GenAI é um conjunto de tecnologias que podem gerar conteúdo, como texto, imagens, áudio, vídeos e até mesmo código de computador. Por exemplo, os últimos anúncios da OpenAI oferecem capacidades "multi-modais" onde um único modelo de IA é capaz de trabalhar em vários domínios, como linguagem, áudio, visão, vídeo e 3D, juntamente com raciocínio complexo. Apenas pense em uma assistente que pode entender vídeo + 3D + áudio e fala - se você os misturar em um vídeo, imagine o ganho de produtividade que pode alcançar?
Simplificando, a GenAI é uma assistente que aumenta nossa capacidade de ser mais eficientes na maneira como fazemos as coisas. Precisamos aprender a usar efetivamente nossa assistente; quanto mais entendemos, melhores resultados alcançamos. Se cada médico tivesse um assistente GenAI para ajudar no diagnóstico de doenças complexas por meio da análise de notas clínicas, imagens médicas e histórico do paciente, quanto poderia melhorar o diagnóstico?
Neste artigo, pretendo desmistificar os mitos em torno do GenAI e focar em sua realidade prática, com base no primeiro conjunto de lições aprendidas pela Orange Business em nosso envolvimento com clientes. Aqui, resumo seis verificações de realidade sobre o GenAI. Entendê-las ajudará as empresas a evitar armadilhas comuns e acelerar a adoção.
1. A IA Generativa é apenas a ponta do iceberg
O GenAI é um modelo matemático baseado em algoritmos avançados e dados de treinamento. Um bom modelo depende de dados em grande volume e boa qualidade. Para processar essa quantidade de dados, é necessário ter uma vasta capacidade de computação, armazenamento e análise - alimentada pela Nuvem/Edge e habilitada por redes de alta qualidade. A resposta da GenAI é baseada nos dados em que a tecnologia foi treinada, e sua "criatividade" é resultado do processamento e recombinando informações existentes de maneiras novas. A GenAI pode demonstrar inteligência aumentada com a capacidade de prever padrões na linguagem natural e usá-los dinamicamente para gerar novas respostas.
Em nossa experiência de trabalho com clientes empresariais, quando se trata de usar o GenAI em um contexto profissional, provavelmente faltará às ferramentas o entendimento de vocabulário específico, como siglas, conceitos técnicos e funções de trabalho particulares daquela empresa. Isso ocorre porque a maioria da GenAI é treinada em fontes públicas de dados. Portanto, é natural que haja uma personalização ou ajuste para aquela realidade.
A qualidade dos dados surge, então, como um enorme desafio. As empresas precisam investir na construção de bases de dados sólidas com infraestrutura de nuvem, conectividade e cibersegurança de classe mundial para desbloquear todo o potencial da GenAI. Elas também precisam estabelecer uma governança de dados sólida, que desenvolverá e fará cumprir políticas como sensibilidade de dados, ciclo de vida dos dados, etc. Especialmente em grandes organizações, isso pode ser muito desafiador. As empresas precisam de qualidade de dados e governança de dados para reduzir o risco de a GenAI produzir resultados imprecisos ou violar a privacidade dos dados.
2. A IA Generativa não é capaz de resolver tudo
Se você tivesse construído um modelo de geração de texto há dez anos, teria que treiná-lo do zero por meses. Um dos principais diferenciais da GenAI é que temos modelos fundamentais pré-treinados, chamados Large Language Models (LLMs), que são customizados, treinados e aperfeiçoados a partir de uma quantidade muito menor de dados para atender ao resultado comercial que você deseja. Essas abordagens também são importantes para o custo e reduzem a barreira de entrada, permitindo que as empresas inovem em cima dos LLMs existentes.
Além dessas novas técnicas para aproveitar os modelos fundamentais, existe uma variedade de tamanhos e capacidades de modelos, desde grandes modelos, que atendem à grande maioria das necessidades, até pequenos modelos, chamados Small Language Models (SLMs), direcionados a tarefas específicas. Os SLMs são versões menores de seus homólogos LLM e, portanto, mais eficientes em tarefas específicas e também com menores custos. Eles têm significativamente menos parâmetros em comparação com centenas de bilhões ou até mesmo um trilhão dos LLMs, então não são tão bons em perguntas "genéricas", de amplo alcance, e suportam apenas um tipo de entrada, como texto ou imagens, ao contrário dos modelos multi-modais.
