problemas de negócios específicos e casos de uso, há algumas perguntas muito fundamentais que você pode fazer a si mesmo que lhe darão dicas muito fortes sobre se você precisa investir tempo e energia na construção de soluções de IA.

• Investir em uma solução baseada em IA nos ajudará a romper com o status quo de nossa indústria?
• Isso nos ajudará a saltar de um atrasado da indústria para líder do setor em algum de nossos produtos ou características de produto?
• Podemos usar IA em algum de nossos desenvolvimento de produtos ou processos de 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 reuniões no nível executivo, em boas empresas com uma forte cultura de produto, a tomada de decisões 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 os gerentes de produto técnicos e suas equipes pensem como um CEO e reflitam sobre essas perguntas fundamentais ao decidir usar soluções baseadas em IA para problemas apresentados por clientes e executivos.

Desdobrando as Camadas

Agora, vamos abordar 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 as duas. 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, encontrando padrões neles para que você possa prever o resultado de eventos futuros? Para esse tipo de problemas, a IA preditiva é onde seu fluxo de soluções deve se ramificar.

Se você está pensando em IA Gen para tais problemas, você está no caminho errado. 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 no design da solução.

• Classificação. Atribuir pontos de dados a classes pré-definidas 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 casos de uso para ajudar sua organização a definir os segmentos de clientes certos é um problema de clusterização.

Não é incrível que haja 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 gerado tanto alvoroço ultimamente.

IA Generativa

Em contraste, se o problema que você está tentando resolver envolve treinar um modelo de IA com os dados brutos da sua organização, fazendo com que ele aprenda por exemplo para que possa receber comandos de um usuário e gerar saídas novas, é aí que a GenAI entra em cena. O problema pode ter diferentes permutações e combinações de comandos do usuário e a saída gerada. Os comandos do 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 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 impulsionadas por GenAI, uma vez que você tenha clareza de que seu problema requer uma solução baseada em GenAI, haverá decisões adicionais importantes de design de solução que ajudarão você a construir a solução mais impactante.

• Qual modelo base LLM devo usar?
• Quais são os mais recentes frameworks arquitetônicos e padrões de design dos quais devo aproveitar? Pense em RAG, RLHF, agente reativo multi-agente usando langflow, etc.?
• Como posso garantir as barreiras corretas 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 utilizando os investimentos em IA da 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 de forma sábia.