A abund\u00e2ncia e a diversidade de respostas ao ChatGPT e a outras IAs generativas, sejam elas c\u00e9ticas ou entusiastas, demonstram as mudan\u00e7as que elas est\u00e3o provocando e o impacto que est\u00e3o tendo muito al\u00e9m dos c\u00edrculos tecnol\u00f3gicos habituais. Isso contrasta fortemente com as gera\u00e7\u00f5es anteriores de IA, que eram essencialmente preditivas e, em geral, objeto de artigos ou teses confinadas ao \u00e2mbito da pesquisa e da inova\u00e7\u00e3o.<\/p>\n<\/div>
Para as empresas, a IA generativa tamb\u00e9m \u00e9 diferente dos artificial intelligences anteriores. Se as compararmos com as tecnologias mais semelhantes, como o processamento de linguagem natural (PLN) para corpora de texto ou a vis\u00e3o computacional para data audiovisual, as IAs generativas trazem quatro grandes mudan\u00e7as que as empresas est\u00e3o percebendo \u00e0 medida que as experimentam.<\/p>\n<\/div>
Primeiro, em compara\u00e7\u00e3o com a IA anterior, a IA generativa acelera significativamente a implanta\u00e7\u00e3o de casos de uso, no sentido de que acelera a prova de conceito. Em segundo lugar, ela abre um novo campo de possibilidades, permitindo um aprimoramento mais f\u00e1cil, mais eficiente e menos dispendioso do data n\u00e3o estruturado. Al\u00e9m disso, os resultados obtidos com a IA generativa s\u00e3o novos em termos de qualidade, quantidade e diversidade em compara\u00e7\u00e3o com os modelos usados anteriormente. Todos esses fatores significam que precisamos atender \u00e0s expectativas elevadas dos usu\u00e1rios finais, alimentadas pelo hype em torno dessa tecnologia. Desenvolvemos esses quatro pontos a seguir.<\/p>\n<\/div>
A IA geradora permite testar mais rapidamente o valor agregado dos casos de uso<\/h2><\/div>No campo da IA generativa, a implanta\u00e7\u00e3o de casos de uso costuma ser mais r\u00e1pida e menos trabalhosa do que com as IAs anteriores. A abordagem adotada com a IA generativa \u00e9 frequentemente comparada \u00e0 montagem de Legos, em que componentes pr\u00e9-existentes podem ser combinados para criar novos resultados. Essa facilidade de experimenta\u00e7\u00e3o e implementa\u00e7\u00e3o pode permitir ciclos de desenvolvimento mais curtos. Al\u00e9m disso, um modo de intera\u00e7\u00e3o conversacional com os usu\u00e1rios tamb\u00e9m acelera a ado\u00e7\u00e3o.<\/p>\n<\/div>
Um caso de uso data pode ser reduzido a um problema comercial, data, um modelo e um prompt. Tradicionalmente, a cria\u00e7\u00e3o e a otimiza\u00e7\u00e3o do modelo representam a parte mais complexa e demorada do processo. Com a IA generativa, essa etapa se torna mais simples. A IA generativa fornece modelos pr\u00e9-treinados e prontos para uso, permitindo que as empresas se beneficiem da experi\u00eancia avan\u00e7ada sem investir tempo significativo no desenvolvimento e no refinamento de modelos. Na pr\u00e1tica, os modelos (como o GPT 4.0 do Azure) s\u00e3o acess\u00edveis \u201csob demanda\u201d ou podem ser implantados por meio de APIs (como o Gemini Pro BARD do Google). Alguns provedores oferecem at\u00e9 mesmo modelos especialmente ajustados para dom\u00ednios espec\u00edficos, como a gera\u00e7\u00e3o de textos jur\u00eddicos, m\u00e9dicos ou financeiros.<\/p>\n<\/div>
Depois que o modelo \u00e9 implantado, a \u00fanica tarefa que resta \u00e9 \u201cfundamentar\u201d o modelo de IA generativo, ou seja, ancorar os resultados gerados pelo modelo \u00e0s informa\u00e7\u00f5es do mundo real para restringir o modelo a responder dentro de um determinado per\u00edmetro. Isso geralmente envolve o acr\u00e9scimo de restri\u00e7\u00f5es ou informa\u00e7\u00f5es adicionais para orientar o modelo no sentido de produzir resultados que sejam coerentes e relevantes em um contexto espec\u00edfico. No entanto, isso est\u00e1 muito longe do tempo que leva para treinar os modelos de IA que usamos at\u00e9 agora.<\/p>\n<\/div>
Vamos usar o exemplo de um caso de uso de an\u00e1lise literal de call center para ilustrar nosso argumento. De acordo com um estudo Artefact, para desenvolver esse tipo de caso de uso usando modelos baseados em IA anterior, geralmente levava de tr\u00eas a quatro semanas a partir do momento em que o data era recuperado e tornado utiliz\u00e1vel. Hoje, gra\u00e7as \u00e0 IA generativa, esse processo leva apenas uma semana, um fator de acelera\u00e7\u00e3o de mais de tr\u00eas. O principal desafio \u00e9 escolher a classifica\u00e7\u00e3o comercial adequada para adaptar o modelo.<\/p>\n<\/div>
A IA generativa amplia o escopo da IA para data anteriormente pouco usado ou mal usado<\/h2><\/div>Alguns campos de petr\u00f3leo s\u00f3 s\u00e3o lucrativos quando os pre\u00e7os do petr\u00f3leo disparam. O mesmo princ\u00edpio pode ser aplicado ao data. Determinado data n\u00e3o estruturado pode agora ser extra\u00eddo gra\u00e7as \u00e0 IA generativa, abrindo um campo totalmente novo de data explor\u00e1vel para treinamento ou ajuste fino de modelos e oferecendo in\u00fameras perspectivas para aplicativos especializados em dom\u00ednios espec\u00edficos.<\/p>\n<\/div>
E h\u00e1 uma promessa emergente: a de IAs generativas capazes de manipular e combinar qualquer tipo de data em seus processos de treinamento, ignorando o trabalho demorado e tedioso de estruturar e melhorar a qualidade do data da empresa para torn\u00e1-lo utiliz\u00e1vel. Uma promessa ainda n\u00e3o cumprida, com base nas observa\u00e7\u00f5es atuais.<\/p>\n<\/div>
A IA geradora n\u00e3o se beneficiou apenas de um avan\u00e7o real nos mecanismos de aten\u00e7\u00e3o. Ela tamb\u00e9m se beneficiou do poder cada vez maior - e necess\u00e1rio - das m\u00e1quinas.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o funcionam um pouco como a capacidade de uma pessoa de se concentrar em uma parte importante de uma imagem ou texto ao tentar entender ou criar algo. Imagine tentar desenhar uma paisagem a partir de uma fotografia. Em vez de olhar para toda a imagem de uma s\u00f3 vez, o senhor se concentra em determinadas partes que parecem importantes, como montanhas ou \u00e1rvores. Isso ajuda o senhor a entender melhor os detalhes importantes e a criar um desenho mais preciso. Da mesma forma, os mecanismos de aten\u00e7\u00e3o permitem que o modelo se concentre em partes espec\u00edficas de uma imagem ou texto ao gerar conte\u00fado. Em vez de processar toda a entrada de uma s\u00f3 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 conte\u00fado de forma mais eficiente e realista.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o s\u00e3o muito bem paralelizados. O uso de v\u00e1rios mecanismos de aten\u00e7\u00e3o proporciona uma representa\u00e7\u00e3o mais rica e robusta do data, o que leva a um melhor desempenho em v\u00e1rias tarefas, como tradu\u00e7\u00e3o autom\u00e1tica, gera\u00e7\u00e3o de texto, s\u00edntese de fala, gera\u00e7\u00e3o de imagens e muitas outras.<\/p>\n<\/div>
