![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/tina-chace.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/akhilesh-kale.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/robyn-kiernan.jpg\")
Entendendo a linhagem Data: Explorando sua defini\u00e7\u00e3o e a crescente ado\u00e7\u00e3o nas organiza\u00e7\u00f5es<\/h2><\/div>No mundo atual do data-driven, entender a jornada do data - desde sua origem at\u00e9 seu destino final - \u00e9 mais crucial do que nunca. Esse recurso, conhecido como linhagem do data, oferece uma vis\u00e3o abrangente de como o data flui por uma organiza\u00e7\u00e3o, detalhando suas transforma\u00e7\u00f5es e depend\u00eancias ao longo do caminho. A linhagem do Data varia em termos de n\u00edveis de complexidade, com a \u201clinhagem grosseira\u201d demonstrando as transforma\u00e7\u00f5es de tabela para tabela e a \u201clinhagem fina\u201d no n\u00edvel do atributo. Esses ativos podem ser mapeados em ferramentas como o Solidatus, fornecendo um m\u00e9todo automatizado para criar uma vis\u00e3o geral clara das fontes, transforma\u00e7\u00f5es e uso do data. Na Artefact, nossas equipes projetam e constroem produtos data e de IA para nossos clientes dia ap\u00f3s dia, e a linhagem ajuda nossos clientes a responder a perguntas como: \u201cQuais sistemas est\u00e3o nos fornecendo esse saldo de clientes, j\u00e1 que ele parece impreciso?\u201d ou \u201cPor que meu modelo de propens\u00e3o a empr\u00e9stimos de clientes est\u00e1 apresentando resultados diferentes especificamente \u00e0s quartas-feiras?\u201d Seguimos uma metodologia meticulosamente estruturada em seis etapas para implantar a linhagem em escala, come\u00e7ando com uma avalia\u00e7\u00e3o abrangente do caso de uso comercial exclusivo e seu valor intr\u00ednseco. Esse processo culmina em uma implementa\u00e7\u00e3o perfeita, em que a manuten\u00e7\u00e3o cont\u00ednua e a ado\u00e7\u00e3o pelo usu\u00e1rio est\u00e3o integradas no n\u00facleo.<\/p>\n<\/div>
![\"Chart:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/Capture-decran-2024-11-21-115250.png\" "\\"Gr\u00e1fico:")
<\/span><\/div>As empresas utilizam a linhagem data por v\u00e1rios motivos importantes, sendo que a conformidade regulat\u00f3ria e o gerenciamento da qualidade data est\u00e3o em primeiro lugar. No setor de servi\u00e7os financeiros, uma linhagem data robusta \u00e9 essencial para atender aos rigorosos requisitos e princ\u00edpios de auditoria, como o BCBS 239, garantindo a ades\u00e3o \u00e0s normas de governan\u00e7a, arquitetura data, agrega\u00e7\u00e3o data de riscos, precis\u00e3o, integridade e frequ\u00eancia dos relat\u00f3rios de riscos. Por exemplo, em um caso de banco comercial, em que a avalia\u00e7\u00e3o de um fluxo de trabalho de relat\u00f3rio financeiro de hipoteca permite que uma empresa rastreie as origens e o consumo de data confidenciais.<\/p>\n<\/div>
![\"solidatus](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/unnamed-3.png\" "\\"Mapa")
<\/span><\/div>Al\u00e9m da conformidade, a linhagem do data \u00e9 uma ferramenta poderosa para melhorar a qualidade do data, permitindo que as organiza\u00e7\u00f5es rastreiem os problemas do data, validem a precis\u00e3o e mantenham a confian\u00e7a em seus sistemas de informa\u00e7\u00e3o. Este artigo abordar\u00e1 os meandros da linhagem do data, especificamente a linhagem grosseira, e explorar\u00e1 por que ela se tornou a pedra angular das estrat\u00e9gias modernas de gerenciamento do data.<\/p>\n<\/div>
O r\u00e1pido crescimento da IA nos servi\u00e7os financeiros: Oportunidades, desafios e o caminho a seguir<\/h2><\/div>Com base na import\u00e2ncia de entender o data, a Intelig\u00eancia Artificial (IA) est\u00e1 transformando o cen\u00e1rio moderno dos servi\u00e7os financeiros, simulando a intelig\u00eancia humana para realizar tarefas que exigem aprendizado e tomada de decis\u00f5es. As aplica\u00e7\u00f5es da IA s\u00e3o diversas e impactantes: a IA conversacional, como os chatbots, aprimora as intera\u00e7\u00f5es com os clientes; os assistentes de produtividade simplificam os fluxos de trabalho e automatizam as tarefas; e a an\u00e1lise automatizada do data acelera os insights de conjuntos complexos de data. Em agosto de 2024, a Lei de IA da Uni\u00e3o Europeia introduziu novas regulamenta\u00e7\u00f5es com o objetivo de garantir o uso \u00e9tico da IA e proteger os direitos dos usu\u00e1rios, destacando a mudan\u00e7a global em dire\u00e7\u00e3o \u00e0 implementa\u00e7\u00e3o respons\u00e1vel da IA. Esse desenvolvimento ressalta a necessidade crescente de as organiza\u00e7\u00f5es n\u00e3o apenas aproveitarem o poder da IA, mas tamb\u00e9m gerenciarem-na com uma supervis\u00e3o cuidadosa, complementando seus esfor\u00e7os na linhagem data e no gerenciamento da qualidade.<\/p>\n<\/div>
Embora o uso de IA generativa de c\u00f3digo aberto, como o ChatGPT, seja para uso pessoal, integrar a IA em uma organiza\u00e7\u00e3o e gerar valor real para os neg\u00f3cios \u00e9 um jogo diferente. A maioria das institui\u00e7\u00f5es financeiras est\u00e1 na corrida r\u00e1pida de produzir pilotos e POCs de IA Gen. No entanto, o dinheiro real s\u00f3 \u00e9 comprometido quando \u00e9 provado que elas acreditam que os benef\u00edcios potenciais s\u00e3o confi\u00e1veis e que o produto \u00e9 adequado para usu\u00e1rios comerciais e t\u00e9cnicos. Muitas institui\u00e7\u00f5es ainda est\u00e3o lutando para dimensionar essas tecnologias devido a preocupa\u00e7\u00f5es com a confiabilidade (74%), a ado\u00e7\u00e3o pelo usu\u00e1rio (60%)(1) e o conhecimento t\u00e9cnico insuficiente (60%). Uma estrutura de escalabilidade da Gen AI foi criada pelo Artefact para abordar as principais dimens\u00f5es de escalabilidade: Relev\u00e2ncia do resultado, explicabilidade, justi\u00e7a\/preconceito, lat\u00eancia, infraestrutura, efici\u00eancia organizacional e experi\u00eancia\/ado\u00e7\u00e3o do usu\u00e1rio.<\/p>\n<\/div>
