Explore além da IA generativa: Hype Cycle para inteligência artificial 2024

Ao final de 2024, a maior parte do valor agregado terá origem em projetos baseados em técnicas de IA familiares com processos padronizados para facilitar a implementação – sejam técnicas autônomas ou combinadas com a IA generativa. Em vez de se concentrar exclusivamente na GenAI, os líderes de IA devem examinar técnicas compostas de IA que combinem abordagens de inovações em todos os estágios do Hype Cycle.

Entretanto, a IA generativa ainda tem o potencial de ser uma tecnologia transformadora e causar profundos impactos nos negócios em termos de descoberta de conteúdo, criação, autenticidade e regulamentação, automação do trabalho humano e experiências do funcionário e do cliente.

A GenAI ainda enfrenta desafios, incluindo questões éticas e sociais, limitação das práticas recomendadas de segurança e usos nefastos, como deep fakes e desinformação. 

Tendo em conta o elevado volume e a grande escala dos projetos de inteligência artificial, os líderes de IA precisam expandir o foco da tecnologia para além das conversas técnicas. É uma boa ideia que as organizações dediquem uma atenção considerável às áreas ao redor da IA, como governança, propriedade do risco, segurança e minimização da dívida técnica.

A governança de dados – ou seja, a garantia de que os dados de treinamento da IA de uma empresa sejam precisos, completos, sem vieses e reflitam sua implementação futura sem uma restrição excessiva do escopo – é um dos maiores obstáculos na corrida pela adoção da IA composta.

Isso traz um novo desafio: à medida que a IA está cada vez mais presente nos processos empresariais, as organizações que a adotam enfrentarão maior fiscalização regulatória, especialmente no que se refere à ética nos negócios e às leis de privacidade de dados.

Até mesmo quando uma empresa adota com segurança um modelo de IA e alcança conformidade regulatória, escalabilidade e complexidade técnica e organizacional, o baixo nível de aceitação e adoção por parte dos usuários e dificuldades imprevistas podem atrapalhar a implementação da IA em toda a empresa.

A IA composta representa a próxima fase na evolução da inteligência artificial. Ela combina metodologias de IA, como aprendizado de máquina, processamento de linguagem natural e grafos de conhecimento, para criar soluções mais adaptáveis e expansíveis.

Tal abordagem capacita as empresas a maximizar o impacto de suas iniciativas de IA, o que resulta em decisões, automações e previsões mais precisas, até mesmo em ambientes complexos. A IA composta é especialmente poderosa em comparação às formas singulares de IA, pois ela não depende de uma única técnica. Assim, os pontos de falha são distribuídos entre múltiplas técnicas, em vez de se concentrar em apenas uma.

Por exemplo, a integração de sistemas baseados em regras com o aprendizado de máquina permite que as empresas aprimorem o processamento de dados não estruturados. Isso eleva a capacidade de derivar insights a partir de diversos conjuntos de dados. Com a adoção da IA composta, as organizações conseguem resolver problemas que eram complexos demais para modelos de IA baseados em uma única técnica.

Os dois maiores destaques no Hype Cycle deste ano são a engenharia de IA e os grafos de conhecimento. 

A engenharia de IA é a base para o fornecimento empresarial da IA e da IA generativa em escala. A maioria das organizações não têm as bases de dados, análise e software para mover projetos de IA individuais para a produção em escala – e muito menos para operar um portfólio de soluções de IA em escala. As abordagens de engenharia de IA, como DataOps, ModelOps e DevOps, possibilitam colocar modelos em produção seguindo uma abordagem de modelo de fábrica reproduzível e estruturada.

Os grafos de conhecimento são representações legíveis por máquina dos mundos físico e digital. Eles captam informações em um formato visualmente intuitivo e ainda são capazes de representar relações complexas. É importante destacar que os gráficos oferecem lógica confiável e raciocínio explicável (diferentemente da GenAI, que tem funcionalidades preditivas falíveis, mas poderosas).