Como resultado, casos de uso que pareciam imposs\u00edveis at\u00e9 pouco tempo atr\u00e1s agora se tornaram totalmente acess\u00edveis. Esse \u00e9 o caso, por exemplo, do c\u00e1lculo do tempo de fala na m\u00eddia durante as campanhas presidenciais. H\u00e1 apenas dois anos, calcular com precis\u00e3o o tempo de fala de cada candidato era uma opera\u00e7\u00e3o tediosa. Hoje, gra\u00e7as ao uso da IA generativa, isso \u00e9 poss\u00edvel.<\/p>\n<\/div>
Com rela\u00e7\u00e3o aos recursos de computa\u00e7\u00e3o, h\u00e1 seis anos, a OpenAI publicou uma an\u00e1lise mostrando que, desde 2012, o volume de computa\u00e7\u00e3o usado nas sess\u00f5es de treinamento de IA mais significativas vem aumentando exponencialmente, com um tempo de duplica\u00e7\u00e3o de 3,4 meses (para compara\u00e7\u00e3o, a Lei de Moore teve um per\u00edodo de duplica\u00e7\u00e3o de dois anos). Desde 2012, essa medida aumentou em mais de 300.000 vezes (um per\u00edodo de duplica\u00e7\u00e3o de dois anos produziria apenas um aumento de sete vezes).<\/p>\n<\/div>
Os modelos de IA generativa geralmente exigem enormes quantidades de capacidade de computa\u00e7\u00e3o para treinamento, especialmente porque os modelos s\u00e3o projetados para serem generalistas e precisam de grandes quantidades de conte\u00fado para treinamento. Recursos de computa\u00e7\u00e3o poderosos, como GPUs ou TPUs de ponta, s\u00e3o necess\u00e1rios para processar grandes conjuntos de data e executar algoritmos de otimiza\u00e7\u00e3o complexos. A nova GPU NVIDIA A100 Tensor Core parece oferecer uma acelera\u00e7\u00e3o sem precedentes. De acordo com a Nvidia, a A100 oferece desempenho at\u00e9 20 vezes maior do que a gera\u00e7\u00e3o anterior e pode ser dividida em sete inst\u00e2ncias de GPU para se adaptar dinamicamente \u00e0s demandas vari\u00e1veis. Ela tamb\u00e9m ostenta a largura de banda de mem\u00f3ria mais r\u00e1pida do mundo, com mais de dois terabytes por segundo (TB\/s) para executar os maiores modelos e conjuntos data.<\/p>\n<\/div>
Deve-se observar que as melhorias na computa\u00e7\u00e3o t\u00eam sido um elemento fundamental para o progresso do artificial intelligence. Enquanto essa tend\u00eancia continuar, devemos estar preparados para as implica\u00e7\u00f5es dos sistemas que excedem em muito os recursos atuais e que ampliar\u00e3o ainda mais os limites, ao mesmo tempo em que ponderamos o valor que esses sistemas trazem em rela\u00e7\u00e3o aos custos em que incorrem, especialmente em termos de energia e meio ambiente. Discutiremos esses pontos em um artigo futuro.<\/p>\n<\/div>
A IA generativa melhora a diversidade, a qualidade e a quantidade dos resultados obtidos<\/h2><\/div>A IA generativa difere claramente da IA anterior em seu impacto sobre os resultados gerados por seus modelos. N\u00e3o apenas a quantidade de resultados gerados aumentou, mas tamb\u00e9m sua qualidade e diversidade. No entanto, todos esses aspectos positivos devem ser atenuados por uma menor reprodutibilidade dos modelos de IA generativa.<\/p>\n<\/div>
Se considerarmos a imagem de um quebra-cabe\u00e7a, a an\u00e1lise do data pode ser comparada \u00e0 sua montagem, em que cada pe\u00e7a do data representa uma pe\u00e7a a ser organizada para revelar uma imagem coerente. A IA desempenha um papel fundamental na tentativa de preencher o data que falta, usando as informa\u00e7\u00f5es dispon\u00edveis para inferir e recriar as pe\u00e7as que faltam. A IA generativa vai al\u00e9m de simplesmente completar o data existente, criando um novo data inspirado no que j\u00e1 existe. Esse processo expande os recursos de an\u00e1lise e permite que novas informa\u00e7\u00f5es sejam descobertas a partir do data existente, trazendo o aspecto generativo para o primeiro plano.<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/medium-article-image-by-jb-briot.png\" "\\"imagem")
<\/span><\/div>Ao contr\u00e1rio das gera\u00e7\u00f5es anteriores de IA, que tendem a produzir resultados geralmente semelhantes, os modelos de IA generativa s\u00e3o capazes de gerar uma maior diversidade de resultados ao explorar diferentes varia\u00e7\u00f5es e alternativas. Essa maior diversidade possibilita a gera\u00e7\u00e3o de conte\u00fado mais rico e diversificado, passando do quantitativo para o qualitativo e abrangendo uma gama mais ampla de necessidades e prefer\u00eancias.<\/p>\n<\/div>
A OpenAI esteve recentemente em Hollywood para apresentar seu modelo mais recente, chamado \u201cSora\u201d, capaz de gerar v\u00eddeos a partir de texto. \u201cOuvir que ele pode fazer todas essas coisas \u00e9 uma coisa, mas ver de fato os recursos foi surpreendente\u201d, disse o produtor de Hollywood Mike Perry, destacando a diversidade e a qualidade dos recursos oferecidos pela IA generativa.<\/p>\n<\/div>
Entretanto, devido \u00e0 sua capacidade de explorar um espa\u00e7o mais amplo de possibilidades, os modelos de IA generativa podem ser menos reproduz\u00edveis do que as IAs anteriores, e a precis\u00e3o dos resultados fica comprometida. Em termos concretos, \u00e9 mais dif\u00edcil reproduzir exatamente os mesmos resultados toda vez que o modelo \u00e9 executado, o que pode representar desafios em termos de confiabilidade e previsibilidade em determinados aplicativos de miss\u00e3o cr\u00edtica.<\/p>\n<\/div>
Essa limita\u00e7\u00e3o constitui um grande desafio para os aplicativos de IA generativa que exigem respostas precisas. E \u00e9 uma \u00e1rea em que as empresas est\u00e3o trabalhando em seus desenvolvimentos atuais: especializar melhor os modelos em dom\u00ednios altamente espec\u00edficos para melhorar a precis\u00e3o das respostas e combinar a robustez dos modelos baseados em regras ou consultas em data estruturado com a facilidade de uso e a intera\u00e7\u00e3o com os usu\u00e1rios de IAs generativas, conectando esses \u00faltimos aos resultados dos primeiros.<\/p>\n<\/div>