No contexto da IA, a linhagem data oferece um valor comercial significativo, garantindo transpar\u00eancia e confiabilidade nas decis\u00f5es data-driven. Atualmente, mais de 75% dos consumidores est\u00e3o preocupados com informa\u00e7\u00f5es err\u00f4neas provenientes da IA(2). A IA \u00e9 muitas vezes chamada de \u201ccaixa preta\u201d, o que significa que os usu\u00e1rios finais frequentemente n\u00e3o entendem o funcionamento interno que produz o resultado que est\u00e3o usando regularmente. Como os sistemas de IA dependem cada vez mais de conjuntos vastos e complexos de data, entender as origens e as transforma\u00e7\u00f5es desse data \u00e9 fundamental para manter a precis\u00e3o e a confiabilidade. A linhagem do Data ajuda as organiza\u00e7\u00f5es a rastrear e validar o data que alimenta os modelos de IA, o que \u00e9 essencial para otimizar o desempenho do modelo e solucionar problemas como vi\u00e9s ou erros. Ao fornecer uma trilha de auditoria clara, a linhagem do data tamb\u00e9m apoia a conformidade com os regulamentos e aprimora o data governance, levando, em \u00faltima an\u00e1lise, a aplicativos de IA mais informados, confi\u00e1veis e \u00e9ticos que geram melhores resultados comerciais.<\/p>\n<\/div>
A linhagem Data em a\u00e7\u00e3o: Como ela poderia ter impulsionado o desenvolvimento de IA no mundo real<\/h2><\/div>A linhagem Data \u00e9 fundamental para atender aos requisitos regulamentares e legais em IA, especialmente de acordo com pol\u00edticas como a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA) e a Lei Gramm-Leach-Bliley (GLBA). Por exemplo, considere um caso de uso que envolve a rotatividade de clientes em uma empresa de servi\u00e7os financeiros. Nesse caso, o sistema n\u00e3o tinha pr\u00e1ticas padronizadas para tornar an\u00f4nimas as informa\u00e7\u00f5es privadas e n\u00e3o tinha uma linhagem de data para rastrear os fluxos de data. Como resultado, o enriquecimento do data para mascarar detalhes confidenciais foi realizado como uma \u00faltima etapa com governan\u00e7a m\u00ednima. Essa abordagem n\u00e3o apenas comprometia a privacidade do data, mas tamb\u00e9m expunha o sistema a riscos de conformidade. Se nossa organiza\u00e7\u00e3o parceira tivesse uma linhagem robusta de data no Solidatus, ela poderia ter rastreado onde o data estava sendo usado, capturado as transforma\u00e7\u00f5es do data, garantido a anonimiza\u00e7\u00e3o adequada em cada est\u00e1gio e atendido aos requisitos regulat\u00f3rios de forma mais eficaz, protegendo assim a privacidade e aprimorando o data governance.<\/p>\n<\/div>
A maioria das organiza\u00e7\u00f5es (80%) afirmou que seu data est\u00e1 pronto para uso em IA, mas mais da metade (52%)(3) teve problemas com a implementa\u00e7\u00e3o com base na qualidade de seu data. A linhagem do Data \u00e9 vital para garantir a qualidade do data no desenvolvimento de IA, pois fornece uma vis\u00e3o clara de como o data \u00e9 obtido, transformado e utilizado. No Artefact, entendemos o imperativo da prontid\u00e3o e da qualidade do data. Acreditamos em um modelo operacional de IA que desenvolve os requisitos t\u00e9cnicos simultaneamente com a prepara\u00e7\u00e3o e a governan\u00e7a do data necess\u00e1rias para implantar uma IA confi\u00e1vel em larga escala. Nossas equipes trabalharam em um modelo de previs\u00e3o de risco de cr\u00e9dito que dependia de v\u00e1rias tabelas data para avaliar o risco do tomador de empr\u00e9stimo. A equipe descobriu inconsist\u00eancias entre essas tabelas em suas investiga\u00e7\u00f5es preliminares, como discrep\u00e2ncias nos formatos do data ou informa\u00e7\u00f5es desatualizadas. Isso fazia com que o modelo ficasse distorcido e gerasse uma avalia\u00e7\u00e3o de risco imprecisa. Ao implementar a linhagem do data, a organiza\u00e7\u00e3o poderia rastrear as origens do data, identificar onde surgem as inconsist\u00eancias e garantir que as transforma\u00e7\u00f5es do data se alinhem aos padr\u00f5es de qualidade. Essa transpar\u00eancia ajuda a corrigir os problemas antes que eles afetem o modelo, levando a previs\u00f5es mais confi\u00e1veis e precisas e mantendo a integridade geral do sistema de IA.<\/p>\n<\/div>
A linhagem do Data aprimora a depura\u00e7\u00e3o, as melhorias e a reprodutibilidade do modelo de IA, oferecendo uma vis\u00e3o detalhada da jornada do data no processo de modelagem. Se um modelo estiver produzindo resultados inesperados, a linhagem do data ajuda a rastrear o data em todos os est\u00e1gios - desde a coleta at\u00e9 o pr\u00e9-processamento e a engenharia de recursos. Essa visibilidade permite que os cientistas do data identifiquem onde podem ter surgido problemas ou inconsist\u00eancias, facilitando a depura\u00e7\u00e3o precisa e melhorias direcionadas. Al\u00e9m disso, a \u201cAdapta\u00e7\u00e3o de Dom\u00ednio\u201d \u00e9 um m\u00e9todo comum de reutiliza\u00e7\u00e3o de componentes de algoritmos para reduzir o tempo e os recursos necess\u00e1rios para criar um modelo de IA do zero. A linhagem \u00e9 essencial para essa reprodutibilidade em diferentes itera\u00e7\u00f5es e experimentos, pois fornece a documenta\u00e7\u00e3o e o uso do data para os algoritmos.<\/p>\n<\/div>