Em nosso envolvimento com clientes, aprendemos que é crucial adotar uma abordagem baseada em resultados para encontrar a solução certa. Muitas vezes, a necessidade de negócios pode ser resolvida com um modelo existente, um SLM ou encadeando vários modelos pequenos juntos. Em muitos casos, não precisamos de GenAI - ou necessitamos apenas para uma pequena parte da solução geral.
3. De 'Quanto Maior, Melhor' para 'LLMs Contextuais'
Em 2023, vimos o surgimento de LLMs e sua dominação nos debates sobre IA com a capacidade mágica de resolver qualquer problema. Enquanto os dados são o oxigênio da IA, o foco deve ser fornecer à IA o máximo de contexto relevante e imparcial possível para alcançar os resultados comerciais certos. É como encontrar uma agulha no palheiro; para cumprir a tarefa mais rapidamente, você altera a cor/forma da agulha (ou do palheiro), usa um ímã ou coordena várias buscas paralelas.
Essa constatação impulsiona os avanços de LLMs especializados por setores, aumentados com contexto de negócios particulares para resolver problemas específicos. Por exemplo, em RH, a Mercer está usando o LLM para automatizar o processo de recrutamento. Na área jurídica, Harvey AI e CaseHOLD revolucionaram o gerenciamento de tarefas jurídicas, realizando análise de contratos e resumos de conformidade legal. No setor financeiro, o BloombergGPT analisa dados financeiros, e na área da saúde, o Med-PaLM do Google DeepMind processa notas clínicas, resultados de laboratório e imagens médicas, etc. Prevejo que em breve surgirão mercados de LLMs contextuais onde você pode escolher o tipo de modelo com base no contexto empresarial e no problema que deseja resolver.
4. As redes estão prontas para o GenAI?
A GenAI não existe no vácuo. Assim como precisa de uma base de nuvem e de dados sólida, também requer uma rede inteligente de alto desempenho, que suporte arquiteturas complexas de malha de dados, da borda à nuvem, para solicitações/respostas rápidas, ajuste fino do modelo, inferência e treinamento. A Omdia prevê que até 2030, quase dois terços do tráfego de rede envolverá IA, impulsionado por conteúdo gerado por IA, como vídeo e imagens. Isso exige que as redes globais estejam prontas para transportar ZettaBytes (como em 1.000 ExaBytes, ou 1.000.000 PetaBytes) e suportar a mudança de aplicativos existentes para IA, bem como aplicativos totalmente novos de IA.
Inicialmente, os LLMs foram projetados para serem executados em infraestrutura de nuvem centralizada e poderosa. No ano passado, surgiram diversas variantes de LLM que podem ser executadas na nuvem, na borda da rede, bem como em dispositivos individuais. Por exemplo, o Google Gemini introduziu três variantes: Ultra, Pro e Nano - o Gemini Nano pode ser executado nativamente em dispositivos Android. Também esperamos que a Apple e muitas outras empresas de eletrônicos de consumo produzam e incorporem LLMs em seus produtos. A execução desses modelos de IA muito pequenos nos dispositivos cria novos casos de uso que tornam o GenAI altamente personalizados e reduzem os riscos de privacidade dos dados, mas não serão tão sofisticados quanto aqueles na nuvem. Essas arquiteturas diversas e complexas para implementações de GenAI demandam uma revisão da estrutura de rede e conectividade.
5. O GenAI aumentará empregos ou tomará conta?
Uma das previsões mais surpreendentes para a IA generativa em 2030 é seu potencial para automatizar até 30% das horas trabalhadas atualmente na economia dos EUA. Um estudo realizado por pesquisadores do MIT sobre o impacto da GenAI em trabalhadores altamente qualificados constatou que pode melhorar o desempenho dos trabalhadores em até 40% em comparação com aqueles que não a usam. O mesmo estudo encontrou mais ganhos de GenAI para recursos menos qualificados em comparação com grupos mais qualificados. Um estudo da McKinsey mostra que desenvolvedores de software podem concluir tarefas de codificação até duas vezes mais rápido com a GenAI. Colaboradores da área de conhecimento, como advogados e cientistas, também podem acelerar substancialmente suas cargas de trabalho usando a IA para analisar montanhas de dados instantaneamente.