Expectativas mais elevadas dos usu\u00e1rios finais<\/h2><\/div>Quando se trata de gerenciar as expectativas e o relacionamento dos usu\u00e1rios finais com a tecnologia, a IA generativa apresenta v\u00e1rios desafios espec\u00edficos. Devido \u00e0 sua capacidade de produzir resultados rapidamente, a IA generativa pode gerar expectativas particularmente altas. Por outro lado, a ocorr\u00eancia de alucina\u00e7\u00f5es e resultados indesej\u00e1veis pode minar muito a confian\u00e7a do usu\u00e1rio nessas solu\u00e7\u00f5es.<\/p>\n<\/div>
A IA generativa \u00e9 capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usu\u00e1rios finais a impress\u00e3o de que a tecnologia \u00e9 capaz de resolver todos os seus problemas de forma instant\u00e2nea e eficiente. Isso pode levar a expectativas desproporcionais sobre os recursos reais da IA generativa e \u00e0 decep\u00e7\u00e3o se os resultados n\u00e3o atenderem totalmente a essas altas expectativas.<\/p>\n<\/div>
\u00c9 claro que a IA generativa n\u00e3o \u00e9 perfeita e, \u00e0s vezes, pode produzir resultados inesperados ou indesej\u00e1veis, como conte\u00fado inconsistente, falso ou inadequado. A ocorr\u00eancia de tais resultados indesej\u00e1veis pode levar a uma perda de confian\u00e7a do usu\u00e1rio final na tecnologia, questionando sua confiabilidade e utilidade. Tamb\u00e9m pode gerar preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 seguran\u00e7a e \u00e0 privacidade quando resultados inesperados comprometem a integridade das informa\u00e7\u00f5es geradas pela IA generativa.<\/p>\n<\/div>
Em fevereiro de 2023, o chatbot Bard do Google (renomeado Gemini) forneceu informa\u00e7\u00f5es incorretas quando perguntado sobre as descobertas do Telesc\u00f3pio Espacial James Webb da NASA. Ele afirmou erroneamente que o telesc\u00f3pio havia tirado as primeiras fotos de um exoplaneta. Essa afirma\u00e7\u00e3o est\u00e1 incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telesc\u00f3pio James Webb s\u00f3 foi lan\u00e7ado em 2021 (fonte: equipe da CNET France, 2024).<\/p>\n<\/div>
Portanto, \u00e9 fundamental que os usu\u00e1rios finais dos sistemas de IA generativa estejam cientes de suas limita\u00e7\u00f5es. Portanto, a maioria das empresas que implementam essas solu\u00e7\u00f5es se esfor\u00e7a para dar suporte aos usu\u00e1rios em seu uso: treinamento na arte de solicitar, explicar as limita\u00e7\u00f5es desses sistemas, esclarecer quais expectativas podem ou n\u00e3o ser atendidas e lembr\u00e1-los das regras aplic\u00e1veis em termos de prote\u00e7\u00e3o data.<\/p>\n<\/div>
Mais de um ano ap\u00f3s o lan\u00e7amento do ChatGPT, as expectativas em rela\u00e7\u00e3o a essa nova tecnologia est\u00e3o mais altas do que nunca. No entanto, o valor associado a ela ainda n\u00e3o se materializou em casos de uso tang\u00edveis. Em nosso pr\u00f3ximo artigo, discutiremos t\u00f3picos relacionados \u00e0 ado\u00e7\u00e3o da tecnologia pelas empresas e como ela \u00e9 disseminada por toda a organiza\u00e7\u00e3o.<\/p>\n<\/div>
Sob a lideran\u00e7a de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Diretor de Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP de Solu\u00e7\u00f5es Digitais - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
No campo da IA generativa, a implanta\u00e7\u00e3o de casos de uso costuma ser mais r\u00e1pida e menos trabalhosa do que com as IAs anteriores. A abordagem adotada com a IA generativa \u00e9 frequentemente comparada \u00e0 montagem de Legos, em que componentes pr\u00e9-existentes podem ser combinados para criar novos resultados. Essa facilidade de experimenta\u00e7\u00e3o e implementa\u00e7\u00e3o pode permitir ciclos de desenvolvimento mais curtos. Al\u00e9m disso, um modo de intera\u00e7\u00e3o conversacional com os usu\u00e1rios tamb\u00e9m acelera a ado\u00e7\u00e3o.<\/p>\n<\/div>
Um caso de uso data pode ser reduzido a um problema comercial, data, um modelo e um prompt. Tradicionalmente, a cria\u00e7\u00e3o e a otimiza\u00e7\u00e3o do modelo representam a parte mais complexa e demorada do processo. Com a IA generativa, essa etapa se torna mais simples. A IA generativa fornece modelos pr\u00e9-treinados e prontos para uso, permitindo que as empresas se beneficiem da experi\u00eancia avan\u00e7ada sem investir tempo significativo no desenvolvimento e no refinamento de modelos. Na pr\u00e1tica, os modelos (como o GPT 4.0 do Azure) s\u00e3o acess\u00edveis \u201csob demanda\u201d ou podem ser implantados por meio de APIs (como o Gemini Pro BARD do Google). Alguns provedores oferecem at\u00e9 mesmo modelos especialmente ajustados para dom\u00ednios espec\u00edficos, como a gera\u00e7\u00e3o de textos jur\u00eddicos, m\u00e9dicos ou financeiros.<\/p>\n<\/div>
Depois que o modelo \u00e9 implantado, a \u00fanica tarefa que resta \u00e9 \u201cfundamentar\u201d o modelo de IA generativo, ou seja, ancorar os resultados gerados pelo modelo \u00e0s informa\u00e7\u00f5es do mundo real para restringir o modelo a responder dentro de um determinado per\u00edmetro. Isso geralmente envolve o acr\u00e9scimo de restri\u00e7\u00f5es ou informa\u00e7\u00f5es adicionais para orientar o modelo no sentido de produzir resultados que sejam coerentes e relevantes em um contexto espec\u00edfico. No entanto, isso est\u00e1 muito longe do tempo que leva para treinar os modelos de IA que usamos at\u00e9 agora.<\/p>\n<\/div>
Vamos usar o exemplo de um caso de uso de an\u00e1lise literal de call center para ilustrar nosso argumento. De acordo com um estudo Artefact, para desenvolver esse tipo de caso de uso usando modelos baseados em IA anterior, geralmente levava de tr\u00eas a quatro semanas a partir do momento em que o data era recuperado e tornado utiliz\u00e1vel. Hoje, gra\u00e7as \u00e0 IA generativa, esse processo leva apenas uma semana, um fator de acelera\u00e7\u00e3o de mais de tr\u00eas. O principal desafio \u00e9 escolher a classifica\u00e7\u00e3o comercial adequada para adaptar o modelo.<\/p>\n<\/div>
A IA generativa amplia o escopo da IA para data anteriormente pouco usado ou mal usado<\/h2><\/div>Alguns campos de petr\u00f3leo s\u00f3 s\u00e3o lucrativos quando os pre\u00e7os do petr\u00f3leo disparam. O mesmo princ\u00edpio pode ser aplicado ao data. Determinado data n\u00e3o estruturado pode agora ser extra\u00eddo gra\u00e7as \u00e0 IA generativa, abrindo um campo totalmente novo de data explor\u00e1vel para treinamento ou ajuste fino de modelos e oferecendo in\u00fameras perspectivas para aplicativos especializados em dom\u00ednios espec\u00edficos.<\/p>\n<\/div>
