A era da AI generativa: o que está mudando

A abundância e a diversidade das reações ao ChatGPT e a outras IAs generativas, sejam elas céticas ou entusiásticas, demonstram as mudanças que elas estão provocando e o impacto que estão causando muito além dos círculos tecnológicos habituais. Isso contrasta fortemente com as gerações anteriores de AI, que eram essencialmente preditivas e geralmente objeto de artigos ou teses restritos ao âmbito da pesquisa e da inovação.

Para as empresas, AI generativa também AI das inteligências artificiais anteriores. Se as compararmos com as tecnologias mais semelhantes, como o processamento de linguagem natural (NLP) para corpora de texto ou a visão computacional para data audiovisuais, as IAs generativas trazem quatro grandes mudanças das quais as empresas estão tomando consciência à medida que as experimentam.

Em primeiro lugar, em comparação com AI anterior, AI generativa acelera AI a implantação de casos de uso, na medida em que agiliza a validação do conceito. Em segundo lugar, ela abre um novo leque de possibilidades, permitindo o aprimoramento de data não estruturados de forma mais fácil, eficiente e econômica. Além disso, os resultados obtidos com AI generativa AI novos em termos de qualidade, quantidade e diversidade em comparação com os modelos utilizados anteriormente. Todos esses fatores significam que precisamos atender às expectativas elevadas dos usuários finais, alimentadas pelo entusiasmo em torno dessa tecnologia. Abordamos esses quatro pontos a seguir.

No campo da AI generativa, a implementação de casos de uso costuma ser mais rápida e menos trabalhosa do que com as IAs anteriores. A abordagem adotada com AI generativa AI frequentemente comparada à montagem de Legos, em que componentes pré-existentes podem ser combinados para criar novos resultados. Essa facilidade de experimentação e implementação pode permitir ciclos de desenvolvimento mais curtos. Além disso, um modo de interação conversacional com os usuários também acelera a adoção.

Um caso data pode ser resumido a um problema de negócios, data, um modelo e uma solicitação. Tradicionalmente, a criação e a otimização do modelo representam a parte mais complexa e demorada do processo. Com AI generativa, essa etapa se torna mais simples. AI generativa AI modelos pré-treinados e prontos para uso, permitindo que as empresas se beneficiem de conhecimentos avançados sem precisar investir muito tempo no desenvolvimento e no aprimoramento de modelos. Na prática, os modelos (como o GPT 4.0 do Azure) são acessíveis “sob demanda” ou podem ser implantados por meio de APIs (como o Gemini Pro BARD do Google). Alguns provedores oferecem até mesmo modelos especialmente ajustados para domínios específicos, como a geração de textos jurídicos, médicos ou financeiros.

Uma vez que o modelo esteja implantado, a única tarefa restante é “ancorar” o AI generativa, ou seja, vincular os resultados gerados pelo modelo a informações do mundo real, de modo a restringir o modelo para que responda dentro de um determinado perímetro. Isso geralmente envolve adicionar restrições ou informações adicionais para orientar o modelo a produzir resultados que sejam coerentes e relevantes em um contexto específico. No entanto, isso está muito longe do tempo que leva para treinar os AI que temos usado até agora.

Vamos tomar como exemplo um caso de uso de análise literal em call centers para ilustrar nosso argumento. De acordo com um Artefact , para desenvolver esse tipo de caso de uso utilizando modelos baseados em AI convencional, eram necessárias, em geral, de três a quatro semanas desde o momento em que os data recuperados e tornados utilizáveis. Hoje, graças à AI generativa, esse processo leva apenas uma semana, o que representa uma aceleração de mais de três vezes. O principal desafio é escolher a classificação de negócios adequada para adaptar o modelo.

Alguns campos petrolíferos só se tornam rentáveis quando os preços do petróleo disparam. O mesmo princípio pode ser aplicado aos data. Certos data não estruturados data agora ser extraídos graças à AI generativa, abrindo um campo totalmente novo de data exploráveis data o treinamento ou o ajuste fino de modelos e oferecendo inúmeras perspectivas para aplicações especializadas em domínios específicos.

E há uma promessa que vem surgindo: a das IAs generativas, capazes de processar e combinar qualquer tipo de data seus processos de treinamento, evitando o trabalho demorado e tedioso de estruturar e melhorar a qualidade dos data da empresa data torná-los utilizáveis. Uma promessa ainda não cumprida, com base nas observações atuais.

