A implantação de grandes modelos de linguagem no varejo não é uma solução mágica e pode haver uma incompatibilidade entre as expectativas das capacidades da tecnologia e o esforço necessário para orquestrar, gerenciar, atualizar e monitorar sistemas. Em alguns casos, as soluções determinísticas “tradicionais” são mais eficientes do que as fornecidas pela aprendizagem automática. O grau em que o aprendizado de máquina é apropriado tende a depender da natureza dos dados a serem processados e da velocidade com que as respostas devem ocorrer.
A detecção de fraude é um problema de classificação puro com entradas e saídas relativamente claras e é frequentemente considerada um ponto de partida adequado para LLMs: a saída de uma plataforma de segurança é binária e sua entrada é extraída de modelos existentes. A segmentação de compradores também é um ponto de entrada em projetos de implementação de LLM para alguns, com dados empíricos primários que não mudam significativamente ao longo do tempo. No entanto, a recomendação de produtos e a otimização da cadeia de abastecimento são mais complexas. Estes necessitam de conjuntos de dados ricos extraídos de muitas fontes, cada uma das quais pode apresentar dados que mudam rapidamente em diferentes formatos, necessitando de pipelines altamente sofisticados.
Muitos benchmarks do setor, como a proporção de vendas da Amazon atribuídas a recomendações, derivam de análises secundárias ou são produzidos pelos próprios fornecedores. Da mesma forma, os materiais de pesquisa das consultorias tendem a enfatizar a potencial de tecnologias de ponta no varejo, em vez de garantir resultados. Neste último caso, um certo grau de cobertura de apostas talvez seja aceitável, dada a variação nos detalhes operacionais no terreno entre os retalhistas.
Os decisores do setor procuram ativamente soluções para os seus problemas específicos e a implementação do ML é uma opção que lhes é apresentada diariamente. Uma grande proporção dos projetos de aprendizagem automática não consegue chegar à produção, mas isso pode dever-se à subestimação do esforço necessário para preparar dados, fornecer infraestruturas e dotar adequadamente a força de trabalho com as competências adequadas. Em certos casos, o preconceito afeta os dados dos consumidores e os modelos necessitam de monitorização contínua. Os varejistas estão realmente preparados para as eventualidades e questões específicas da implementação de operações de aprendizado de máquina em seu conjunto de circunstâncias? E em grandes operações que abrangem diversas lojas, uma solução para toda a frota se adapta a cada estabelecimento?
Os desafios são ampliados em configurações de ponta à medida que a escala e a variedade de operações aumentam. As implantações distribuídas precisam de um esquema de dados consistente, e os mecanismos para monitorar o desempenho podem usar centenas, senão milhares, de métricas e pontos de dados. Estes não são desafios específicos das soluções LLM; eles também afetarão plataformas determinísticas e “tradicionais”.
A abordagem recomendada para a implantação de IA no varejo de ponta é incremental. Sistemas estritamente definidos podem ser expandidos depois que o varejista se familiarizar com os novos modos de operação. Evidências de implementações empresariais noutros setores sugerem que projetos pequenos e bem definidos têm maior probabilidade de chegar à produção, mas é necessário repensar: alguns problemas serão resolvidos, mas os LLMs precisam de preparação e mudanças nas práticas de trabalho atuais. Para dar um único exemplo, quais são as ramificações da segurança cibernética ao permitir que um LLM tenha acesso a armazenamentos de dados em tempo actual para que possa informar melhor os clientes? Não é um problema simples de resolver sem aconselhamento especializado.
O aprendizado de máquina é uma ferramenta prática com restrições. Como ferramenta, depende de dados oportunos e de alta qualidade e necessita de desenvolvimento e monitorização iterativos. A inferência rápida e a infraestrutura para apoiá-la são necessárias na periferia, enquanto a formação (e possivelmente questões de orquestração mais amplas) pode ser um novo território para os retalhistas, e a procura de informações deve ser o primeiro passo na jornada.
(Fonte da imagem: “Store” da Firelknot está licenciado sob CC BY 2.0. Para visualizar uma cópia desta licença, visite https://creativecommons.org/licenses/by/2.0)
Quer aprender mais sobre IoT com os líderes do setor? Confira Exposição de tecnologia IoT acontecendo em Amsterdã, Califórnia e Londres. O evento abrangente faz parte TechEx e co-localizado com outros eventos de tecnologia líderes. Clique aqui para mais informações.
IoT Information é alimentado por Mídia TechForge. Discover outros eventos e webinars de tecnologia empresarial futuros aqui.