E h\u00e1 uma promessa emergente: a de IAs generativas capazes de manipular e combinar qualquer tipo de data em seus processos de treinamento, ignorando o trabalho demorado e tedioso de estruturar e melhorar a qualidade do data da empresa para torn\u00e1-lo utiliz\u00e1vel. Uma promessa ainda n\u00e3o cumprida, com base nas observa\u00e7\u00f5es atuais.<\/p>\n<\/div>
A IA geradora n\u00e3o se beneficiou apenas de um avan\u00e7o real nos mecanismos de aten\u00e7\u00e3o. Ela tamb\u00e9m se beneficiou do poder cada vez maior - e necess\u00e1rio - das m\u00e1quinas.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o funcionam um pouco como a capacidade de uma pessoa de se concentrar em uma parte importante de uma imagem ou texto ao tentar entender ou criar algo. Imagine tentar desenhar uma paisagem a partir de uma fotografia. Em vez de olhar para toda a imagem de uma s\u00f3 vez, o senhor se concentra em determinadas partes que parecem importantes, como montanhas ou \u00e1rvores. Isso ajuda o senhor a entender melhor os detalhes importantes e a criar um desenho mais preciso. Da mesma forma, os mecanismos de aten\u00e7\u00e3o permitem que o modelo se concentre em partes espec\u00edficas de uma imagem ou texto ao gerar conte\u00fado. Em vez de processar toda a entrada de uma s\u00f3 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 conte\u00fado de forma mais eficiente e realista.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o s\u00e3o muito bem paralelizados. O uso de v\u00e1rios mecanismos de aten\u00e7\u00e3o proporciona uma representa\u00e7\u00e3o mais rica e robusta do data, o que leva a um melhor desempenho em v\u00e1rias tarefas, como tradu\u00e7\u00e3o autom\u00e1tica, gera\u00e7\u00e3o de texto, s\u00edntese de fala, gera\u00e7\u00e3o de imagens e muitas outras.<\/p>\n<\/div>
Como resultado, casos de uso que pareciam imposs\u00edveis at\u00e9 pouco tempo atr\u00e1s agora se tornaram totalmente acess\u00edveis. Esse \u00e9 o caso, por exemplo, do c\u00e1lculo do tempo de fala na m\u00eddia durante as campanhas presidenciais. H\u00e1 apenas dois anos, calcular com precis\u00e3o o tempo de fala de cada candidato era uma opera\u00e7\u00e3o tediosa. Hoje, gra\u00e7as ao uso da IA generativa, isso \u00e9 poss\u00edvel.<\/p>\n<\/div>
Com rela\u00e7\u00e3o aos recursos de computa\u00e7\u00e3o, h\u00e1 seis anos, a OpenAI publicou uma an\u00e1lise mostrando que, desde 2012, o volume de computa\u00e7\u00e3o usado nas sess\u00f5es de treinamento de IA mais significativas vem aumentando exponencialmente, com um tempo de duplica\u00e7\u00e3o de 3,4 meses (para compara\u00e7\u00e3o, a Lei de Moore teve um per\u00edodo de duplica\u00e7\u00e3o de dois anos). Desde 2012, essa medida aumentou em mais de 300.000 vezes (um per\u00edodo de duplica\u00e7\u00e3o de dois anos produziria apenas um aumento de sete vezes).<\/p>\n<\/div>
Os modelos de IA generativa geralmente exigem enormes quantidades de capacidade de computa\u00e7\u00e3o para treinamento, especialmente porque os modelos s\u00e3o projetados para serem generalistas e precisam de grandes quantidades de conte\u00fado para treinamento. Recursos de computa\u00e7\u00e3o poderosos, como GPUs ou TPUs de ponta, s\u00e3o necess\u00e1rios para processar grandes conjuntos de data e executar algoritmos de otimiza\u00e7\u00e3o complexos. A nova GPU NVIDIA A100 Tensor Core parece oferecer uma acelera\u00e7\u00e3o sem precedentes. De acordo com a Nvidia, a A100 oferece desempenho at\u00e9 20 vezes maior do que a gera\u00e7\u00e3o anterior e pode ser dividida em sete inst\u00e2ncias de GPU para se adaptar dinamicamente \u00e0s demandas vari\u00e1veis. Ela tamb\u00e9m ostenta a largura de banda de mem\u00f3ria mais r\u00e1pida do mundo, com mais de dois terabytes por segundo (TB\/s) para executar os maiores modelos e conjuntos data.<\/p>\n<\/div>
Deve-se observar que as melhorias na computa\u00e7\u00e3o t\u00eam sido um elemento fundamental para o progresso do artificial intelligence. Enquanto essa tend\u00eancia continuar, devemos estar preparados para as implica\u00e7\u00f5es dos sistemas que excedem em muito os recursos atuais e que ampliar\u00e3o ainda mais os limites, ao mesmo tempo em que ponderamos o valor que esses sistemas trazem em rela\u00e7\u00e3o aos custos em que incorrem, especialmente em termos de energia e meio ambiente. Discutiremos esses pontos em um artigo futuro.<\/p>\n<\/div>
A IA generativa melhora a diversidade, a qualidade e a quantidade dos resultados obtidos<\/h2><\/div>A IA generativa difere claramente da IA anterior em seu impacto sobre os resultados gerados por seus modelos. N\u00e3o apenas a quantidade de resultados gerados aumentou, mas tamb\u00e9m sua qualidade e diversidade. No entanto, todos esses aspectos positivos devem ser atenuados por uma menor reprodutibilidade dos modelos de IA generativa.<\/p>\n<\/div>
Se considerarmos a imagem de um quebra-cabe\u00e7a, a an\u00e1lise do data pode ser comparada \u00e0 sua montagem, em que cada pe\u00e7a do data representa uma pe\u00e7a a ser organizada para revelar uma imagem coerente. A IA desempenha um papel fundamental na tentativa de preencher o data que falta, usando as informa\u00e7\u00f5es dispon\u00edveis para inferir e recriar as pe\u00e7as que faltam. A IA generativa vai al\u00e9m de simplesmente completar o data existente, criando um novo data inspirado no que j\u00e1 existe. Esse processo expande os recursos de an\u00e1lise e permite que novas informa\u00e7\u00f5es sejam descobertas a partir do data existente, trazendo o aspecto generativo para o primeiro plano.<\/p>\n<\/div>
<\/span><\/div>Ao contr\u00e1rio das gera\u00e7\u00f5es anteriores de IA, que tendem a produzir resultados geralmente semelhantes, os modelos de IA generativa s\u00e3o capazes de gerar uma maior diversidade de resultados ao explorar diferentes varia\u00e7\u00f5es e alternativas. Essa maior diversidade possibilita a gera\u00e7\u00e3o de conte\u00fado mais rico e diversificado, passando do quantitativo para o qualitativo e abrangendo uma gama mais ampla de necessidades e prefer\u00eancias.<\/p>\n<\/div>
A OpenAI esteve recentemente em Hollywood para apresentar seu modelo mais recente, chamado \u201cSora\u201d, capaz de gerar v\u00eddeos a partir de texto. \u201cOuvir que ele pode fazer todas essas coisas \u00e9 uma coisa, mas ver de fato os recursos foi surpreendente\u201d, disse o produtor de Hollywood Mike Perry, destacando a diversidade e a qualidade dos recursos oferecidos pela IA generativa.<\/p>\n<\/div>
