Alcançar a próxima fase requer uma abordagem em três partes: estabelecer a confiança como princípio operacional, garantir a execução centrada em dados e cultivar uma liderança de TI capaz de dimensionar a IA com sucesso.
Confiança como pré-requisito para IA escalonável e de alto risco
Inferência confiável significa que os usuários podem realmente confiar nas respostas que obtêm dos sistemas de IA. Isso é importante para aplicações como geração de textos de marketing e implantação de chatbots de atendimento ao cliente, mas é absolutamente crítico para cenários de alto risco – digamos, um robô auxiliando durante cirurgias ou um veículo autônomo navegando em ruas movimentadas.
Qualquer que seja o caso de utilização, estabelecer confiança exigirá duplicar a qualidade dos dados; em primeiro lugar, os resultados da inferência devem ser construídos sobre bases confiáveis. Essa realidade informa um dos mantras preferidos de Partridge: “Dados ruins recebidos são iguais a inferências ruins.”
Reichenbach cita um exemplo real do que acontece quando a qualidade dos dados é insuficiente: o aumento de conteúdo não confiável gerado por IA, incluindo alucinações, que obstrui os fluxos de trabalho e força os funcionários a gastar um tempo significativo verificando os fatos. “Quando as coisas correm mal, a confiança diminui, os ganhos de produtividade não são alcançados e o resultado que procuramos não é alcançado”, afirma.
Por outro lado, quando a confiança é devidamente incorporada nos sistemas de inferência, os ganhos de eficiência e produtividade podem aumentar. Considere uma equipe de operações de rede encarregada de solucionar problemas de configurações. Com um mecanismo de inferência confiável, essa unidade ganha um copiloto confiável que pode fornecer recomendações mais rápidas, precisas e personalizadas – “um membro da equipe 24 horas por dia, 7 dias por semana, que eles não tinham antes”, diz Partridge.
A mudança para um pensamento centrado em dados e a ascensão da fábrica de IA
Na primeira onda de IA, as empresas correram para contratar cientistas de dados e muitas consideraram modelos sofisticados de trilhões de parâmetros como o objetivo principal. Mas hoje, à medida que as organizações avançam para transformar os primeiros pilotos em resultados reais e mensuráveis, o foco mudou para a engenharia e arquitetura de dados.
“Nos últimos cinco anos, o que se tornou mais significativo foi quebrar silos de dados, acessar fluxos de dados e desbloquear valor rapidamente”, diz Reichenbach. É uma evolução que acontece junto com a ascensão da fábrica de IA – a linha de produção sempre ativa onde os dados se movem através de pipelines e ciclos de feedback para gerar inteligência contínua.
Esta mudança reflete uma evolução do pensamento centrado em modelos para um pensamento centrado em dados, e com ela surge um novo conjunto de considerações estratégicas. “Tudo se resume a duas coisas: quanto da inteligência – o modelo em si – é realmente seu? E quanto da informação – os dados – é exclusivamente sua, proveniente de seus clientes, operações ou mercado?” diz Reichenbach.