AI generativa não só AI beneficiou de um verdadeiro avanço nos mecanismos de atenção, como também do poder cada vez maior — e necessário — das máquinas.

Os mecanismos de atenção funcionam de maneira semelhante à capacidade de uma pessoa de se concentrar em uma parte importante de uma imagem ou texto ao tentar compreender ou criar algo. Imagine tentar desenhar uma paisagem a partir de uma fotografia. Em vez de olhar para a imagem inteira de uma só vez, você se concentra em certas partes que parecem importantes, como montanhas ou árvores. Isso ajuda a compreender melhor os detalhes importantes e a criar um desenho mais preciso. Da mesma forma, os mecanismos de atenção permitem que o modelo se concentre em partes específicas de uma imagem ou texto ao gerar conteúdo. Em vez de processar toda a entrada de uma só vez, o modelo pode se concentrar nas partes mais relevantes e importantes para produzir resultados mais precisos e significativos. Isso permite que ele aprenda a criar imagens, textos ou outros tipos de conteúdo de forma mais eficiente e realista.

Os mecanismos de atenção são altamente adequados para a paralelização. O uso de múltiplos mecanismos de atenção proporciona uma representação mais rica e robusta dos data, levando a um melhor desempenho em diversas tarefas, como tradução automática, geração de texto, síntese de fala, geração de imagens e muitas outras.

Como resultado, casos de uso que pareciam impossíveis há pouco tempo atrás tornaram-se agora totalmente acessíveis. É o que ocorre, por exemplo, com o cálculo do tempo de fala na mídia durante as campanhas presidenciais. Há apenas dois anos, calcular com precisão o tempo de fala de cada candidato era uma tarefa tediosa. Hoje, graças ao uso da AI generativa, isso é possível.

No que diz respeito à capacidade computacional, há seis anos, a OpenAI publicou uma análise mostrando que, desde 2012, a quantidade de computação utilizada nas sessões AI mais significativas vem aumentando exponencialmente, com um tempo de duplicação de 3,4 meses (a título de comparação, a Lei de Moore tinha um período de duplicação de dois anos). Desde 2012, esse valor aumentou mais de 300.000 vezes (um período de duplicação de dois anos produziria apenas um aumento de sete vezes).

AI generativa geralmente exigem uma enorme capacidade de computação para o treinamento, especialmente porque são projetados para serem generalistas e necessitam de grandes quantidades de conteúdo para o treinamento. São necessários recursos computacionais potentes, como GPUs de ponta ou TPUs, para processar grandes conjuntos de dados e executar algoritmos de otimização complexos. A nova GPU NVIDIA A100 Tensor Core parece oferecer uma aceleração sem precedentes. De acordo com a Nvidia, a A100 oferece desempenho até 20 vezes superior ao da geração anterior e pode ser particionada em sete instâncias de GPU para se adaptar dinamicamente às demandas em constante mudança. Ela também possui, segundo relatos, a largura de banda de memória mais rápida do mundo, com mais de dois terabytes por segundo (TB/s) para executar os maiores modelos e conjuntos de dados.

É importante ressaltar que os avanços na computação têm sido um elemento fundamental para o progresso da artificial intelligence. Enquanto essa tendência persistir, devemos estar preparados para as implicações de sistemas que ultrapassam em muito as capacidades atuais e que ampliarão ainda mais os limites, sempre ponderando o valor que esses sistemas agregam em relação aos custos que acarretam, especialmente em termos de energia e meio ambiente. Abordaremos esses pontos em um artigo futuro.

AI generativa difere AI da AI anterior AI impacto nos resultados gerados por seus modelos. Não só aumentou a quantidade de resultados gerados, como também sua qualidade e diversidade. No entanto, todos esses aspectos positivos devem ser relativizados pela menor reprodutibilidade dos AI generativa.

Se considerarmos a imagem de um quebra-cabeça, data pode ser comparada à sua montagem, em que cada data uma peça a ser encaixada para revelar uma imagem coerente. AI um papel fundamental na tentativa de preencher os data ausentes data as informações disponíveis para inferir e recriar essas peças que faltam. AI generativa AI além de simplesmente completar data existentes data novos data no que já existe. Esse processo amplia as capacidades de análise e permite que novas informações sejam descobertas a partir data existentes, trazendo o aspecto generativo para o primeiro plano.