Entretanto, devido \u00e0 sua capacidade de explorar um espa\u00e7o mais amplo de possibilidades, os modelos de IA generativa podem ser menos reproduz\u00edveis do que as IAs anteriores, e a precis\u00e3o dos resultados fica comprometida. Em termos concretos, \u00e9 mais dif\u00edcil reproduzir exatamente os mesmos resultados toda vez que o modelo \u00e9 executado, o que pode representar desafios em termos de confiabilidade e previsibilidade em determinados aplicativos de miss\u00e3o cr\u00edtica.<\/p>\n<\/div>
Essa limita\u00e7\u00e3o constitui um grande desafio para os aplicativos de IA generativa que exigem respostas precisas. E \u00e9 uma \u00e1rea em que as empresas est\u00e3o trabalhando em seus desenvolvimentos atuais: especializar melhor os modelos em dom\u00ednios altamente espec\u00edficos para melhorar a precis\u00e3o das respostas e combinar a robustez dos modelos baseados em regras ou consultas em data estruturado com a facilidade de uso e a intera\u00e7\u00e3o com os usu\u00e1rios de IAs generativas, conectando esses \u00faltimos aos resultados dos primeiros.<\/p>\n<\/div>
Expectativas mais elevadas dos usu\u00e1rios finais<\/h2><\/div>Quando se trata de gerenciar as expectativas e o relacionamento dos usu\u00e1rios finais com a tecnologia, a IA generativa apresenta v\u00e1rios desafios espec\u00edficos. Devido \u00e0 sua capacidade de produzir resultados rapidamente, a IA generativa pode gerar expectativas particularmente altas. Por outro lado, a ocorr\u00eancia de alucina\u00e7\u00f5es e resultados indesej\u00e1veis pode minar muito a confian\u00e7a do usu\u00e1rio nessas solu\u00e7\u00f5es.<\/p>\n<\/div>
A IA generativa \u00e9 capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usu\u00e1rios finais a impress\u00e3o de que a tecnologia \u00e9 capaz de resolver todos os seus problemas de forma instant\u00e2nea e eficiente. Isso pode levar a expectativas desproporcionais sobre os recursos reais da IA generativa e \u00e0 decep\u00e7\u00e3o se os resultados n\u00e3o atenderem totalmente a essas altas expectativas.<\/p>\n<\/div>
\u00c9 claro que a IA generativa n\u00e3o \u00e9 perfeita e, \u00e0s vezes, pode produzir resultados inesperados ou indesej\u00e1veis, como conte\u00fado inconsistente, falso ou inadequado. A ocorr\u00eancia de tais resultados indesej\u00e1veis pode levar a uma perda de confian\u00e7a do usu\u00e1rio final na tecnologia, questionando sua confiabilidade e utilidade. Tamb\u00e9m pode gerar preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 seguran\u00e7a e \u00e0 privacidade quando resultados inesperados comprometem a integridade das informa\u00e7\u00f5es geradas pela IA generativa.<\/p>\n<\/div>
Em fevereiro de 2023, o chatbot Bard do Google (renomeado Gemini) forneceu informa\u00e7\u00f5es incorretas quando perguntado sobre as descobertas do Telesc\u00f3pio Espacial James Webb da NASA. Ele afirmou erroneamente que o telesc\u00f3pio havia tirado as primeiras fotos de um exoplaneta. Essa afirma\u00e7\u00e3o est\u00e1 incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telesc\u00f3pio James Webb s\u00f3 foi lan\u00e7ado em 2021 (fonte: equipe da CNET France, 2024).<\/p>\n<\/div>
Portanto, \u00e9 fundamental que os usu\u00e1rios finais dos sistemas de IA generativa estejam cientes de suas limita\u00e7\u00f5es. Portanto, a maioria das empresas que implementam essas solu\u00e7\u00f5es se esfor\u00e7a para dar suporte aos usu\u00e1rios em seu uso: treinamento na arte de solicitar, explicar as limita\u00e7\u00f5es desses sistemas, esclarecer quais expectativas podem ou n\u00e3o ser atendidas e lembr\u00e1-los das regras aplic\u00e1veis em termos de prote\u00e7\u00e3o data.<\/p>\n<\/div>
Mais de um ano ap\u00f3s o lan\u00e7amento do ChatGPT, as expectativas em rela\u00e7\u00e3o a essa nova tecnologia est\u00e3o mais altas do que nunca. No entanto, o valor associado a ela ainda n\u00e3o se materializou em casos de uso tang\u00edveis. Em nosso pr\u00f3ximo artigo, discutiremos t\u00f3picos relacionados \u00e0 ado\u00e7\u00e3o da tecnologia pelas empresas e como ela \u00e9 disseminada por toda a organiza\u00e7\u00e3o.<\/p>\n<\/div>
Sob a lideran\u00e7a de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Diretor de Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP de Solu\u00e7\u00f5es Digitais - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Alguns campos de petr\u00f3leo s\u00f3 s\u00e3o lucrativos quando os pre\u00e7os do petr\u00f3leo disparam. O mesmo princ\u00edpio pode ser aplicado ao data. Determinado data n\u00e3o estruturado pode agora ser extra\u00eddo gra\u00e7as \u00e0 IA generativa, abrindo um campo totalmente novo de data explor\u00e1vel para treinamento ou ajuste fino de modelos e oferecendo in\u00fameras perspectivas para aplicativos especializados em dom\u00ednios espec\u00edficos.<\/p>\n<\/div>
E h\u00e1 uma promessa emergente: a de IAs generativas capazes de manipular e combinar qualquer tipo de data em seus processos de treinamento, ignorando o trabalho demorado e tedioso de estruturar e melhorar a qualidade do data da empresa para torn\u00e1-lo utiliz\u00e1vel. Uma promessa ainda n\u00e3o cumprida, com base nas observa\u00e7\u00f5es atuais.<\/p>\n<\/div>
A IA geradora n\u00e3o se beneficiou apenas de um avan\u00e7o real nos mecanismos de aten\u00e7\u00e3o. Ela tamb\u00e9m se beneficiou do poder cada vez maior - e necess\u00e1rio - das m\u00e1quinas.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o funcionam um pouco como a capacidade de uma pessoa de se concentrar em uma parte importante de uma imagem ou texto ao tentar entender ou criar algo. Imagine tentar desenhar uma paisagem a partir de uma fotografia. Em vez de olhar para toda a imagem de uma s\u00f3 vez, o senhor se concentra em determinadas partes que parecem importantes, como montanhas ou \u00e1rvores. Isso ajuda o senhor a entender melhor os detalhes importantes e a criar um desenho mais preciso. Da mesma forma, os mecanismos de aten\u00e7\u00e3o permitem que o modelo se concentre em partes espec\u00edficas de uma imagem ou texto ao gerar conte\u00fado. Em vez de processar toda a entrada de uma s\u00f3 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 conte\u00fado de forma mais eficiente e realista.<\/p>\n<\/div>