Potencializando o sucesso da IA: Como a Artefact e a Solidatus est\u00e3o revolucionando o gerenciamento de Data para institui\u00e7\u00f5es financeiras<\/h2><\/div>Artefact<\/a> e Solidatus <\/a>s\u00e3o parceiros colaborativos, unidos na cren\u00e7a de que o gerenciamento eficaz do data \u00e9 essencial para o sucesso da IA. Akhilesh Kale, l\u00edder do Artefact em Servi\u00e7os Financeiros, afirma que \u201ca linhagem do data \u00e9 a espinha dorsal da confian\u00e7a nas institui\u00e7\u00f5es financeiras, proporcionando a integridade que \u00e9 fundamental em um cen\u00e1rio altamente complexo definido por suas press\u00f5es regulat\u00f3rias\u201d. Essa \u00eanfase na integridade do data \u00e9 fundamental para a forma como a experi\u00eancia do Artefact na execu\u00e7\u00e3o do data e da IA complementa o ambiente estruturado da Solidatus, que ajuda a gerenciar e armazenar a linhagem grosseira. Juntos, eles permitem que as institui\u00e7\u00f5es financeiras aumentem a transpar\u00eancia no data de origem dos modelos de IA. Como destaca Phil Yeoman, ex-Cardano, \u2019com a Solidatus, nosso patrim\u00f4nio data agora est\u00e1 mapeado, modelado e catalogado. Em uma \u00fanica visualiza\u00e7\u00e3o, posso mostrar \u00e0 empresa onde reside seu data, como ele flui pelos sistemas e aplicativos, quais regras de qualidade do data se aplicam e qual data est\u00e1 sujeito ao GDPR.\u201c Essa integra\u00e7\u00e3o perfeita de ferramentas e servi\u00e7os ressalta o poder transformador da linhagem data para IA. Ela simplifica a navega\u00e7\u00e3o em conformidade, garante a qualidade de primeira linha do data e aumenta a precis\u00e3o do modelo ao rastrear o data da origem ao destino. Essa rastreabilidade \u00e9 inestim\u00e1vel para atender \u00e0s normas regulat\u00f3rias, como a CCPA e a GLBA, al\u00e9m de ajudar a identificar inconsist\u00eancias do data que poderiam comprometer os modelos de IA. Al\u00e9m disso, Linhagem data<\/a> simplifica a depura\u00e7\u00e3o, aumenta o desempenho do modelo e garante resultados consistentes e confi\u00e1veis.<\/p>\n<\/div>Refer\u00eancias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 AI Statistics and Trends for (2024).\u201d Universidade Nacional, 30 de maio de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de setembro de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
No mundo atual do data-driven, entender a jornada do data - desde sua origem at\u00e9 seu destino final - \u00e9 mais crucial do que nunca. Esse recurso, conhecido como linhagem do data, oferece uma vis\u00e3o abrangente de como o data flui por uma organiza\u00e7\u00e3o, detalhando suas transforma\u00e7\u00f5es e depend\u00eancias ao longo do caminho. A linhagem do Data varia em termos de n\u00edveis de complexidade, com a \u201clinhagem grosseira\u201d demonstrando as transforma\u00e7\u00f5es de tabela para tabela e a \u201clinhagem fina\u201d no n\u00edvel do atributo. Esses ativos podem ser mapeados em ferramentas como o Solidatus, fornecendo um m\u00e9todo automatizado para criar uma vis\u00e3o geral clara das fontes, transforma\u00e7\u00f5es e uso do data. Na Artefact, nossas equipes projetam e constroem produtos data e de IA para nossos clientes dia ap\u00f3s dia, e a linhagem ajuda nossos clientes a responder a perguntas como: \u201cQuais sistemas est\u00e3o nos fornecendo esse saldo de clientes, j\u00e1 que ele parece impreciso?\u201d ou \u201cPor que meu modelo de propens\u00e3o a empr\u00e9stimos de clientes est\u00e1 apresentando resultados diferentes especificamente \u00e0s quartas-feiras?\u201d Seguimos uma metodologia meticulosamente estruturada em seis etapas para implantar a linhagem em escala, come\u00e7ando com uma avalia\u00e7\u00e3o abrangente do caso de uso comercial exclusivo e seu valor intr\u00ednseco. Esse processo culmina em uma implementa\u00e7\u00e3o perfeita, em que a manuten\u00e7\u00e3o cont\u00ednua e a ado\u00e7\u00e3o pelo usu\u00e1rio est\u00e3o integradas no n\u00facleo.<\/p>\n<\/div>
<\/span><\/div>As empresas utilizam a linhagem data por v\u00e1rios motivos importantes, sendo que a conformidade regulat\u00f3ria e o gerenciamento da qualidade data est\u00e3o em primeiro lugar. No setor de servi\u00e7os financeiros, uma linhagem data robusta \u00e9 essencial para atender aos rigorosos requisitos e princ\u00edpios de auditoria, como o BCBS 239, garantindo a ades\u00e3o \u00e0s normas de governan\u00e7a, arquitetura data, agrega\u00e7\u00e3o data de riscos, precis\u00e3o, integridade e frequ\u00eancia dos relat\u00f3rios de riscos. Por exemplo, em um caso de banco comercial, em que a avalia\u00e7\u00e3o de um fluxo de trabalho de relat\u00f3rio financeiro de hipoteca permite que uma empresa rastreie as origens e o consumo de data confidenciais.<\/p>\n<\/div>
<\/span><\/div>Al\u00e9m da conformidade, a linhagem do data \u00e9 uma ferramenta poderosa para melhorar a qualidade do data, permitindo que as organiza\u00e7\u00f5es rastreiem os problemas do data, validem a precis\u00e3o e mantenham a confian\u00e7a em seus sistemas de informa\u00e7\u00e3o. Este artigo abordar\u00e1 os meandros da linhagem do data, especificamente a linhagem grosseira, e explorar\u00e1 por que ela se tornou a pedra angular das estrat\u00e9gias modernas de gerenciamento do data.<\/p>\n<\/div>
O r\u00e1pido crescimento da IA nos servi\u00e7os financeiros: Oportunidades, desafios e o caminho a seguir<\/h2><\/div>Com base na import\u00e2ncia de entender o data, a Intelig\u00eancia Artificial (IA) est\u00e1 transformando o cen\u00e1rio moderno dos servi\u00e7os financeiros, simulando a intelig\u00eancia humana para realizar tarefas que exigem aprendizado e tomada de decis\u00f5es. As aplica\u00e7\u00f5es da IA s\u00e3o diversas e impactantes: a IA conversacional, como os chatbots, aprimora as intera\u00e7\u00f5es com os clientes; os assistentes de produtividade simplificam os fluxos de trabalho e automatizam as tarefas; e a an\u00e1lise automatizada do data acelera os insights de conjuntos complexos de data. Em agosto de 2024, a Lei de IA da Uni\u00e3o Europeia introduziu novas regulamenta\u00e7\u00f5es com o objetivo de garantir o uso \u00e9tico da IA e proteger os direitos dos usu\u00e1rios, destacando a mudan\u00e7a global em dire\u00e7\u00e3o \u00e0 implementa\u00e7\u00e3o respons\u00e1vel da IA. Esse desenvolvimento ressalta a necessidade crescente de as organiza\u00e7\u00f5es n\u00e3o apenas aproveitarem o poder da IA, mas tamb\u00e9m gerenciarem-na com uma supervis\u00e3o cuidadosa, complementando seus esfor\u00e7os na linhagem data e no gerenciamento da qualidade.<\/p>\n<\/div>
Embora o uso de IA generativa de c\u00f3digo aberto, como o ChatGPT, seja para uso pessoal, integrar a IA em uma organiza\u00e7\u00e3o e gerar valor real para os neg\u00f3cios \u00e9 um jogo diferente. A maioria das institui\u00e7\u00f5es financeiras est\u00e1 na corrida r\u00e1pida de produzir pilotos e POCs de IA Gen. No entanto, o dinheiro real s\u00f3 \u00e9 comprometido quando \u00e9 provado que elas acreditam que os benef\u00edcios potenciais s\u00e3o confi\u00e1veis e que o produto \u00e9 adequado para usu\u00e1rios comerciais e t\u00e9cnicos. Muitas institui\u00e7\u00f5es ainda est\u00e3o lutando para dimensionar essas tecnologias devido a preocupa\u00e7\u00f5es com a confiabilidade (74%), a ado\u00e7\u00e3o pelo usu\u00e1rio (60%)(1) e o conhecimento t\u00e9cnico insuficiente (60%). Uma estrutura de escalabilidade da Gen AI foi criada pelo Artefact para abordar as principais dimens\u00f5es de escalabilidade: Relev\u00e2ncia do resultado, explicabilidade, justi\u00e7a\/preconceito, lat\u00eancia, infraestrutura, efici\u00eancia organizacional e experi\u00eancia\/ado\u00e7\u00e3o do usu\u00e1rio.<\/p>\n<\/div>
No contexto da IA, a linhagem data oferece um valor comercial significativo, garantindo transpar\u00eancia e confiabilidade nas decis\u00f5es data-driven. Atualmente, mais de 75% dos consumidores est\u00e3o preocupados com informa\u00e7\u00f5es err\u00f4neas provenientes da IA(2). A IA \u00e9 muitas vezes chamada de \u201ccaixa preta\u201d, o que significa que os usu\u00e1rios finais frequentemente n\u00e3o entendem o funcionamento interno que produz o resultado que est\u00e3o usando regularmente. Como os sistemas de IA dependem cada vez mais de conjuntos vastos e complexos de data, entender as origens e as transforma\u00e7\u00f5es desse data \u00e9 fundamental para manter a precis\u00e3o e a confiabilidade. A linhagem do Data ajuda as organiza\u00e7\u00f5es a rastrear e validar o data que alimenta os modelos de IA, o que \u00e9 essencial para otimizar o desempenho do modelo e solucionar problemas como vi\u00e9s ou erros. Ao fornecer uma trilha de auditoria clara, a linhagem do data tamb\u00e9m apoia a conformidade com os regulamentos e aprimora o data governance, levando, em \u00faltima an\u00e1lise, a aplicativos de IA mais informados, confi\u00e1veis e \u00e9ticos que geram melhores resultados comerciais.<\/p>\n<\/div>
A linhagem Data em a\u00e7\u00e3o: Como ela poderia ter impulsionado o desenvolvimento de IA no mundo real<\/h2><\/div>A linhagem Data \u00e9 fundamental para atender aos requisitos regulamentares e legais em IA, especialmente de acordo com pol\u00edticas como a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA) e a Lei Gramm-Leach-Bliley (GLBA). Por exemplo, considere um caso de uso que envolve a rotatividade de clientes em uma empresa de servi\u00e7os financeiros. Nesse caso, o sistema n\u00e3o tinha pr\u00e1ticas padronizadas para tornar an\u00f4nimas as informa\u00e7\u00f5es privadas e n\u00e3o tinha uma linhagem de data para rastrear os fluxos de data. Como resultado, o enriquecimento do data para mascarar detalhes confidenciais foi realizado como uma \u00faltima etapa com governan\u00e7a m\u00ednima. Essa abordagem n\u00e3o apenas comprometia a privacidade do data, mas tamb\u00e9m expunha o sistema a riscos de conformidade. Se nossa organiza\u00e7\u00e3o parceira tivesse uma linhagem robusta de data no Solidatus, ela poderia ter rastreado onde o data estava sendo usado, capturado as transforma\u00e7\u00f5es do data, garantido a anonimiza\u00e7\u00e3o adequada em cada est\u00e1gio e atendido aos requisitos regulat\u00f3rios de forma mais eficaz, protegendo assim a privacidade e aprimorando o data governance.<\/p>\n<\/div>
A maioria das organiza\u00e7\u00f5es (80%) afirmou que seu data est\u00e1 pronto para uso em IA, mas mais da metade (52%)(3) teve problemas com a implementa\u00e7\u00e3o com base na qualidade de seu data. A linhagem do Data \u00e9 vital para garantir a qualidade do data no desenvolvimento de IA, pois fornece uma vis\u00e3o clara de como o data \u00e9 obtido, transformado e utilizado. No Artefact, entendemos o imperativo da prontid\u00e3o e da qualidade do data. Acreditamos em um modelo operacional de IA que desenvolve os requisitos t\u00e9cnicos simultaneamente com a prepara\u00e7\u00e3o e a governan\u00e7a do data necess\u00e1rias para implantar uma IA confi\u00e1vel em larga escala. Nossas equipes trabalharam em um modelo de previs\u00e3o de risco de cr\u00e9dito que dependia de v\u00e1rias tabelas data para avaliar o risco do tomador de empr\u00e9stimo. A equipe descobriu inconsist\u00eancias entre essas tabelas em suas investiga\u00e7\u00f5es preliminares, como discrep\u00e2ncias nos formatos do data ou informa\u00e7\u00f5es desatualizadas. Isso fazia com que o modelo ficasse distorcido e gerasse uma avalia\u00e7\u00e3o de risco imprecisa. Ao implementar a linhagem do data, a organiza\u00e7\u00e3o poderia rastrear as origens do data, identificar onde surgem as inconsist\u00eancias e garantir que as transforma\u00e7\u00f5es do data se alinhem aos padr\u00f5es de qualidade. Essa transpar\u00eancia ajuda a corrigir os problemas antes que eles afetem o modelo, levando a previs\u00f5es mais confi\u00e1veis e precisas e mantendo a integridade geral do sistema de IA.<\/p>\n<\/div>
A linhagem do Data aprimora a depura\u00e7\u00e3o, as melhorias e a reprodutibilidade do modelo de IA, oferecendo uma vis\u00e3o detalhada da jornada do data no processo de modelagem. Se um modelo estiver produzindo resultados inesperados, a linhagem do data ajuda a rastrear o data em todos os est\u00e1gios - desde a coleta at\u00e9 o pr\u00e9-processamento e a engenharia de recursos. Essa visibilidade permite que os cientistas do data identifiquem onde podem ter surgido problemas ou inconsist\u00eancias, facilitando a depura\u00e7\u00e3o precisa e melhorias direcionadas. Al\u00e9m disso, a \u201cAdapta\u00e7\u00e3o de Dom\u00ednio\u201d \u00e9 um m\u00e9todo comum de reutiliza\u00e7\u00e3o de componentes de algoritmos para reduzir o tempo e os recursos necess\u00e1rios para criar um modelo de IA do zero. A linhagem \u00e9 essencial para essa reprodutibilidade em diferentes itera\u00e7\u00f5es e experimentos, pois fornece a documenta\u00e7\u00e3o e o uso do data para os algoritmos.<\/p>\n<\/div>
Potencializando o sucesso da IA: Como a Artefact e a Solidatus est\u00e3o revolucionando o gerenciamento de Data para institui\u00e7\u00f5es financeiras<\/h2><\/div>Artefact<\/a> e Solidatus <\/a>s\u00e3o parceiros colaborativos, unidos na cren\u00e7a de que o gerenciamento eficaz do data \u00e9 essencial para o sucesso da IA. Akhilesh Kale, l\u00edder do Artefact em Servi\u00e7os Financeiros, afirma que \u201ca linhagem do data \u00e9 a espinha dorsal da confian\u00e7a nas institui\u00e7\u00f5es financeiras, proporcionando a integridade que \u00e9 fundamental em um cen\u00e1rio altamente complexo definido por suas press\u00f5es regulat\u00f3rias\u201d. Essa \u00eanfase na integridade do data \u00e9 fundamental para a forma como a experi\u00eancia do Artefact na execu\u00e7\u00e3o do data e da IA complementa o ambiente estruturado da Solidatus, que ajuda a gerenciar e armazenar a linhagem grosseira. Juntos, eles permitem que as institui\u00e7\u00f5es financeiras aumentem a transpar\u00eancia no data de origem dos modelos de IA. Como destaca Phil Yeoman, ex-Cardano, \u2019com a Solidatus, nosso patrim\u00f4nio data agora est\u00e1 mapeado, modelado e catalogado. Em uma \u00fanica visualiza\u00e7\u00e3o, posso mostrar \u00e0 empresa onde reside seu data, como ele flui pelos sistemas e aplicativos, quais regras de qualidade do data se aplicam e qual data est\u00e1 sujeito ao GDPR.\u201c Essa integra\u00e7\u00e3o perfeita de ferramentas e servi\u00e7os ressalta o poder transformador da linhagem data para IA. Ela simplifica a navega\u00e7\u00e3o em conformidade, garante a qualidade de primeira linha do data e aumenta a precis\u00e3o do modelo ao rastrear o data da origem ao destino. Essa rastreabilidade \u00e9 inestim\u00e1vel para atender \u00e0s normas regulat\u00f3rias, como a CCPA e a GLBA, al\u00e9m de ajudar a identificar inconsist\u00eancias do data que poderiam comprometer os modelos de IA. Al\u00e9m disso, Linhagem data<\/a> simplifica a depura\u00e7\u00e3o, aumenta o desempenho do modelo e garante resultados consistentes e confi\u00e1veis.<\/p>\n<\/div>Refer\u00eancias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 AI Statistics and Trends for (2024).\u201d Universidade Nacional, 30 de maio de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de setembro de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Com base na import\u00e2ncia de entender o data, a Intelig\u00eancia Artificial (IA) est\u00e1 transformando o cen\u00e1rio moderno dos servi\u00e7os financeiros, simulando a intelig\u00eancia humana para realizar tarefas que exigem aprendizado e tomada de decis\u00f5es. As aplica\u00e7\u00f5es da IA s\u00e3o diversas e impactantes: a IA conversacional, como os chatbots, aprimora as intera\u00e7\u00f5es com os clientes; os assistentes de produtividade simplificam os fluxos de trabalho e automatizam as tarefas; e a an\u00e1lise automatizada do data acelera os insights de conjuntos complexos de data. Em agosto de 2024, a Lei de IA da Uni\u00e3o Europeia introduziu novas regulamenta\u00e7\u00f5es com o objetivo de garantir o uso \u00e9tico da IA e proteger os direitos dos usu\u00e1rios, destacando a mudan\u00e7a global em dire\u00e7\u00e3o \u00e0 implementa\u00e7\u00e3o respons\u00e1vel da IA. Esse desenvolvimento ressalta a necessidade crescente de as organiza\u00e7\u00f5es n\u00e3o apenas aproveitarem o poder da IA, mas tamb\u00e9m gerenciarem-na com uma supervis\u00e3o cuidadosa, complementando seus esfor\u00e7os na linhagem data e no gerenciamento da qualidade.<\/p>\n<\/div>
