Embora a perspectiva de a IA atuar como um colega de trabalho digital tenha dominado a agenda do primeiro dia na AI & Big Data Expo e na Conferência de Automação Inteligente, as sessões técnicas focaram na infraestrutura para fazê-la funcionar.
Um tópico principal na exposição foi a progressão da automação passiva para sistemas “agentes”. Essas ferramentas raciocinam, planejam e executam tarefas em vez de seguir scripts rígidos. Amal Makwana, do Citi, detalhou como esses sistemas atuam nos fluxos de trabalho empresariais. Esse recurso os separa da automação de processos robóticos (RPA) anterior.
Scott Ivell e Ire Adewolu do DeepL descreveram este desenvolvimento como uma forma de preencher a “lacuna de automação”. Eles argumentaram que a IA agente funciona como um colega de trabalho digital, e não como uma simples ferramenta. O valor real é desbloqueado reduzindo a distância entre a intenção e a execução. Brian Halpin, da SS&C Blue Prism, observou que as organizações normalmente devem dominar a automação padrão antes de poderem implantar IA de agente.
Esta mudança requer quadros de governação capazes de lidar com resultados não determinísticos. Steve Holyer, da Informatica, ao lado de palestrantes da MuleSoft e da Salesforce, argumentou que a arquitetura desses sistemas requer supervisão rigorosa. Uma camada de governança deve controlar como os agentes acessam e utilizam os dados para evitar falhas operacionais.
A qualidade dos dados bloqueia a implantação
A saída de um sistema autônomo depende da qualidade de sua entrada. Andreas Krause, da SAP, afirmou que a IA falha sem dados empresariais confiáveis e conectados. Para que a GenAI funcione num contexto corporativo, deve aceder a dados que sejam precisos e contextualmente relevantes.
Meni Meller, da Gigaspaces, abordou o desafio técnico das “alucinações” nos LLMs. Ele defendeu o uso de eRAG (geração aumentada de recuperação) combinado com camadas semânticas para corrigir problemas de acesso a dados. Essa abordagem permite que os modelos recuperem dados corporativos factuais em tempo real.
O armazenamento e a análise também apresentam desafios. Um painel com representantes da Equifax, British Gas e Centrica discutiu a necessidade de análises nativas da nuvem e em tempo real. Para estas organizações, a vantagem competitiva advém da capacidade de executar estratégias analíticas que sejam escaláveis e imediatas.
Segurança física e observabilidade
A integração da IA estende-se a ambientes físicos, introduzindo riscos de segurança que diferem das falhas de software. Um painel incluindo Edith-Clare Hall da ARIA e Matthew Howard do IEEE RAS examinou como a IA incorporada é implantada em fábricas, escritórios e espaços públicos. Protocolos de segurança devem ser estabelecidos antes robôs interagem com humanos.
Perla Maiolino, do Oxford Robotics Institute, forneceu uma perspectiva técnica sobre este desafio. Sua pesquisa em sensores de tempo de voo (ToF) e pele eletrônica visa dar aos robôs autoconsciência e consciência ambiental. Para indústrias como manufatura e logística, esses sistemas de percepção integrados evitam acidentes.
No desenvolvimento de software, a observabilidade continua sendo uma preocupação paralela. Yulia Samoylova, da Datadog, destacou como a IA muda a maneira como as equipes criam e solucionam problemas de software. À medida que os sistemas se tornam mais autónomos, a capacidade de observar o seu estado interno e os processos de raciocínio torna-se necessária para a fiabilidade.
Barreiras de infraestrutura e adoção
A implementação exige infraestrutura confiável e uma cultura receptiva. Julian Skeels, da Expereo, argumentou que as redes devem ser projetadas especificamente para cargas de trabalho de IA. Isso envolve a construção de malhas de rede soberanas, seguras e “sempre ativas”, capazes de lidar com alto rendimento.
É claro que o elemento humano permanece imprevisível. Paul Fermor, da IBM Automation, alertou que o pensamento de automação tradicional muitas vezes subestima a complexidade da adoção da IA. Ele chamou isso de “ilusão de prontidão para IA”. Jena Miller reforçou este ponto, observando que as estratégias devem ser centradas no ser humano para garantir a adoção. Se a força de trabalho não confiar nas ferramentas, a tecnologia não terá retorno.
Ravi Jay, da Sanofi, sugeriu que os líderes precisam fazer perguntas operacionais e éticas no início do processo. O sucesso depende de decidir onde construir soluções proprietárias versus onde comprar plataformas estabelecidas.
As sessões do primeiro dia dos eventos co-localizados indicam que, embora a tecnologia esteja a evoluir em direcção a agentes autónomos, a implementação requer uma base de dados sólida.
Os CIOs devem concentrar-se no estabelecimento de estruturas de governação de dados que apoiem a geração de recuperação aumentada. A infraestrutura de rede deve ser avaliada para garantir que suporta os requisitos de latência das cargas de trabalho dos agentes. Finalmente, as estratégias de adopção cultural devem ser paralelas à implementação técnica.
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e está localizado junto com outros eventos de tecnologia líderes, incluindo o Cyber Security & Cloud Expo. Clique aqui para mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
