Além do ChatGPT: O futuro da IA generativa para empresas

Empresas de capital de risco investiram mais de USD 1,7 bilhão em soluções de IA generativa (Generative AI) nos últimos três anos. Desse montante, a descoberta de medicamentos habilitada para inteligência artificial e a codificação de software de IA receberam a maior parte do financiamento. 

“Os primeiros modelos de base, como o ChatGPT, concentram-se na capacidade de a IA generativa aumentar o trabalho criativo. Contudo, até 2025, esperamos que mais de 30% de novos medicamentos e materiais sejam sistematicamente descobertos a partir de técnicas de IA generativa”, afirma Brian Burke, Vice-Presidente de Pesquisa para Inovação Tecnológica da Gartner. “E esse é apenas um exemplo de vários casos de uso do setor.”

Baixe agora: As 10 principais tendências estratégicas da Gartner para 2023

A IA generativa pode explorar muitos designs possíveis de um objeto para encontrar o modelo correto ou mais adequado. A tecnologia não só aumenta e acelera o modelo em muitas áreas, mas também tem o potencial de “inventar” novas ideias ou objetos que os os humanos, de outro modo, poderiam não ter pensado. 

O marketing e a mídia já estão sentindo os impactos da IA generativa. Os especialistas da Gartner esperam que:

• Até 2025, 30% das mensagens de marketing enviadas por organizações de grande porte serão geradas sinteticamente. Em 2022, esse número era inferior a 2%; 

• Até 2030, um filme de grande sucesso será criado com mais de 90% de imagens geradas por IA (texto para vídeo), acima dos 0% em 2022.

As inovações de IA aceleram e criam vários casos de uso para IA generativa em diversos setores. Entre eles, destacam-se os cinco exemplos a seguir.

De acordo com um estudo de 2010, o custo médio de produção de um medicamento, desde a descoberta até a comercialização, era de aproximadamente USD 1,8 bilhão. Desse valor, um terço representava os custos de descoberta do medicamento, que levava em torno de 3 a 6 anos para ser concluído.

A IA generativa já é empregada no design de medicamentos para diversos usos em poucos meses, oferecendo à indústria farmacêutica oportunidades significativas para reduzir tanto os custos quanto o cronograma da descoberta do medicamento.

A IA generativa está impactando os setores automotivo, aeroespacial, de defesa, médico, eletrônico e de energia, compondo materiais inteiramente novos com propriedades físicas específicas. O processo, chamado design reverso,  envolve a definição das propriedades necessárias e a descoberta de materiais que provavelmente têm essas propriedades, em vez de depender do acaso para encontrar os materiais adequados.

O resultado é que são encontrados, por exemplo, materiais mais condutores ou com maior atração magnética do que os atualmente usados em energia e transporte – ou para casos de uso em que os materiais precisam ser resistentes à corrosão.

A inteligência artificial generativa pode usar a aprendizagem por reforço, técnica de machine learning, para otimizar o posicionamento de componentes no design de chips semicondutores (planta baixa ou esquema de layout).

Dessa forma, ao usar a IA generativa, é possível reduzir o ciclo de vida de desenvolvimento do produto para horas, ao invés de semanas com especialistas humanos.

A IA generativa permite a criação de dados sintéticos, uma categoria de dados gerados artificialmente, em vez de obtidos a partir de observações diretas da realidade. Isso assegura a privacidade das fontes de dados originais usadas para treinar o modelo.

Por exemplo, dados de saúde podem ser gerados artificialmente para pesquisa e análise sem revelar a identidade de pacientes cujos registros médicos foram usados, protegendo assim sua privacidade.

A inteligência artificial generativa permite que setores como manufatura, automotivo, aeroespacial e defesa, criem peças otimizadas para atender a determinadas metas e limitações específicas, como em termos de desempenho, materiais e métodos de manufatura.

Por exemplo, montadoras de automóveis podem usar o design generativo para inovar e desenvolver modelos mais leves, contribuindo para suas metas de fabricar carros mais eficientes em termos de consumo de combustível.

A maioria dos sistemas de inteligência artificial atuais são classificadores, ou seja, podem ser treinados para distinguir diferentes imagens, por exemplo, cães e gatos. Os sistemas de IA generativa podem ser treinados para gerar uma imagem de um cão ou de um gato que não existe no mundo real. A capacidade criativa da tecnologia está mudando as regras do jogo.

A IA generativa permite que os sistemas criem artefatos de alto valor, por exemplo, vídeos, histórias, dados de treinamento e até mesmo designs e esquemas. 

A transformação generativa pré-treinada, ou Generative Pre-trained Transformer (GPT), por exemplo, é a tecnologia de processamento de linguagem natural em larga escala que usa aprendizagem profunda para produzir textos aparentemente escritos por humanos.

A terceira geração (GPT-3), que prevê a próxima palavra mais provável em uma frase, com base em seu treinamento acumulado, pode redigir histórias, canções, poesia e até mesmo código de computador, e possibilita que o ChatGPT faça a tarefa escolar do seu filho adolescente em segundos. Além do texto, geradores de imagem digital, como DALL·E 2, Stable Diffusion e Midjourney, podem criar imagens a partir de texto. 

Existem várias técnicas de inteligência artificial usadas em IA generativa. Contudo, mais recentemente, o foco tem sido em modelos fundamentais.

Os modelos fundamentais são pré-treinados a partir de fontes de dados gerais de forma autossupervisionada, permitindo que sejam adaptados posteriormente para solucionar novos problemas. Esses modelos são baseados, principalmente, em arquiteturas de transformação, que representam um tipo de arquitetura de rede neural profunda que processa uma representação numérica de dados de treinamento. 

As arquiteturas de transformação aprendem o contexto e, assim, o significado, rastreando relacionamentos em dados sequenciais. Os modelos de transformação aplicam um conjunto de técnicas matemáticas evolucionárias, chamadas de atenção ou auto-atenção, para detectar influências e interdependências sutis até mesmo entre os elementos de dados mais amplamente separados em uma série.

Lembre-se que a IA generativa apresenta apenas oportunidades para os negócios, mas as ameaças também são reais, incluindo o potencial para “deepfakes”, questões de direitos autorais e outros usos maliciosos da tecnologia de IA generativa direcionados contra a sua organização.

Trabalhe com os principais líderes de segurança e gestão de risco para minimizar proativamente riscos de reputação, fraude e políticos, apresentados por usos maliciosos de IA generativa para indivíduos, organizações e governos. 

Trabalhe com os principais gerentes de segurança e risco para reduzir proativamente os riscos de reputação, falsificação, fraude e políticos apresentados por usos maliciosos de IA generativa para indivíduos, organizações e governos.

Considere também a implementação de um guia sobre o uso responsável de IA generativa por meio de uma lista selecionada de provedores e serviços aprovados, priorizando aqueles que se esforçam para fornecer transparência nos conjuntos de dados de treinamento, utilização do modelo adequado e/ou oferecem seus modelos em código aberto.

Brian Burke é Vice-Presidente de Pesquisa para Inovação Tecnológica, com 25 anos de experiência em arquitetura empresarial e inovação tecnológica. Sua pesquisa concentra-se, principalmente, em detectar tendências de tecnologia estratégicas e emergentes. Ele se destacou como autor da pesquisa Principais tendências estratégicas de tecnologia e do Hype Cycle para tecnologias emergentes. Burke também é autor do livro “Gamify: How Gamification Motivates People to Do Extraordinary Things”.