Embora o uso de IA generativa de c\u00f3digo aberto, como o ChatGPT, seja para uso pessoal, integrar a IA em uma organiza\u00e7\u00e3o e gerar valor real para os neg\u00f3cios \u00e9 um jogo diferente. A maioria das institui\u00e7\u00f5es financeiras est\u00e1 na corrida r\u00e1pida de produzir pilotos e POCs de IA Gen. No entanto, o dinheiro real s\u00f3 \u00e9 comprometido quando \u00e9 provado que elas acreditam que os benef\u00edcios potenciais s\u00e3o confi\u00e1veis e que o produto \u00e9 adequado para usu\u00e1rios comerciais e t\u00e9cnicos. Muitas institui\u00e7\u00f5es ainda est\u00e3o lutando para dimensionar essas tecnologias devido a preocupa\u00e7\u00f5es com a confiabilidade (74%), a ado\u00e7\u00e3o pelo usu\u00e1rio (60%)(1) e o conhecimento t\u00e9cnico insuficiente (60%). Uma estrutura de escalabilidade da Gen AI foi criada pelo Artefact para abordar as principais dimens\u00f5es de escalabilidade: Relev\u00e2ncia do resultado, explicabilidade, justi\u00e7a\/preconceito, lat\u00eancia, infraestrutura, efici\u00eancia organizacional e experi\u00eancia\/ado\u00e7\u00e3o do usu\u00e1rio.<\/p>\n<\/div>
No contexto da IA, a linhagem data oferece um valor comercial significativo, garantindo transpar\u00eancia e confiabilidade nas decis\u00f5es data-driven. Atualmente, mais de 75% dos consumidores est\u00e3o preocupados com informa\u00e7\u00f5es err\u00f4neas provenientes da IA(2). A IA \u00e9 muitas vezes chamada de \u201ccaixa preta\u201d, o que significa que os usu\u00e1rios finais frequentemente n\u00e3o entendem o funcionamento interno que produz o resultado que est\u00e3o usando regularmente. Como os sistemas de IA dependem cada vez mais de conjuntos vastos e complexos de data, entender as origens e as transforma\u00e7\u00f5es desse data \u00e9 fundamental para manter a precis\u00e3o e a confiabilidade. A linhagem do Data ajuda as organiza\u00e7\u00f5es a rastrear e validar o data que alimenta os modelos de IA, o que \u00e9 essencial para otimizar o desempenho do modelo e solucionar problemas como vi\u00e9s ou erros. Ao fornecer uma trilha de auditoria clara, a linhagem do data tamb\u00e9m apoia a conformidade com os regulamentos e aprimora o data governance, levando, em \u00faltima an\u00e1lise, a aplicativos de IA mais informados, confi\u00e1veis e \u00e9ticos que geram melhores resultados comerciais.<\/p>\n<\/div>
A linhagem Data em a\u00e7\u00e3o: Como ela poderia ter impulsionado o desenvolvimento de IA no mundo real<\/h2><\/div>A linhagem Data \u00e9 fundamental para atender aos requisitos regulamentares e legais em IA, especialmente de acordo com pol\u00edticas como a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA) e a Lei Gramm-Leach-Bliley (GLBA). Por exemplo, considere um caso de uso que envolve a rotatividade de clientes em uma empresa de servi\u00e7os financeiros. Nesse caso, o sistema n\u00e3o tinha pr\u00e1ticas padronizadas para tornar an\u00f4nimas as informa\u00e7\u00f5es privadas e n\u00e3o tinha uma linhagem de data para rastrear os fluxos de data. Como resultado, o enriquecimento do data para mascarar detalhes confidenciais foi realizado como uma \u00faltima etapa com governan\u00e7a m\u00ednima. Essa abordagem n\u00e3o apenas comprometia a privacidade do data, mas tamb\u00e9m expunha o sistema a riscos de conformidade. Se nossa organiza\u00e7\u00e3o parceira tivesse uma linhagem robusta de data no Solidatus, ela poderia ter rastreado onde o data estava sendo usado, capturado as transforma\u00e7\u00f5es do data, garantido a anonimiza\u00e7\u00e3o adequada em cada est\u00e1gio e atendido aos requisitos regulat\u00f3rios de forma mais eficaz, protegendo assim a privacidade e aprimorando o data governance.<\/p>\n<\/div>
A maioria das organiza\u00e7\u00f5es (80%) afirmou que seu data est\u00e1 pronto para uso em IA, mas mais da metade (52%)(3) teve problemas com a implementa\u00e7\u00e3o com base na qualidade de seu data. A linhagem do Data \u00e9 vital para garantir a qualidade do data no desenvolvimento de IA, pois fornece uma vis\u00e3o clara de como o data \u00e9 obtido, transformado e utilizado. No Artefact, entendemos o imperativo da prontid\u00e3o e da qualidade do data. Acreditamos em um modelo operacional de IA que desenvolve os requisitos t\u00e9cnicos simultaneamente com a prepara\u00e7\u00e3o e a governan\u00e7a do data necess\u00e1rias para implantar uma IA confi\u00e1vel em larga escala. Nossas equipes trabalharam em um modelo de previs\u00e3o de risco de cr\u00e9dito que dependia de v\u00e1rias tabelas data para avaliar o risco do tomador de empr\u00e9stimo. A equipe descobriu inconsist\u00eancias entre essas tabelas em suas investiga\u00e7\u00f5es preliminares, como discrep\u00e2ncias nos formatos do data ou informa\u00e7\u00f5es desatualizadas. Isso fazia com que o modelo ficasse distorcido e gerasse uma avalia\u00e7\u00e3o de risco imprecisa. Ao implementar a linhagem do data, a organiza\u00e7\u00e3o poderia rastrear as origens do data, identificar onde surgem as inconsist\u00eancias e garantir que as transforma\u00e7\u00f5es do data se alinhem aos padr\u00f5es de qualidade. Essa transpar\u00eancia ajuda a corrigir os problemas antes que eles afetem o modelo, levando a previs\u00f5es mais confi\u00e1veis e precisas e mantendo a integridade geral do sistema de IA.<\/p>\n<\/div>
A linhagem do Data aprimora a depura\u00e7\u00e3o, as melhorias e a reprodutibilidade do modelo de IA, oferecendo uma vis\u00e3o detalhada da jornada do data no processo de modelagem. Se um modelo estiver produzindo resultados inesperados, a linhagem do data ajuda a rastrear o data em todos os est\u00e1gios - desde a coleta at\u00e9 o pr\u00e9-processamento e a engenharia de recursos. Essa visibilidade permite que os cientistas do data identifiquem onde podem ter surgido problemas ou inconsist\u00eancias, facilitando a depura\u00e7\u00e3o precisa e melhorias direcionadas. Al\u00e9m disso, a \u201cAdapta\u00e7\u00e3o de Dom\u00ednio\u201d \u00e9 um m\u00e9todo comum de reutiliza\u00e7\u00e3o de componentes de algoritmos para reduzir o tempo e os recursos necess\u00e1rios para criar um modelo de IA do zero. A linhagem \u00e9 essencial para essa reprodutibilidade em diferentes itera\u00e7\u00f5es e experimentos, pois fornece a documenta\u00e7\u00e3o e o uso do data para os algoritmos.<\/p>\n<\/div>