Ao contrário das gerações anteriores de AI, que tendem a produzir resultados frequentemente semelhantes, AI generativa são capazes de gerar uma maior diversidade de resultados, explorando diferentes variações e alternativas. Essa maior diversidade permite gerar conteúdos mais ricos e diversificados, passando do aspecto quantitativo para o qualitativo e atendendo a uma gama mais ampla de necessidades e preferências.

A OpenAI esteve recentemente em Hollywood para apresentar seu mais recente modelo, chamado “Sora”, capaz de gerar vídeos a partir de texto. “Ouvir que ele é capaz de fazer tudo isso é uma coisa, mas ver de fato essas capacidades foi impressionante”, disse o produtor de Hollywood Mike Perry, destacando a diversidade e a qualidade das funcionalidades oferecidas pela AI generativa.

No entanto, devido à sua capacidade de explorar um leque mais amplo de possibilidades, AI generativa podem ser menos reproduzíveis do que as IAs anteriores, e a precisão dos resultados fica comprometida. Em termos concretos, é mais difícil reproduzir exatamente os mesmos resultados cada vez que o modelo é executado, o que pode representar um desafio em termos de confiabilidade e previsibilidade em certas aplicações de missão crítica.

Essa limitação representa um grande desafio para as aplicações de AI generativa AI exigem respostas precisas. E é uma área na qual as empresas estão trabalhando em seus desenvolvimentos atuais: especializar melhor os modelos em domínios altamente específicos para melhorar a precisão das respostas e combinar a robustez dos modelos baseados em regras ou consultas em data estruturados data a facilidade de uso e a interação com os usuários das IAs generativas, conectando estas últimas aos resultados dos primeiros.

Quando se trata de gerenciar as expectativas e a relação dos usuários finais com a tecnologia, AI generativa AI vários desafios específicos. Devido à sua capacidade de produzir resultados rapidamente, AI generativa AI gerar expectativas particularmente elevadas. Por outro lado, a ocorrência de alucinações e resultados indesejáveis pode minar significativamente a confiança dos usuários nessas soluções.

AI generativa AI capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usuários finais a impressão de que a tecnologia é capaz de resolver todos os seus problemas de forma instantânea e eficiente. Isso pode levar a expectativas desproporcionais em relação às capacidades reais da AI generativa e a uma decepção caso os resultados não atendam plenamente a essas altas expectativas.

AI generativa, evidentemente, não AI perfeita e, por vezes, pode produzir resultados inesperados ou indesejáveis, como conteúdo inconsistente, falso ou inadequado. A ocorrência desses resultados indesejáveis pode levar à perda de confiança do usuário final na tecnologia, colocando em dúvida sua confiabilidade e utilidade. Também pode suscitar preocupações quanto data e à privacidade data quando resultados inesperados comprometem a integridade das informações geradas pela AI generativa.

Em fevereiro de 2023, o chatbot Bard do Google (renomeado como Gemini) forneceu informações incorretas quando questionado sobre as descobertas do Telescópio Espacial James Webb da NASA. Ele afirmou erroneamente que o telescópio havia tirado as primeiras fotos de um exoplaneta. Essa afirmação está incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telescópio James Webb só foi lançado em 2021 (fonte: equipe da CNET França, 2024).

É, portanto, fundamental que os usuários finais de AI generativa estejam cientes de suas limitações. Por isso, a maioria das empresas que implementam essas soluções se esforça para apoiar os usuários na sua utilização: oferecendo treinamento na arte de formular prompts, explicando as limitações desses sistemas, esclarecendo quais expectativas podem ou não ser atendidas e lembrando-os das regras aplicáveis em matéria de data .

Mais de um ano após o lançamento do ChatGPT, as expectativas em relação a essa nova tecnologia continuam tão altas quanto sempre foram. No entanto, o valor associado a ela ainda não se concretizou em casos de uso tangíveis. Em nosso próximo artigo, discutiremos temas relacionados à adoção da tecnologia pelas empresas e como ela se dissemina por toda a organização.

Sob a liderança de: