Se você tem acompanhado a evolução da tecnologia de IA generativa (GenAI) recentemente, provavelmente está familiarizado com seus conceitos principais: como funcionam os modelos GenAI, a arte de criar prompts e os tipos de dados nos quais os modelos GenAI dependem .

Embora esses componentes fundamentais da GenAI permaneçam constantes, a forma como são aplicados está se transformando. É improvável que a abordagem à GenAI que ganhou destaque com a ascensão do ChatGPT no final de 2022 seja a mesma abordagem que as empresas adotarão à medida que aproveitam a GenAI para permitir novas capacidades de negócios.

Vamos mergulhar em como esses conceitos em torno da IA ​​generativa estão evoluindo e o que essa mudança significa para o futuro da GenAI no mundo dos negócios.

Abordagens tradicionais para IA generativa

Basicamente, os elementos fundamentais do GenAI podem ser resumidos como:

• Modelos de Fundação: Um modelo básico é um modelo GenAI que pode suportar uma ampla variedade de usos. Até o momento, vários modelos GenAI – como os modelos GPT desenvolvidos pela OpenAI – dominaram este espaço.
• Data: Os modelos dependem de dados para fins de treinamento. Tradicionalmente, esses dados assumiam principalmente a forma de dados não estruturados, que os fornecedores de modelos básicos – como, novamente, OpenAI – usaram para pré-treinar seus modelos antes de disponibilizá-los ao público.
• Engenharia de Prompt: A engenharia de prompts é o processo de elaboração de prompts que produzirão a resposta apropriada a partir de um modelo GenAI. Como o uso de modelos básicos pré-treinados não oferece muitas oportunidades para personalizar os dados ou o contexto desses modelos, a engenharia imediata tem sido crucial para fazer com que os modelos de IA suportem determinados casos de uso. Você não pode controlar os dados ou o modelo em si, mas pode controlar os prompts inseridos nele.

Em suma, o ecossistema GenAI durante o último ano e meio foi dominado por modelos básicos de terceiros, que foram pré-treinados em conjuntos genéricos de dados não estruturados, para abordar casos de uso que dependiam fortemente de engenharia imediata personalizada. Neste mundo, os fornecedores que construíram modelos básicos eram essencialmente os guardiões, uma vez que suas decisões sobre como os modelos funcionavam e em quais dados eles treinavam definiam as restrições em torno de como os modelos poderiam ser usados.

Inovações em IA generativa empresarial

Olhando para o futuro, esta abordagem está prestes a mudar em vários aspectos importantes.

1. Modelos de base personalizados

Uma das maiores mudanças é a crescente disponibilidade de modelos básicos além daqueles fornecidos por empresas especializadas em serviços generativos de IA.

Além dos modelos de código aberto lançados por empresas como Meta e Google, agora vemos fornecedores como a SAP desenvolvendo seus próprios modelos básicos. Crucialmente, estes modelos proporcionarão maiores oportunidades para as empresas personalizarem as operações do modelo, injetando os seus próprios parâmetros para controlar o contexto em que o modelo opera. Em alguns casos, eles também podem treinar ou retreinar modelos em dados personalizados.

O resultado final aqui é que uma nova geração de modelos básicos está dando às empresas um controle muito mais preciso sobre como elas aproveitam a IA generativa. Eles não precisam mais se contentar com modelos genéricos que não foram projetados para seus casos de uso específicos. Em vez disso, eles podem personalizar o comportamento do modelo de diversas maneiras – desde que tenham os recursos de engenharia de dados para fazer isso.

2. O uso de dados estruturados

Historicamente, os modelos GenAI treinavam principalmente em dados não estruturados – como documentos e páginas da Web – porque o objetivo principal dos designers dos modelos era permitir que os usuários pesquisassem ou resumissem dados nesses documentos. Essencialmente, modelos GenAI como os desenvolvidos pela OpenAI são interfaces de pesquisa alternativas para a Web.

Este continua sendo um caso de uso importante para GenAI nas empresas. Um caso de uso adicional e emergente é aproveitar o GenAI também como uma interface para consultar dados estruturados – como informações armazenadas em bancos de dados. As empresas já podem fazer isso usando soluções como Amazon Q.

Isto é significativo porque indica que a GenAI pode melhorar a capacidade das empresas de interpretar os vastos volumes de dados estruturados que possuem. No passado, responder a questões com base nesses dados exigia analistas de dados especializados que escrevessem consultas complexas manualmente e depois gerassem relatórios. Agora, a GenAI pode fazer esse trabalho em um ritmo muito mais rápido do que o analista de dados mais qualificado poderia alcançar.

3. O surgimento dos despachantes de dados

Integrar modelos de IA com todos os dados que existem numa empresa é uma tarefa complexa, até porque muitas vezes não está claro qual conjunto de dados é mais relevante para um caso de uso específico. Por exemplo, ao consultar dados de vendas, o modelo deve ser solicitado usando dados do sistema ERP, do CRM, de uma planilha preparada manualmente ou de outra coisa?

Para resolver esse problema, as empresas provavelmente adotarão o que chamo de “despachantes de dados”. Um despachante de dados é uma ferramenta de integração que expõe dados aos serviços GenAI de maneira eficiente, tornando mais fácil para as empresas aproveitarem seus dados para treinamento de modelos personalizados. Em vez de forçar as empresas a determinar quais dados precisam para o treinamento em IA, elas recorrerão a despachantes de dados para realizar esse trabalho.

Isso coloca os fornecedores de despachantes de dados em posição de se tornarem os novos guardiões do cenário GenAI. O poder passará dos fornecedores que desenvolvem modelos de IA para aqueles que influenciam quais dados estão disponíveis para dar suporte às solicitações.

Rumo a um cenário GenAI democratizado e centrado em dados?

Em última análise, estas mudanças – que já estão em curso – prometem tornar a GenAI mais democrática, no sentido de que as empresas terão mais controlo sobre a forma exacta como utilizam a GenAI.

Ao mesmo tempo, tornam os dados – especialmente os dados proprietários pertencentes a empresas específicas – mais importantes do que nunca. Em vez de ficarem em dívida com um punhado de fornecedores de modelos de IA e com os dados sobre os quais decidiram treinar, as empresas decidirão – com a ajuda dos despachantes de dados – quais informações permitirão as ferramentas e serviços GenAI.

Para prosperar neste admirável mundo novo, a capacidade de gerir e governar os dados de forma eficaz será fundamental. Gestão de dados tem sido importante para as empresas, mas se as empresas quiserem aproveitar as oportunidades emergentes em torno da GenAI, precisarão de níveis de controle sem precedentes sobre os dados para que as empresas possam usá-los para permitir casos de uso personalizados da GenAI. 

Essa discussão está sendo travada agora e será fundamental monitorar nos próximos meses e anos.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://www.dataversity.net/why-its-time-to-rethink-generative-ai-in-the-enterprise/