Potencializando o sucesso da IA: Como a Artefact e a Solidatus est\u00e3o revolucionando o gerenciamento de Data para institui\u00e7\u00f5es financeiras<\/h2><\/div>Artefact<\/a> e Solidatus <\/a>s\u00e3o parceiros colaborativos, unidos na cren\u00e7a de que o gerenciamento eficaz do data \u00e9 essencial para o sucesso da IA. Akhilesh Kale, l\u00edder do Artefact em Servi\u00e7os Financeiros, afirma que \u201ca linhagem do data \u00e9 a espinha dorsal da confian\u00e7a nas institui\u00e7\u00f5es financeiras, proporcionando a integridade que \u00e9 fundamental em um cen\u00e1rio altamente complexo definido por suas press\u00f5es regulat\u00f3rias\u201d. Essa \u00eanfase na integridade do data \u00e9 fundamental para a forma como a experi\u00eancia do Artefact na execu\u00e7\u00e3o do data e da IA complementa o ambiente estruturado da Solidatus, que ajuda a gerenciar e armazenar a linhagem grosseira. Juntos, eles permitem que as institui\u00e7\u00f5es financeiras aumentem a transpar\u00eancia no data de origem dos modelos de IA. Como destaca Phil Yeoman, ex-Cardano, \u2019com a Solidatus, nosso patrim\u00f4nio data agora est\u00e1 mapeado, modelado e catalogado. Em uma \u00fanica visualiza\u00e7\u00e3o, posso mostrar \u00e0 empresa onde reside seu data, como ele flui pelos sistemas e aplicativos, quais regras de qualidade do data se aplicam e qual data est\u00e1 sujeito ao GDPR.\u201c Essa integra\u00e7\u00e3o perfeita de ferramentas e servi\u00e7os ressalta o poder transformador da linhagem data para IA. Ela simplifica a navega\u00e7\u00e3o em conformidade, garante a qualidade de primeira linha do data e aumenta a precis\u00e3o do modelo ao rastrear o data da origem ao destino. Essa rastreabilidade \u00e9 inestim\u00e1vel para atender \u00e0s normas regulat\u00f3rias, como a CCPA e a GLBA, al\u00e9m de ajudar a identificar inconsist\u00eancias do data que poderiam comprometer os modelos de IA. Al\u00e9m disso, Linhagem data<\/a> simplifica a depura\u00e7\u00e3o, aumenta o desempenho do modelo e garante resultados consistentes e confi\u00e1veis.<\/p>\n<\/div>Refer\u00eancias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 AI Statistics and Trends for (2024).\u201d Universidade Nacional, 30 de maio de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de setembro de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
A linhagem Data \u00e9 fundamental para atender aos requisitos regulamentares e legais em IA, especialmente de acordo com pol\u00edticas como a Lei de Privacidade do Consumidor da Calif\u00f3rnia (CCPA) e a Lei Gramm-Leach-Bliley (GLBA). Por exemplo, considere um caso de uso que envolve a rotatividade de clientes em uma empresa de servi\u00e7os financeiros. Nesse caso, o sistema n\u00e3o tinha pr\u00e1ticas padronizadas para tornar an\u00f4nimas as informa\u00e7\u00f5es privadas e n\u00e3o tinha uma linhagem de data para rastrear os fluxos de data. Como resultado, o enriquecimento do data para mascarar detalhes confidenciais foi realizado como uma \u00faltima etapa com governan\u00e7a m\u00ednima. Essa abordagem n\u00e3o apenas comprometia a privacidade do data, mas tamb\u00e9m expunha o sistema a riscos de conformidade. Se nossa organiza\u00e7\u00e3o parceira tivesse uma linhagem robusta de data no Solidatus, ela poderia ter rastreado onde o data estava sendo usado, capturado as transforma\u00e7\u00f5es do data, garantido a anonimiza\u00e7\u00e3o adequada em cada est\u00e1gio e atendido aos requisitos regulat\u00f3rios de forma mais eficaz, protegendo assim a privacidade e aprimorando o data governance.<\/p>\n<\/div>
A maioria das organiza\u00e7\u00f5es (80%) afirmou que seu data est\u00e1 pronto para uso em IA, mas mais da metade (52%)(3) teve problemas com a implementa\u00e7\u00e3o com base na qualidade de seu data. A linhagem do Data \u00e9 vital para garantir a qualidade do data no desenvolvimento de IA, pois fornece uma vis\u00e3o clara de como o data \u00e9 obtido, transformado e utilizado. No Artefact, entendemos o imperativo da prontid\u00e3o e da qualidade do data. Acreditamos em um modelo operacional de IA que desenvolve os requisitos t\u00e9cnicos simultaneamente com a prepara\u00e7\u00e3o e a governan\u00e7a do data necess\u00e1rias para implantar uma IA confi\u00e1vel em larga escala. Nossas equipes trabalharam em um modelo de previs\u00e3o de risco de cr\u00e9dito que dependia de v\u00e1rias tabelas data para avaliar o risco do tomador de empr\u00e9stimo. A equipe descobriu inconsist\u00eancias entre essas tabelas em suas investiga\u00e7\u00f5es preliminares, como discrep\u00e2ncias nos formatos do data ou informa\u00e7\u00f5es desatualizadas. Isso fazia com que o modelo ficasse distorcido e gerasse uma avalia\u00e7\u00e3o de risco imprecisa. Ao implementar a linhagem do data, a organiza\u00e7\u00e3o poderia rastrear as origens do data, identificar onde surgem as inconsist\u00eancias e garantir que as transforma\u00e7\u00f5es do data se alinhem aos padr\u00f5es de qualidade. Essa transpar\u00eancia ajuda a corrigir os problemas antes que eles afetem o modelo, levando a previs\u00f5es mais confi\u00e1veis e precisas e mantendo a integridade geral do sistema de IA.<\/p>\n<\/div>