Os mecanismos de aten\u00e7\u00e3o s\u00e3o muito bem paralelizados. O uso de v\u00e1rios mecanismos de aten\u00e7\u00e3o proporciona uma representa\u00e7\u00e3o mais rica e robusta do data, o que leva a um melhor desempenho em v\u00e1rias tarefas, como tradu\u00e7\u00e3o autom\u00e1tica, gera\u00e7\u00e3o de texto, s\u00edntese de fala, gera\u00e7\u00e3o de imagens e muitas outras.<\/p>\n<\/div>
Como resultado, casos de uso que pareciam imposs\u00edveis at\u00e9 pouco tempo atr\u00e1s agora se tornaram totalmente acess\u00edveis. Esse \u00e9 o caso, por exemplo, do c\u00e1lculo do tempo de fala na m\u00eddia durante as campanhas presidenciais. H\u00e1 apenas dois anos, calcular com precis\u00e3o o tempo de fala de cada candidato era uma opera\u00e7\u00e3o tediosa. Hoje, gra\u00e7as ao uso da IA generativa, isso \u00e9 poss\u00edvel.<\/p>\n<\/div>
Com rela\u00e7\u00e3o aos recursos de computa\u00e7\u00e3o, h\u00e1 seis anos, a OpenAI publicou uma an\u00e1lise mostrando que, desde 2012, o volume de computa\u00e7\u00e3o usado nas sess\u00f5es de treinamento de IA mais significativas vem aumentando exponencialmente, com um tempo de duplica\u00e7\u00e3o de 3,4 meses (para compara\u00e7\u00e3o, a Lei de Moore teve um per\u00edodo de duplica\u00e7\u00e3o de dois anos). Desde 2012, essa medida aumentou em mais de 300.000 vezes (um per\u00edodo de duplica\u00e7\u00e3o de dois anos produziria apenas um aumento de sete vezes).<\/p>\n<\/div>
Os modelos de IA generativa geralmente exigem enormes quantidades de capacidade de computa\u00e7\u00e3o para treinamento, especialmente porque os modelos s\u00e3o projetados para serem generalistas e precisam de grandes quantidades de conte\u00fado para treinamento. Recursos de computa\u00e7\u00e3o poderosos, como GPUs ou TPUs de ponta, s\u00e3o necess\u00e1rios para processar grandes conjuntos de data e executar algoritmos de otimiza\u00e7\u00e3o complexos. A nova GPU NVIDIA A100 Tensor Core parece oferecer uma acelera\u00e7\u00e3o sem precedentes. De acordo com a Nvidia, a A100 oferece desempenho at\u00e9 20 vezes maior do que a gera\u00e7\u00e3o anterior e pode ser dividida em sete inst\u00e2ncias de GPU para se adaptar dinamicamente \u00e0s demandas vari\u00e1veis. Ela tamb\u00e9m ostenta a largura de banda de mem\u00f3ria mais r\u00e1pida do mundo, com mais de dois terabytes por segundo (TB\/s) para executar os maiores modelos e conjuntos data.<\/p>\n<\/div>
Deve-se observar que as melhorias na computa\u00e7\u00e3o t\u00eam sido um elemento fundamental para o progresso do artificial intelligence. Enquanto essa tend\u00eancia continuar, devemos estar preparados para as implica\u00e7\u00f5es dos sistemas que excedem em muito os recursos atuais e que ampliar\u00e3o ainda mais os limites, ao mesmo tempo em que ponderamos o valor que esses sistemas trazem em rela\u00e7\u00e3o aos custos em que incorrem, especialmente em termos de energia e meio ambiente. Discutiremos esses pontos em um artigo futuro.<\/p>\n<\/div>
A IA generativa melhora a diversidade, a qualidade e a quantidade dos resultados obtidos<\/h2><\/div>A IA generativa difere claramente da IA anterior em seu impacto sobre os resultados gerados por seus modelos. N\u00e3o apenas a quantidade de resultados gerados aumentou, mas tamb\u00e9m sua qualidade e diversidade. No entanto, todos esses aspectos positivos devem ser atenuados por uma menor reprodutibilidade dos modelos de IA generativa.<\/p>\n<\/div>
Se considerarmos a imagem de um quebra-cabe\u00e7a, a an\u00e1lise do data pode ser comparada \u00e0 sua montagem, em que cada pe\u00e7a do data representa uma pe\u00e7a a ser organizada para revelar uma imagem coerente. A IA desempenha um papel fundamental na tentativa de preencher o data que falta, usando as informa\u00e7\u00f5es dispon\u00edveis para inferir e recriar as pe\u00e7as que faltam. A IA generativa vai al\u00e9m de simplesmente completar o data existente, criando um novo data inspirado no que j\u00e1 existe. Esse processo expande os recursos de an\u00e1lise e permite que novas informa\u00e7\u00f5es sejam descobertas a partir do data existente, trazendo o aspecto generativo para o primeiro plano.<\/p>\n<\/div>
<\/span><\/div>Ao contr\u00e1rio das gera\u00e7\u00f5es anteriores de IA, que tendem a produzir resultados geralmente semelhantes, os modelos de IA generativa s\u00e3o capazes de gerar uma maior diversidade de resultados ao explorar diferentes varia\u00e7\u00f5es e alternativas. Essa maior diversidade possibilita a gera\u00e7\u00e3o de conte\u00fado mais rico e diversificado, passando do quantitativo para o qualitativo e abrangendo uma gama mais ampla de necessidades e prefer\u00eancias.<\/p>\n<\/div>
A OpenAI esteve recentemente em Hollywood para apresentar seu modelo mais recente, chamado \u201cSora\u201d, capaz de gerar v\u00eddeos a partir de texto. \u201cOuvir que ele pode fazer todas essas coisas \u00e9 uma coisa, mas ver de fato os recursos foi surpreendente\u201d, disse o produtor de Hollywood Mike Perry, destacando a diversidade e a qualidade dos recursos oferecidos pela IA generativa.<\/p>\n<\/div>
Entretanto, devido \u00e0 sua capacidade de explorar um espa\u00e7o mais amplo de possibilidades, os modelos de IA generativa podem ser menos reproduz\u00edveis do que as IAs anteriores, e a precis\u00e3o dos resultados fica comprometida. Em termos concretos, \u00e9 mais dif\u00edcil reproduzir exatamente os mesmos resultados toda vez que o modelo \u00e9 executado, o que pode representar desafios em termos de confiabilidade e previsibilidade em determinados aplicativos de miss\u00e3o cr\u00edtica.<\/p>\n<\/div>
Essa limita\u00e7\u00e3o constitui um grande desafio para os aplicativos de IA generativa que exigem respostas precisas. E \u00e9 uma \u00e1rea em que as empresas est\u00e3o trabalhando em seus desenvolvimentos atuais: especializar melhor os modelos em dom\u00ednios altamente espec\u00edficos para melhorar a precis\u00e3o das respostas e combinar a robustez dos modelos baseados em regras ou consultas em data estruturado com a facilidade de uso e a intera\u00e7\u00e3o com os usu\u00e1rios de IAs generativas, conectando esses \u00faltimos aos resultados dos primeiros.<\/p>\n<\/div>
