Entenda e explore a IA generativa com o novo radar de impacto da Gartner

Ao desenvolver produtos e serviços habilitados para IA generativa, a Gartner recomenda que você:

• Crie um plano de implementação e teste;

• Concentre-se primeiro nos casos de uso predominantes, aqueles que já estão proporcionando valor real aos usuários;

• Desenhe um plano de investimento que priorize oportunidades;

• Esforce-se para criar uma vantagem competitiva;

• Adie investimentos futuros e de longo prazo em IA generativa.

Este tema está no centro de ofertas de GenAI e destaca componentes elementares, como grandes modelos de linguagem (LLMs), além de abordagens inovadoras de modelos de negócios, como modelos como serviço (MaaS). As seguintes tecnologias e tendências se enquadram nesta categoria:

• LLMs leves podem oferecer suporte a casos de uso em que LLMs massivos (ou pesados) são inviáveis;

• LLMs de código aberto são modelos básicos de aprendizagem profunda que se distinguem pelos termos de uso, distribuição concedida aos desenvolvedores e acesso dos desenvolvedores ao código-fonte e à arquitetura do modelo;

• Cadeias de LLMs de vários estágios são bibliotecas que conectam diferentes LLMs a várias tarefas completas;

• Hubs de modelos são repositórios que hospedam modelos de aprendizado de máquina (ML) pré-treinados e prontamente disponíveis, inclusive modelos generativos;

• Modelos de IA de difusão são modelos generativos que utilizam variação probabilística para adicionar ruído a dados e, posteriormente, reverter o processo para novas amostras generativas de dados;

• Modelos de IA como serviço (AIMaaS) fornecem inferência e ajuste fino de modelos de IA, e são oferecidos como um serviço consumível por provedores de nuvem.

Este tema destaca o papel fundamental do usuário em reduzir os riscos e definir diretrizes para fornecedores gerenciarem a GenAI de modo responsável. As seguintes tecnologias e tendências se enquadram nesta categoria:

• A IA de usuário no circuito (UITL) é um fluxo de trabalho que requer que os usuários sejam incluídos em qualquer estágio do fluxo de desenvolvimento do sistema de IA;

• A gestão de alucinação se refere ao gerenciamento de incidentes quando o conteúdo gerado por LLM não tem sentido ou está nitidamente incorreto;

• A geração aumentada por recuperação (RAG) é um padrão de arquitetura que combina uma função de pesquisa com um recurso generativo para fundamentar a saída de conclusões generativas;

• Extensões de GenAI são ferramentas que aumentam os recursos dos modelos de GenAI, proporcionando aos modelos a capacidade de recuperar informações em tempo real, incorporar dados de negócios, executar novos tipos de cálculos e agir com segurança em nome do usuário;

• Ferramentas de engenharia de prompt fornecem informações, na forma de texto ou imagens, aos modelos de GenAI para especificar e confinar o conjunto de respostas que o modelo pode produzir;

• Detectores de procedência identificam se o conteúdo de texto, áudio ou vídeo foi produzido com uso de GenAI.

Este tema abrange algumas das etapas e decisões essenciais no desenvolvimento e avanço de um modelo de GenAI. As seguintes tecnologias e tendências se enquadram nesta categoria:

• Gráficos de conhecimento (KGs) são estruturas de dados legíveis por máquinas que representam conhecimentos dos mundos físico e digital, inclusive entidades e seus relacionamentos, que aderem a um modelo de dados de gráfico;

• Modelos de GenAI multimodal permitem diversos tipos de entradas e saídas de dados (como imagens, vídeos, áudio, texto e dados numéricos) em um único modelo generativo;

• Dados sintéticos gerados por IA são uma classe de dados geralmente derivados e extraídos de um conjunto de dados, mas gerados artificialmente, em vez de serem coletados de eventos do mundo real;

• Bancos de dados de vetores escaláveis proporcionam capacidade de pesquisa de vetor (semântica) e são utilizados conjuntamente com LLMs para aplicar a capacidade do modelo de modo a responder a linguagem natural com informações personalizadas ou específicas de uma empresa ou domínio;

• Ferramentas de engenharia de GenAI permitem que as empresas operacionalizem modelos mais rapidamente, equilibrando a governança e o tempo de lançamento no mercado.

Este tema se concentra na expectativa por aplicativos emergentes nos próximos três anos; alguns deles permitirão novos casos de uso, enquanto outros aprimorarão experiências já existentes. As seguintes tecnologias e tendências se enquadram nesta categoria:

• Gêmeos de simulação aproveitam o melhor de tecnologias de gêmeos digitais e probabilidades de IA;

• Aplicativos nativos com IA generativa consistem em softwares projetados com tecnologia e recursos de GenAI em sua essência;

• Ferramentas e agentes de fluxo de trabalho são funções que agentes (algoritmos e programas de IA) podem utilizar para interagir com o mundo;

• Aplicativos com GenAI incorporada são softwares já existentes que foram aperfeiçoados com a incorporação de recursos de GenAI para melhorar casos de uso ou oferecer outros;

• A modelagem molecular de IA emprega técnicas de simulação para testar rapidamente uma grande variedade de possíveis tratamentos ao modelar como diferentes compostos se vincularão e interagirão com moléculas direcionadas;

• Sistemas generativos multiagentes (MAGs) fundem agentes de software computacionais e LLMs para simular um ambiente de interações e comportamentos de sistemas complexos de múltiplos agentes;

• A geração de códigos de IA utiliza LLMs para geração de código com base em instruções de prompt enviadas por um usuário;

• Assistentes virtuais (VAs) habilitados para GenAI representam uma nova geração de VAs que utilizam LLMs para oferecer funcionalidades superiores.