(Imagem do solo/Shutterstock)
Os humanos são propensos a procurar soluções rápidas e fáceis para os problemas da vida. A tendência à parcimônia provavelmente está programada em nosso DNA. Mas quando se trata de ter sucesso em IA generativa, não há soluções milagrosas. No entanto, focar em fundamentos, como boa governança de dados e gerenciamento de mudanças organizacionais, pode deixá-lo mais perto da meta GenAI.
Não faz muito tempo que o Hadoop period o salvador da tecnologia que colocaria todos no caminho para as riquezas eternas do massive knowledge. “Havia essa grande noção de ‘Ei, eu tenho esses dados, vamos pegar um pote de Hadoop e esfregar em nossos dados’”, é o maneira pungente que o analista da indústria Addison Snell, CEO da Intersecção360coloque-o em um dos Comunicações Tabor‘ conferências em 2019.
Desde que a OpenAI lançou o ChatGPT no mundo no remaining de 2022, o salvador da tecnologia do dia tem sido GenAI. Empresas de todos os setores estão se esforçando para desenvolver e usar modelos de linguagem grandes (LLMs) para construir chatbots, copilotos e outros aplicativos GenAI que irão agilizar as operações comerciais e turbinar a produtividade dos trabalhadores. Isso desencadeou a maior corrida do ouro da tecnologia desde Maçã lançou o smartphone em 2007.
Mas em algum lugar ao longo do caminho para a glória generativa pré-treinada, a realidade se instalou. Assim como o experimento Hadoop expôs algumas arestas, descobriu-se que obter valor comercial actual do GenAI é mais difícil do que o previsto originalmente. Parafraseando Snell, não podemos simplesmente pegar um pote de GPT e esfregá-lo em nossos dados (bem, podemos tentar, mas provavelmente não vai dar certo).
(sushikkui/Shutterstock)
Do Hype ao Slog
Em seu recente Hype Cycle para tecnologias emergentes, Gartner disse que a GenAI tem atingiu o Pico das Expectativas Infladase agora está descendo para o Trough of Disillusionment. Para os verdadeiros crentes da GenAI, isso significa que o trabalho duro de construir algo significativo a partir da tecnologia começou.
Apratim Purakayastha (AP), CTO da empresa de treinamento on-line Habilidadesoftjá viu a curva de entusiasmo da tecnologia emergente se concretizar na vida actual diversas vezes antes e diz que desta vez não será diferente.
“Observei isso durante anos com telefones celulares, com a nuvem e agora com IA generativa”, diz a AP. “Há um hype inicial significativo sobre ‘Isso vai mudar nossas vidas amanhã’. Então a realidade se instala e então há um trabalho árduo.”
O trabalho árduo neste caso é fazer o trabalho duro de fazer o GenAI funcionar. Isso significa encontrar casos de uso apropriados, combinar a tecnologia com as necessidades do negócio em vários setores e trabalhar diligentemente em tarefas específicas, diz a AP. Nem todo mundo vai conseguir passar pelo período de trabalho árduo, mas eventualmente alguns sairão do outro lado com aplicações GenAI bem-sucedidas, ele diz.
“Acredito que a IA generativa se sustentará”, ele diz. “Acho que é fundamentalmente uma revolução tecnológica. Levará apenas algum tempo para realmente se aplicar a vários casos de uso de negócios diferentes. Eventualmente, acho que seu impacto será bem grande.”
Gestão de Mudanças
A AP prevê um mundo onde redes de agentes autônomos de IA estão se comunicando entre si para atender às necessidades humanas, incluindo a execução de tarefas mundanas como agendamento, mas também tarefas complicadas como negociação de contratos. Eles agirão, não apenas gerarão palavras. Assim como os computadores em rede mudaram a sociedade, a GenAI em rede nos levará além de onde estamos hoje. “Acho que há possibilidades exponenciais”, diz a AP Datanami.
(TSViPhoto/Shutterstock)
Mas chegar a essa terra prometida não será fácil. Um dos blocos de construção fundamentais que as empresas precisarão para atingir o sucesso da GenAI é o gerenciamento de mudanças — não o gerenciamento de mudanças técnicas de DevOps e CI/CD, mas o gerenciamento de mudanças organizacionais de adotar algo novo.
“É muito mais do que habilidades tecnológicas. Habilidades tecnológicas serão um elemento”, diz a AP. “Mas acho que precisamos de muito mais habilidades humanas e habilidades de poder: empatia, compreensão da ética, conformidade, o que é justo e o que é injusto, o que é transparente e o que não é transparente, julgamento, pensamento crítico. Essas são todas as habilidades que acredito que serão cada vez mais procuradas à medida que este mundo evolui.”
