Uma questão mais ampla é o domínio de AI generativa no discurso público, que ofuscou um pouco décadas de valiosas ferramentas não generativas. À medida que as equipes melhoram para enfrentar problemas de dados em escala actual em escala corporativa, é provável que vejamos uma mudança em direção a uma caixa de ferramentas mais equilibrada e pragmática-uma que combina modelos estatísticos, técnicas de otimização, dados estruturados e LLMs ou SLMs especializados, dependendo da tarefa.
De muitas maneiras, já estivemos aqui antes. Tudo ecoa o Period de “Engenharia de Recursos” de aprendizado de máquina Quando o sucesso não veio de um único avanço, mas de elaborar cuidadosamente os fluxos de trabalho, ajustar os componentes e escolher a técnica correta para cada desafio. Não foi fascinante, mas funcionou. E é aí que acredito que estamos indo novamente: em direção a uma abordagem mais madura e em camadas da IA. Idealmente, um com menos hype, mais integração e um foco renovado em combinar o que funciona para resolver problemas de negócios reais e sem serem presos demais nas linhas de tendência.
Afinal, o sucesso não vem de um único modelo. Assim como você não administraria um banco apenas em um banco de dados, você não pode criar IA corporativa com inteligência bruta isoladamente. Você precisa de uma camada de orquestração: pesquisa, recuperação, validação, roteamento, raciocínio e muito mais.