No início de um novo ano, organizações tipicamente fazem uma reflexão sobre novas avenidas de crescimento, e pensam em como aprimorar o que já está dando certo dentro de casa para gerar novas fontes de receita. Neste debate, é inevitável passar por temas relacionados à inteligência artificial (IA). Mas como exatamente os novos avanços em IA, em particular a generativa, podem contribuir para objetivos de negócio?
Organizações que querem se manter à frente em seus segmentos usando esta nova fronteira tecnológica precisam ter uma visão estratégica e entender o real potencial da IA generativa, que vai muito além de produtos como o ChatGPT. A tecnologia pode gerar entre US$ 2.6 trilhões e US$ 4.4 trilhões em valor para organizações globais anualmente, segundo uma pesquisa da McKinsey do ano passado.
Mas ao considerar o uso de IA generativa para impulsionar os negócios, é preciso entender como as possibilidades da tecnologia podem atender às demandas de cada organização. Em conversas com tomadores de decisão em setores diversos, tenho apontado três frentes que têm chamado a atenção de grandes empresas.
Uma delas é large language models (LLMs, ou modelos de linguagem em larga escala, que rodam em plataformas como o ChatGPT, Bard, Midjourney e outros), onde temos ferramentas alimentadas por modelos que contêm redes neurais treinadas em grandes quantidades de dados não-estruturados e não-rotulados em uma variedade de formatos, como texto e áudio. Com os devidos cuidados, estes modelos podem não apenas revelar novos casos de uso para empresas, mas também acelerar, dimensionar ou melhorar produtos, serviços e processos existentes.
É possível ter LLMs integrados às plataformas utilizadas por uma empresa, inclusive as que fazem análise avançada de dados. Por exemplo, a partir de um comentário em um código, torna-se possível gerar uma linha de código que resolva aquela observação específica. Além da automação, usar LLMs em processos de desenvolvimento é interessante para organizações que trabalham com código de fornecedores, pois esta prática acelera a curva de aprendizado dos times sobre produtos de terceiros.
Organizações que querem se manter à frente em seus segmentos usando esta nova fronteira tecnológica precisam ter uma visão estratégica e entender o real potencial da IA generativa
Em tarefas relacionadas a, por exemplo, investigações de fraude, os LLMs podem também ser grandes aliados. Se, por exemplo, falta a placa do carro azul que foi mencionado em um depoimento, ou até o perfil do Tinder em que as pessoas envolvidas no caso se conheceram, modelos de IA generativa conseguem, dada a sua facilidade com linguagem natural, "ligar os pontos" e sugere ações para preencher as lacunas faltantes em um processo.
Outra frente é a dos dados sintéticos. Esta abordagem é o antídoto para certos dramas de organizações, como a dificuldade de obtenção de dados para a construção de modelos e estatísticas que identifiquem eventos raros. Estas ocorrências podem incluir desde doenças que começam a surgir com mais frequência e precisam ser estudadas, até manobras fraudulentas. Nestes casos, em que é preciso estudar eventos como uma doença emergente ou um novo padrão de golpe antes que se tornem grandes problemas, é preciso criar uma base de dados que seja suficiente para que modelos de IA sejam capazes de identificar estes padrões.
Neste cenário, entram os dados sintéticos, que vêm para gerar novos dados a partir de bases existentes, de forma a capturar a essência de eventos raros. Uma das melhores técnicas que existem neste terreno de dados sintéticos é a de GANs (generative adversarial networks, ou redes generativas adversárias) um método de aprendizado profundo para criar dados sintéticos indistinguíveis dos reais, com "comportamentos" reais.
GANs podem ser usadas em uma vasta gama de aplicações, como geração de imagens médicas como as de ressonância magnética, para treinar modelos de detecção de objetos, para fazer previsões financeiras ou até em cibersegurança. A perspectiva para este ano é que a geração de dados sintéticos seja muito mais visual e fácil para que o uso desta abordagem seja massificado, inclusive entre equipes sem expertise técnica.
Por fim, a utilização de gêmeos digitais também faz parte desse tripé da IA generativa. Aqui, a vantagem é a possibilidade da virtualização de um produto ou local, como uma fábrica. Testes de novas tecnologias no chão de fábrica podem ser complexos e custosos, pois muitas vezes implicam na interrupção dos processos fabris. O gêmeo digital de uma fábrica possibilita o planejamento e a execução destes testes, em um ambiente virtual.
No contexto fabril, os dados que alimentam a concepção e evolução destas réplicas virtuais podem vir de sensores da própria linha de produção. Com estas informações em mãos, é possível criar cenários, como o aumento de velocidade em uma máquina e o impacto nos outros equipamentos. Um outro exemplo é a área médica: é possível testar novos procedimentos em réplicas digitais do corpo de um paciente e combinar estes dados com informações como exames laboratoriais e de imagem, criando modelos para entender os possíveis desdobramentos antes de uma cirurgia delicada.
Para concluir, a IA generativa em 2024 não é apenas uma promessa tecnológica, mas uma real possibilidade de transformação, nos mais diversos setores. Empresas que adotarem estes avanços de forma proativa, integrando LLMs, dados sintéticos ou gêmeos digitais em suas operações, podem otimizar processos e ampliar suas capacidades analíticas e se posicionar estrategicamente em um contexto em que a capacidade de gerar insights valiosos e soluções personalizadas se torna um grande diferencial. À medida que avançamos neste novo ano, fica evidente que a habilidade de aproveitar o potencial da IA generativa será um marco para as organizações que querem se manter competitivas em um cenário global cada vez mais dinâmico e desafiador.
Artigo originalmente publicado na coluna de Andre novo no site AIoT Brasil
