As empresas precisam estar preparadas com a arquitetura de dados correta, e os próximos meses – anos, no máximo – serão críticos, afirma Irfan Khan, presidente e diretor de produtos da SAP Data & Analytics.
“A única previsão que alguém pode fazer com segurança é que não sabemos o que vai acontecer nos próximos anos, meses – ou mesmo semanas – com a IA”, diz ele. “Para conseguir ganhos rápidos agora, você precisa adotar uma mentalidade de IA e… fundamentar seus modelos de IA com dados confiáveis.”
Embora os dados sempre tenham sido importantes para os negócios, serão ainda mais na era da IA. As capacidades da IA de agência serão definidas mais pela solidez da arquitetura e governança de dados corporativos e menos pela evolução dos modelos. Para dimensionar a tecnologia, as empresas precisam adotar uma infraestrutura de dados moderna que forneça contexto junto com os dados.
Mais contexto de negócios, não necessariamente mais dados
As visões tradicionais geralmente combinam dados estruturados com alto valor e dados não estruturados com menos valor. No entanto, a IA complica essa distinção. Dados de alto valor para agentes são definidos menos pelo formato e mais pelo contexto de negócios. Os dados para funções críticas de negócios — como operações da cadeia de suprimentos e planejamento financeiro — dependem do contexto. Embora dados refinados e de alto volume, como IoT, logs e telemetria, possam gerar valor, mas somente quando entregues no contexto de negócios.
Por esse motivo, o risco real para a IA agente não é a falta de dados, mas sim a falta de fundamentação, diz Khan.
“Qualquer coisa que seja contextual ao negócio irá, por definição, proporcionar maior valor e maiores níveis de confiabilidade do resultado do negócio”, diz ele. “Não é tão simples quanto dizer que dados de alto valor são dados estruturados e dados de baixo valor são aqueles onde há muita repetição – ambos podem ter um valor enorme nas mãos certas, e é isso que há de diferente na IA.”
O contexto pode ser derivado através da integração com software, análise e enriquecimento no local ou através do pipeline de governação. Os dados sem essas qualidades provavelmente não serão confiáveis – uma das razões pelas quais dois terços dos líderes empresariais não confiam totalmente nos seus dados, de acordo com o Institute for Data and Enterprise AI (IDEA). A “dívida de confiança” resultante atrasou as empresas na sua busca pela preparação para a IA. Superar essa falta de confiança requer definições compartilhadas, consistência semântica e contexto operacional confiável para alinhar os dados com o significado do negócio.
A expansão de dados exige uma camada semântica e consciente dos negócios
Na última década, a mudança mais importante na arquitetura de dados empresariais foi a separação entre computação e armazenamento e flexibilidade em escala de nuvem, diz Khan. No entanto, essa separação e migração para a nuvem também criaram uma expansão, com dados alojados em múltiplas nuvens, data lakes, armazéns e uma infinidade de aplicações SaaS.