A linhagem do Data aprimora a depura\u00e7\u00e3o, as melhorias e a reprodutibilidade do modelo de IA, oferecendo uma vis\u00e3o detalhada da jornada do data no processo de modelagem. Se um modelo estiver produzindo resultados inesperados, a linhagem do data ajuda a rastrear o data em todos os est\u00e1gios - desde a coleta at\u00e9 o pr\u00e9-processamento e a engenharia de recursos. Essa visibilidade permite que os cientistas do data identifiquem onde podem ter surgido problemas ou inconsist\u00eancias, facilitando a depura\u00e7\u00e3o precisa e melhorias direcionadas. Al\u00e9m disso, a \u201cAdapta\u00e7\u00e3o de Dom\u00ednio\u201d \u00e9 um m\u00e9todo comum de reutiliza\u00e7\u00e3o de componentes de algoritmos para reduzir o tempo e os recursos necess\u00e1rios para criar um modelo de IA do zero. A linhagem \u00e9 essencial para essa reprodutibilidade em diferentes itera\u00e7\u00f5es e experimentos, pois fornece a documenta\u00e7\u00e3o e o uso do data para os algoritmos.<\/p>\n<\/div>
Potencializando o sucesso da IA: Como a Artefact e a Solidatus est\u00e3o revolucionando o gerenciamento de Data para institui\u00e7\u00f5es financeiras<\/h2><\/div>Artefact<\/a> e Solidatus <\/a>s\u00e3o parceiros colaborativos, unidos na cren\u00e7a de que o gerenciamento eficaz do data \u00e9 essencial para o sucesso da IA. Akhilesh Kale, l\u00edder do Artefact em Servi\u00e7os Financeiros, afirma que \u201ca linhagem do data \u00e9 a espinha dorsal da confian\u00e7a nas institui\u00e7\u00f5es financeiras, proporcionando a integridade que \u00e9 fundamental em um cen\u00e1rio altamente complexo definido por suas press\u00f5es regulat\u00f3rias\u201d. Essa \u00eanfase na integridade do data \u00e9 fundamental para a forma como a experi\u00eancia do Artefact na execu\u00e7\u00e3o do data e da IA complementa o ambiente estruturado da Solidatus, que ajuda a gerenciar e armazenar a linhagem grosseira. Juntos, eles permitem que as institui\u00e7\u00f5es financeiras aumentem a transpar\u00eancia no data de origem dos modelos de IA. Como destaca Phil Yeoman, ex-Cardano, \u2019com a Solidatus, nosso patrim\u00f4nio data agora est\u00e1 mapeado, modelado e catalogado. Em uma \u00fanica visualiza\u00e7\u00e3o, posso mostrar \u00e0 empresa onde reside seu data, como ele flui pelos sistemas e aplicativos, quais regras de qualidade do data se aplicam e qual data est\u00e1 sujeito ao GDPR.\u201c Essa integra\u00e7\u00e3o perfeita de ferramentas e servi\u00e7os ressalta o poder transformador da linhagem data para IA. Ela simplifica a navega\u00e7\u00e3o em conformidade, garante a qualidade de primeira linha do data e aumenta a precis\u00e3o do modelo ao rastrear o data da origem ao destino. Essa rastreabilidade \u00e9 inestim\u00e1vel para atender \u00e0s normas regulat\u00f3rias, como a CCPA e a GLBA, al\u00e9m de ajudar a identificar inconsist\u00eancias do data que poderiam comprometer os modelos de IA. Al\u00e9m disso, Linhagem data<\/a> simplifica a depura\u00e7\u00e3o, aumenta o desempenho do modelo e garante resultados consistentes e confi\u00e1veis.<\/p>\n<\/div>Refer\u00eancias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 AI Statistics and Trends for (2024).\u201d Universidade Nacional, 30 de maio de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de setembro de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Artefact<\/a> e Solidatus <\/a>s\u00e3o parceiros colaborativos, unidos na cren\u00e7a de que o gerenciamento eficaz do data \u00e9 essencial para o sucesso da IA. Akhilesh Kale, l\u00edder do Artefact em Servi\u00e7os Financeiros, afirma que \u201ca linhagem do data \u00e9 a espinha dorsal da confian\u00e7a nas institui\u00e7\u00f5es financeiras, proporcionando a integridade que \u00e9 fundamental em um cen\u00e1rio altamente complexo definido por suas press\u00f5es regulat\u00f3rias\u201d. Essa \u00eanfase na integridade do data \u00e9 fundamental para a forma como a experi\u00eancia do Artefact na execu\u00e7\u00e3o do data e da IA complementa o ambiente estruturado da Solidatus, que ajuda a gerenciar e armazenar a linhagem grosseira. Juntos, eles permitem que as institui\u00e7\u00f5es financeiras aumentem a transpar\u00eancia no data de origem dos modelos de IA. Como destaca Phil Yeoman, ex-Cardano, \u2019com a Solidatus, nosso patrim\u00f4nio data agora est\u00e1 mapeado, modelado e catalogado. Em uma \u00fanica visualiza\u00e7\u00e3o, posso mostrar \u00e0 empresa onde reside seu data, como ele flui pelos sistemas e aplicativos, quais regras de qualidade do data se aplicam e qual data est\u00e1 sujeito ao GDPR.\u201c Essa integra\u00e7\u00e3o perfeita de ferramentas e servi\u00e7os ressalta o poder transformador da linhagem data para IA. Ela simplifica a navega\u00e7\u00e3o em conformidade, garante a qualidade de primeira linha do data e aumenta a precis\u00e3o do modelo ao rastrear o data da origem ao destino. Essa rastreabilidade \u00e9 inestim\u00e1vel para atender \u00e0s normas regulat\u00f3rias, como a CCPA e a GLBA, al\u00e9m de ajudar a identificar inconsist\u00eancias do data que poderiam comprometer os modelos de IA. Al\u00e9m disso, Linhagem data<\/a> simplifica a depura\u00e7\u00e3o, aumenta o desempenho do modelo e garante resultados consistentes e confi\u00e1veis.<\/p>\n<\/div> (1) Prestianni, Timothy. \u201c131 AI Statistics and Trends for (2024).\u201d Universidade Nacional, 30 de maio de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n (2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de setembro de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\nRefer\u00eancias<\/h2><\/div>