Como empresa, é difícil não ficar tentado por todas as promessas da IA. Se você acreditar em todo esse hype, ele pode transformar todas as partes do negócio, encontrar e converter novos clientes, projetar novos produtos, gerenciar sua fábrica ou seu software e, geralmente, fazer qualquer coisa, menos trazer um café pela manhã (e você assume eles estão trabalhando nisso agora).
Esta é uma fantasia maravilhosa e muito tentadora de acreditar. Mas até que ponto isso é verdade? Com todo esse hype, você pode ficar tentado a entrar completamente no movimento e acreditar em tudo, ou seguir o outro caminho e rejeitar tudo o que ouve como um grande exagero. A verdade deve estar em algum lugar no meio, mas como podemos encontrá-la? E quando o fizermos, como podemos transformar esse entendimento em algo útil para o nosso negócio? Vamos nos aprofundar e discutir como a IA é usada nos negócios e, em particular, quão personalizado um modelo de IA precisa ser para que uma empresa veja seu valor. Dissiparemos parte do entusiasmo em torno da IA e mostraremos as áreas em que ela pode realmente transformar um negócio hoje. Também analisaremos o papel dos bons dados e o desafio de encontrá-los/limpá-los/verificá-los para modelos de IA, uma indústria que está crescendo rapidamente no espaço Web3 com plataformas como Sinése Um trabalhando para aproveitar os atributos do blockchain para verificar a IA e recompensar os usuários.
A promessa
Diz-se que a IA resolve muitos problemas diferentes. Para os não iniciados, alguns desses problemas podem ser indistinguíveis da magia, o que é muito emocionante, mas igualmente inútil se você for uma empresa que está considerando investir em IA. Felizmente, a IA não é tão complicada quanto você imagina, porque ela realmente resolve apenas três problemas principais. Primeiro, a IA pode classificar coisas. Pense em um algoritmo de controle de qualidade que informa se uma peça que sai da linha de montagem tem defeito ou não. Isso pode ser expandido para todos os tipos de detecção de anomalias, recursos de classificação e outros usos não convencionais que exigem um algoritmo para analisar algo (por exemplo, fotos, dados de planilhas) e, em seguida, determinar a qual grupo ele pertence. prever. A manutenção preditiva pode usar muitos sensores diferentes em uma máquina para prever quando ela irá falhar ou quando precisará de manutenção. Ele pode fornecer previsões muito precisas se os dados estiverem disponíveis. Ele pode prever para onde um robô deve se mover em seguida para atingir um objetivo específico. Finalmente, a IA pode otimizar. Ele pode resolver problemas complicados com muitas restrições diferentes de uma forma que é simplesmente muito difícil de ser realizada por um ser humano. Nós o usamos para GPS, organização de nossas fábricas e muitas outras aplicações que precisam de uma solução ideal para um objetivo e muitas restrições diferentes.
O resultado final é que a IA realmente funciona. Pode resolver absolutamente os problemas descritos acima e muitos outros. Melhor ainda, a IA está melhorando a cada dia. Novas inovações são desenvolvidas, o processamento do computador está melhorando e casos de uso mais gerais são descobertos. Por um lado, a IA é muito mais incrível do que acreditamos e está transformando o mundo de maneiras que nem sequer conseguimos compreender totalmente.
A realidade
Dito isto, estes resultados têm um custo: os dados. A IA é completamente inútil sem os dados corretos para treinar um modelo de IA. Com o surgimento de Large Language Models (LLMs), como o ChatGPT, as percepções incorretas da IA tornaram-se ainda mais distorcidas. Podemos ficar tentados a acreditar que a IA é todo-poderosa e pode responder a qualquer pergunta que lhe fizermos e, como o ChatGPT está disponível para todos, podemos vê-lo com os nossos próprios olhos. No entanto, existem dois grandes pontos fracos que podem não ser óbvios. Primeiro, o ChatGPT é incrível em algumas coisas, como escrever um artigo sobre Mudanças Climáticas ou sugerir dez locais para visitar em Budapeste; mas não é bom em muitas outras coisas, como dar uma resposta certa sobre problemas de matemática ou fornecer informações totalmente confiáveis. Para uma empresa, este nível de incerteza não é aceitável. Em segundo lugar, o ChatGPT foi feito usando trilhões de pontos de dados para responder a perguntas gerais. Se você quiser treinar um modelo de IA preciso, será necessário muito menos do que isso, mas você deve saber exatamente quais dados usar e eles devem ser validados para serem eficazes. Em outras palavras, você precisa saber qual problema está resolvendo, qual modelo de IA usará e quais dados verificados serão necessários. A questão é que é difícil construir estes dados e, dependendo de uma série de factores, a quantidade de dados pode por vezes ser significativa. O modelo de IA acima que identificou anomalias em uma linha de montagem? Provavelmente seriam necessárias muitas amostras diferentes de itens na linha de montagem, com diferentes ângulos de iluminação, orientações e outras variações, para que o modelo pudesse acomodar essas variações. Dentro disso, será necessário um número adequado de amostras que apresentem itens de boa qualidade e amostras que apresentem itens com anomalias. Só então o modelo pode aprender a aparência de uma anomalia. E para a maioria dos modelos de IA, todos esses dados precisam ser rotulados (por exemplo, “sem anomalia” vs. “anomalia”). Este é o maior fardo para as empresas, uma vez que muitas vezes não possuem os conhecimentos ou conhecimentos necessários para processar com precisão todas estas informações, e o simples trabalho envolvido pode ser significativo. O Blockchain demonstrou uma capacidade única de ajudar a resolver este problema, com plataformas como o Synesis mencionado acima aproveitando os elementos únicos do blockchain especificamente para validar dados de treinamento de IA. Ao utilizar descentralização, imutabilidade e recompensas pelo trabalho, a plataforma é capaz de construir enormes conjuntos de dados, recompensando uma enorme população de colaboradores em todo o mundo. Devido à sua natureza, não é preciso muito para treinar alguém sobre como validar um determinado conjunto de dados. O aprendizado é rápido e, com gente suficiente, o conjunto de dados pode ser validado, rotulado (respostas anexadas a cada imagem ou ponto de dados) e disponibilizado para a empresa que necessita. É um modelo de negócios fascinante e que provavelmente verá todo um setor crescer no próximo ano.
Muitas empresas de pequeno e médio porte estão trabalhando para construir modelos proprietários de IA alimentados por seus próprios dados. No entanto, treinar um modelo não é tão simples quanto inserir dados brutos. O principal desafio que enfrentam é a falta de cientistas de dados internos e de recursos para lidar com o… pic.twitter.com/97gQ4JQ8Qb
– Synesis Um (@synesis_one) 17 de novembro de 2024
Fazendo uso de IA
Agora que você entende o hype da IA e sua realidade, pode ter uma ideia melhor dos problemas que ela pode resolver para o seu negócio. A chave é identificar esses problemas de classificação, previsão e otimização e, em seguida, começar a construir os dados necessários para treinar os modelos. Trabalhar com uma plataforma de validação de dados como o Synesis será crucial para muitas empresas que não conseguem fazer isso sozinhas, mas precisam de uma solução econômica. Uma vez feito isso, porém, seu negócio pode ser turbinado com IA de uma forma que era ficção científica há poucos anos.
Crédito da imagem em destaque: Google DeepMind/Unsplash