A Skillsoft fez recentemente uma parceria com Microsoft e compartilhará suas aulas sobre gerenciamento de mudanças com a gigante da tecnologia.
“Até a Microsoft está percebendo que ter a melhor tecnologia nisso não é o critério de sucesso. O critério de sucesso está na adoção”, diz a AP. “É realmente enorme, porque sem gerenciamento de mudanças, você não obterá o ROI.”
Governança de dados para GenAI
Outro ingrediente crítico para o sucesso do GenAI é a governança de dados. Muitas empresas que lutaram para implementar o GenAI com sucesso relatam que o estado precário de seus dados é uma das principais causas dessas falhas.
“Acredito que muitas empresas estão descobrindo que seus dados não estão no melhor lugar para aproveitar algumas dessas coisas”, diz Tim Beerman, CTO da Ensonoum provedor de consultoria e serviços gerenciados para grandes empresas. “Não importa se você está fazendo ML, se está escrevendo apenas relatórios do Energy BI ou cubos de relatórios, ou agora se você queria usar o GenAI, você tem que ter dados realmente bons.”
(Cherdchai101/Shutterstock)
As empresas que tentaram seguir o caminho mais rápido e fácil e simplesmente aplicar um modelo LLM em seus dados descobriram da maneira mais difícil que ele não funciona muito bem.
“Você não quer pegar um copiloto e simplesmente abrir o aplicativo em todos os websites do SharePoint da empresa, porque então você começa a descobrir muito rapidamente que as coisas que todos nós deveríamos ter feito como profissionais de TI ao longo dos anos, como boas estratégias de gerenciamento de dados, não estão lá”, ele diz Datanami.
Coisas como a moeda do documento ou determinar qual é a versão mais recente de um documento parecem fáceis na teoria, mas podem ser difíceis de fazer na prática. Definir limites de segurança e controles RBAC em dados internos é essencial para garantir que uma empresa não esteja expondo inadvertidamente dados confidenciais por meio de um LLM.
“Esse tipo de coisa é realmente basic”, diz Beerman. “Se os clientes fizeram um trabalho realmente bom de gerenciamento de seus dados, é muito mais fácil. Mas se você não fez isso, então volte para boas práticas de dados, mesmo antes de começar a falar sobre Gen AI ou qualquer tipo de IA.”
A qualidade dos dados é a tarefa número um
A qualidade dos dados é basic para Sinitique hoje foi adquirida pela Capgemini. A empresa (anteriormente conhecida como Backoffice Associates) desenvolveu uma reputação por fornecer produtos e serviços que reforçam a qualidade dos dados, especialmente em migrações de massive knowledge, como SEIVA Implementações do S/4.
“Dados são um problema de negócios”, diz o CEO da Syniti, Kevin Campbell. “Eu sempre digo às pessoas, todo problema de negócios tem um problema de dados por baixo, ou todo problema de dados é um problema de negócios. E o problema é que ninguém quer gastar dinheiro para ter uma ótima governança.”
Campbell viu mais do que algumas grandes implementações de ERP e transformações digitais irem para o sul por falta de dados melhores. “A principal razão pela qual eles não entram no ar são os dados”, ele conta Datanami. “Os dados são o grande problema, e todo mundo está percebendo isso.”
(pichetw/Shutterstock)
Não há nada de mágico na abordagem da Syniti para ajudar as empresas a melhorar seus dados, diz Campbell. Em muitos casos, é voltar às fontes de dados para garantir que sejam de alta qualidade, depois monitorar as mudanças e a correção. “São apenas os fundamentos”, diz ele.
A Syniti segue uma receita para garantir alta qualidade de dados. O processo normalmente começa com uma migração de dados. Os controles são então implementados para melhorar a qualidade dos dados. O próximo passo é sustentar a alta qualidade dos dados. O passo remaining é atingir a governança de dados, onde você tem confiança de que um ciclo de vida de ponta a ponta para a qualidade dos dados foi firmemente estabelecido.
“Há outras maneiras de fazer isso, mas é mais difícil convencer as pessoas até que elas sintam a dor, e você pode explicar a elas em detalhes, com seus dados, por que isso está errado”, diz Campbell.
O esforço atual para desenvolver o GenAI está causando muita dor para os clientes, ele diz. As empresas estão embarcando em provas de conceito (POCs) do GenAI e descobrindo, para seu grande desgosto, que têm problemas de qualidade de dados na metade do caminho.
“Se seus dados não estiverem prontos para IA, sua empresa não estará pronta para IA”, diz Campbell. “A IA está expondo o que a maioria de nós já sabe há muito tempo, que é lixo que entra, lixo que sai. Então, se você tem dados ruins, você tem que trabalhar nisso.”
Itens relacionados:
A bolha da GenAI está finalmente estourando?
Sobre a origem do Enterprise Perception em um mundo rico em dados