Expectativas mais elevadas dos usu\u00e1rios finais<\/h2><\/div>Quando se trata de gerenciar as expectativas e o relacionamento dos usu\u00e1rios finais com a tecnologia, a IA generativa apresenta v\u00e1rios desafios espec\u00edficos. Devido \u00e0 sua capacidade de produzir resultados rapidamente, a IA generativa pode gerar expectativas particularmente altas. Por outro lado, a ocorr\u00eancia de alucina\u00e7\u00f5es e resultados indesej\u00e1veis pode minar muito a confian\u00e7a do usu\u00e1rio nessas solu\u00e7\u00f5es.<\/p>\n<\/div>
A IA generativa \u00e9 capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usu\u00e1rios finais a impress\u00e3o de que a tecnologia \u00e9 capaz de resolver todos os seus problemas de forma instant\u00e2nea e eficiente. Isso pode levar a expectativas desproporcionais sobre os recursos reais da IA generativa e \u00e0 decep\u00e7\u00e3o se os resultados n\u00e3o atenderem totalmente a essas altas expectativas.<\/p>\n<\/div>
\u00c9 claro que a IA generativa n\u00e3o \u00e9 perfeita e, \u00e0s vezes, pode produzir resultados inesperados ou indesej\u00e1veis, como conte\u00fado inconsistente, falso ou inadequado. A ocorr\u00eancia de tais resultados indesej\u00e1veis pode levar a uma perda de confian\u00e7a do usu\u00e1rio final na tecnologia, questionando sua confiabilidade e utilidade. Tamb\u00e9m pode gerar preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 seguran\u00e7a e \u00e0 privacidade quando resultados inesperados comprometem a integridade das informa\u00e7\u00f5es geradas pela IA generativa.<\/p>\n<\/div>
Em fevereiro de 2023, o chatbot Bard do Google (renomeado Gemini) forneceu informa\u00e7\u00f5es incorretas quando perguntado sobre as descobertas do Telesc\u00f3pio Espacial James Webb da NASA. Ele afirmou erroneamente que o telesc\u00f3pio havia tirado as primeiras fotos de um exoplaneta. Essa afirma\u00e7\u00e3o est\u00e1 incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telesc\u00f3pio James Webb s\u00f3 foi lan\u00e7ado em 2021 (fonte: equipe da CNET France, 2024).<\/p>\n<\/div>
Portanto, \u00e9 fundamental que os usu\u00e1rios finais dos sistemas de IA generativa estejam cientes de suas limita\u00e7\u00f5es. Portanto, a maioria das empresas que implementam essas solu\u00e7\u00f5es se esfor\u00e7a para dar suporte aos usu\u00e1rios em seu uso: treinamento na arte de solicitar, explicar as limita\u00e7\u00f5es desses sistemas, esclarecer quais expectativas podem ou n\u00e3o ser atendidas e lembr\u00e1-los das regras aplic\u00e1veis em termos de prote\u00e7\u00e3o data.<\/p>\n<\/div>
Mais de um ano ap\u00f3s o lan\u00e7amento do ChatGPT, as expectativas em rela\u00e7\u00e3o a essa nova tecnologia est\u00e3o mais altas do que nunca. No entanto, o valor associado a ela ainda n\u00e3o se materializou em casos de uso tang\u00edveis. Em nosso pr\u00f3ximo artigo, discutiremos t\u00f3picos relacionados \u00e0 ado\u00e7\u00e3o da tecnologia pelas empresas e como ela \u00e9 disseminada por toda a organiza\u00e7\u00e3o.<\/p>\n<\/div>
Sob a lideran\u00e7a de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Diretor de Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP de Solu\u00e7\u00f5es Digitais - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
A IA generativa difere claramente da IA anterior em seu impacto sobre os resultados gerados por seus modelos. N\u00e3o apenas a quantidade de resultados gerados aumentou, mas tamb\u00e9m sua qualidade e diversidade. No entanto, todos esses aspectos positivos devem ser atenuados por uma menor reprodutibilidade dos modelos de IA generativa.<\/p>\n<\/div>
Se considerarmos a imagem de um quebra-cabe\u00e7a, a an\u00e1lise do data pode ser comparada \u00e0 sua montagem, em que cada pe\u00e7a do data representa uma pe\u00e7a a ser organizada para revelar uma imagem coerente. A IA desempenha um papel fundamental na tentativa de preencher o data que falta, usando as informa\u00e7\u00f5es dispon\u00edveis para inferir e recriar as pe\u00e7as que faltam. A IA generativa vai al\u00e9m de simplesmente completar o data existente, criando um novo data inspirado no que j\u00e1 existe. Esse processo expande os recursos de an\u00e1lise e permite que novas informa\u00e7\u00f5es sejam descobertas a partir do data existente, trazendo o aspecto generativo para o primeiro plano.<\/p>\n<\/div>
<\/span><\/div>Ao contr\u00e1rio das gera\u00e7\u00f5es anteriores de IA, que tendem a produzir resultados geralmente semelhantes, os modelos de IA generativa s\u00e3o capazes de gerar uma maior diversidade de resultados ao explorar diferentes varia\u00e7\u00f5es e alternativas. Essa maior diversidade possibilita a gera\u00e7\u00e3o de conte\u00fado mais rico e diversificado, passando do quantitativo para o qualitativo e abrangendo uma gama mais ampla de necessidades e prefer\u00eancias.<\/p>\n<\/div>
A OpenAI esteve recentemente em Hollywood para apresentar seu modelo mais recente, chamado \u201cSora\u201d, capaz de gerar v\u00eddeos a partir de texto. \u201cOuvir que ele pode fazer todas essas coisas \u00e9 uma coisa, mas ver de fato os recursos foi surpreendente\u201d, disse o produtor de Hollywood Mike Perry, destacando a diversidade e a qualidade dos recursos oferecidos pela IA generativa.<\/p>\n<\/div>
Entretanto, devido \u00e0 sua capacidade de explorar um espa\u00e7o mais amplo de possibilidades, os modelos de IA generativa podem ser menos reproduz\u00edveis do que as IAs anteriores, e a precis\u00e3o dos resultados fica comprometida. Em termos concretos, \u00e9 mais dif\u00edcil reproduzir exatamente os mesmos resultados toda vez que o modelo \u00e9 executado, o que pode representar desafios em termos de confiabilidade e previsibilidade em determinados aplicativos de miss\u00e3o cr\u00edtica.<\/p>\n<\/div>
Essa limita\u00e7\u00e3o constitui um grande desafio para os aplicativos de IA generativa que exigem respostas precisas. E \u00e9 uma \u00e1rea em que as empresas est\u00e3o trabalhando em seus desenvolvimentos atuais: especializar melhor os modelos em dom\u00ednios altamente espec\u00edficos para melhorar a precis\u00e3o das respostas e combinar a robustez dos modelos baseados em regras ou consultas em data estruturado com a facilidade de uso e a intera\u00e7\u00e3o com os usu\u00e1rios de IAs generativas, conectando esses \u00faltimos aos resultados dos primeiros.<\/p>\n<\/div>