Embora o veredito ainda esteja pendente sobre esse tópico, minha convicção é que o GenAI está automatizando tarefas, não empregos, e, portanto, os funcionários habilitados por IA acabarão substituindo aqueles que não são habilitados por IA. Essa convicção se mostrou verdadeira para os ciclos de tecnologia disruptiva que vimos nas últimas três décadas com computadores, internet, móveis etc, e a Revolucão Industrial, antes deles.
6. Confiança continua sendo uma condição-chave para impulsionar a adoção em larga escala
Com todas as concepções equivocadas sobre suas realidades práticas, não é surpresa que a GenAI esteja atualmente no topo do que o Gartner chama de "o pico da expectativa inflada". A IA apresenta seus desafios: impacto ambiental, influência na produtividade, retorno sobre o investimento, gerenciamento de habilidades, regulamentação e ética. Estou convencido de que não haverá adoção em massa sem confiança.
A confiança é mais crucial em um momento em que apenas um terço da população francesa acredita que a IA apresenta mais vantagens do que desvantagens. Uma pesquisa global com 11.000 funcionários conduzida pela BCG descobriu que quanto mais você a usa, mais confia nela, mas também a teme. Uma porcentagem significativa de funcionários vê a IA como uma ameaça, com as maiores porcentagens entre aqueles que já usam a tecnologia. Na Orange, participamos do Programa de Acesso Antecipado (EAP) do Microsoft Copilot, e a conformidade com dados, bem como uma curva de aprendizado íngreme, foram grandes obstáculos antes que ganhos significativos de produtividade pudessem ser alcançados.
Os governos correram para tomar posição sobre como governar o uso da IA por meio de regulamentações. A administração Biden emitiu regras para o GenAI em outubro por meio de uma ordem executiva que detalha oito objetivos, incluindo padrões de segurança e uso responsável da IA. Em dezembro, a Comissão Europeia emitiu a primeira versão do AI Act para regular o uso de sistemas de IA na União Europeia. Pesquisadores da Universidade Stanford estudaram 10 modelos grandes de linguagem (LLMs) populares e descobriram que apenas quatro modelos receberam pontuações satisfatórias, com o modelo de código aberto Bloom se destacando com uma pontuação de 36 em 48. A falta de transparência entre os provedores, que não divulgam informações suficientes sobre seus modelos e os riscos associados ao seu uso, foi destacada como uma preocupação-chave.
Violação de direitos autorais e propriedade intelectual é uma preocupação crescente - recentemente, o New York Times processou a OpenAI e a Microsoft por 'uso ilegal' de seu conteúdo para treinar sistemas GenAI e LLMs, pois supostamente grandes partes do material do New York Times foram encontradas sendo usadas na saída do ChatGPT. A GenAI levanta preocupações significativas em torno de questões de direitos autorais e, com certeza, temos muito a aprender nesse espaço, pois essas são tecnologias totalmente novas e precisaremos que a lei, assim como nossa compreensão de seu lugar na sociedade, se adapte.
Para concluir, sim, há muita agitação em torno da GenAI, no entanto, não podemos negar o incrível potencial desta nova tecnologia para transformar nossas formas digitais de vida. Como veterano da tecnologia, tendo visto muitos ciclos de agitação - internet, móvel, nuvem, IoT, gêmeo digital, blockchain, etc., aprendi que a agitação é um ótimo 'mecanismo de negócios' que nos permite fazer a transição do possível para o prático. Embora a adoção em larga escala da GenAI ainda esteja a 2 a 5 anos de distância, quando cada produto e cada software terão algum tipo de funcionalidade de GenAI, é fundamental começar com experimentos pequenos e simples, evitando as armadilhas comuns.
Chief Products and Marketing Officer na Orange Business, Usman Javaid, PhD, traz amplo conhecimento do mercado empresarial, tanto nos setores de telecomunicações quanto no digital. Anteriormente, atuou como Diretor Executivo de Entrega de Serviços Profissionais na AWS, acumulando mais de 20 anos de experiência focada na criação de produtos tecnológicos inovadores e na condução de transformações empresariais em larga escala.