Expectativas mais elevadas dos usu\u00e1rios finais<\/h2><\/div>Quando se trata de gerenciar as expectativas e o relacionamento dos usu\u00e1rios finais com a tecnologia, a IA generativa apresenta v\u00e1rios desafios espec\u00edficos. Devido \u00e0 sua capacidade de produzir resultados rapidamente, a IA generativa pode gerar expectativas particularmente altas. Por outro lado, a ocorr\u00eancia de alucina\u00e7\u00f5es e resultados indesej\u00e1veis pode minar muito a confian\u00e7a do usu\u00e1rio nessas solu\u00e7\u00f5es.<\/p>\n<\/div>
A IA generativa \u00e9 capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usu\u00e1rios finais a impress\u00e3o de que a tecnologia \u00e9 capaz de resolver todos os seus problemas de forma instant\u00e2nea e eficiente. Isso pode levar a expectativas desproporcionais sobre os recursos reais da IA generativa e \u00e0 decep\u00e7\u00e3o se os resultados n\u00e3o atenderem totalmente a essas altas expectativas.<\/p>\n<\/div>
\u00c9 claro que a IA generativa n\u00e3o \u00e9 perfeita e, \u00e0s vezes, pode produzir resultados inesperados ou indesej\u00e1veis, como conte\u00fado inconsistente, falso ou inadequado. A ocorr\u00eancia de tais resultados indesej\u00e1veis pode levar a uma perda de confian\u00e7a do usu\u00e1rio final na tecnologia, questionando sua confiabilidade e utilidade. Tamb\u00e9m pode gerar preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 seguran\u00e7a e \u00e0 privacidade quando resultados inesperados comprometem a integridade das informa\u00e7\u00f5es geradas pela IA generativa.<\/p>\n<\/div>
Em fevereiro de 2023, o chatbot Bard do Google (renomeado Gemini) forneceu informa\u00e7\u00f5es incorretas quando perguntado sobre as descobertas do Telesc\u00f3pio Espacial James Webb da NASA. Ele afirmou erroneamente que o telesc\u00f3pio havia tirado as primeiras fotos de um exoplaneta. Essa afirma\u00e7\u00e3o est\u00e1 incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telesc\u00f3pio James Webb s\u00f3 foi lan\u00e7ado em 2021 (fonte: equipe da CNET France, 2024).<\/p>\n<\/div>
Portanto, \u00e9 fundamental que os usu\u00e1rios finais dos sistemas de IA generativa estejam cientes de suas limita\u00e7\u00f5es. Portanto, a maioria das empresas que implementam essas solu\u00e7\u00f5es se esfor\u00e7a para dar suporte aos usu\u00e1rios em seu uso: treinamento na arte de solicitar, explicar as limita\u00e7\u00f5es desses sistemas, esclarecer quais expectativas podem ou n\u00e3o ser atendidas e lembr\u00e1-los das regras aplic\u00e1veis em termos de prote\u00e7\u00e3o data.<\/p>\n<\/div>
Mais de um ano ap\u00f3s o lan\u00e7amento do ChatGPT, as expectativas em rela\u00e7\u00e3o a essa nova tecnologia est\u00e3o mais altas do que nunca. No entanto, o valor associado a ela ainda n\u00e3o se materializou em casos de uso tang\u00edveis. Em nosso pr\u00f3ximo artigo, discutiremos t\u00f3picos relacionados \u00e0 ado\u00e7\u00e3o da tecnologia pelas empresas e como ela \u00e9 disseminada por toda a organiza\u00e7\u00e3o.<\/p>\n<\/div>
Sob a lideran\u00e7a de:<\/em><\/p>\n<\/div>- <\/i><\/span>\n
Guillaume Lame - Diretor de Data - Natixis<\/em><\/p>\n<\/div><\/li>- <\/i><\/span>\n
Antoine Le Feuvre - VP de Solu\u00e7\u00f5es Digitais - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
Quando se trata de gerenciar as expectativas e o relacionamento dos usu\u00e1rios finais com a tecnologia, a IA generativa apresenta v\u00e1rios desafios espec\u00edficos. Devido \u00e0 sua capacidade de produzir resultados rapidamente, a IA generativa pode gerar expectativas particularmente altas. Por outro lado, a ocorr\u00eancia de alucina\u00e7\u00f5es e resultados indesej\u00e1veis pode minar muito a confian\u00e7a do usu\u00e1rio nessas solu\u00e7\u00f5es.<\/p>\n<\/div>
A IA generativa \u00e9 capaz de produzir resultados rapidamente e de forma automatizada, o que pode dar aos usu\u00e1rios finais a impress\u00e3o de que a tecnologia \u00e9 capaz de resolver todos os seus problemas de forma instant\u00e2nea e eficiente. Isso pode levar a expectativas desproporcionais sobre os recursos reais da IA generativa e \u00e0 decep\u00e7\u00e3o se os resultados n\u00e3o atenderem totalmente a essas altas expectativas.<\/p>\n<\/div>
\u00c9 claro que a IA generativa n\u00e3o \u00e9 perfeita e, \u00e0s vezes, pode produzir resultados inesperados ou indesej\u00e1veis, como conte\u00fado inconsistente, falso ou inadequado. A ocorr\u00eancia de tais resultados indesej\u00e1veis pode levar a uma perda de confian\u00e7a do usu\u00e1rio final na tecnologia, questionando sua confiabilidade e utilidade. Tamb\u00e9m pode gerar preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 seguran\u00e7a e \u00e0 privacidade quando resultados inesperados comprometem a integridade das informa\u00e7\u00f5es geradas pela IA generativa.<\/p>\n<\/div>
Em fevereiro de 2023, o chatbot Bard do Google (renomeado Gemini) forneceu informa\u00e7\u00f5es incorretas quando perguntado sobre as descobertas do Telesc\u00f3pio Espacial James Webb da NASA. Ele afirmou erroneamente que o telesc\u00f3pio havia tirado as primeiras fotos de um exoplaneta. Essa afirma\u00e7\u00e3o est\u00e1 incorreta, pois as primeiras fotos de um exoplaneta datam de 2004, enquanto o Telesc\u00f3pio James Webb s\u00f3 foi lan\u00e7ado em 2021 (fonte: equipe da CNET France, 2024).<\/p>\n<\/div>
Portanto, \u00e9 fundamental que os usu\u00e1rios finais dos sistemas de IA generativa estejam cientes de suas limita\u00e7\u00f5es. Portanto, a maioria das empresas que implementam essas solu\u00e7\u00f5es se esfor\u00e7a para dar suporte aos usu\u00e1rios em seu uso: treinamento na arte de solicitar, explicar as limita\u00e7\u00f5es desses sistemas, esclarecer quais expectativas podem ou n\u00e3o ser atendidas e lembr\u00e1-los das regras aplic\u00e1veis em termos de prote\u00e7\u00e3o data.<\/p>\n<\/div>
Mais de um ano ap\u00f3s o lan\u00e7amento do ChatGPT, as expectativas em rela\u00e7\u00e3o a essa nova tecnologia est\u00e3o mais altas do que nunca. No entanto, o valor associado a ela ainda n\u00e3o se materializou em casos de uso tang\u00edveis. Em nosso pr\u00f3ximo artigo, discutiremos t\u00f3picos relacionados \u00e0 ado\u00e7\u00e3o da tecnologia pelas empresas e como ela \u00e9 disseminada por toda a organiza\u00e7\u00e3o.<\/p>\n<\/div>
Sob a lideran\u00e7a de:<\/em><\/p>\n<\/div> Guillaume Lame - Diretor de Data - Natixis<\/em><\/p>\n<\/div><\/li> Antoine Le Feuvre - VP de Solu\u00e7\u00f5es Digitais - Suez<\/em><\/p>\n<\/div><\/li><\/ul><\/div><\/div><\/div><\/article>
![](\"https:\/\/artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"m\u00e9dio\\"")
<\/span><\/div>