Um relatório recente da consultoria global McKinsey projeta que a Inteligência Artificial Generativa (GenAI) deve adicionar até US$4,4 trilhões na economia mundial todos os anos. E grande parte desse valor deve vir de ganhos de produtividade em engenharia e desenvolvimento de software. As previsões relacionadas ao uso da IA realmente têm sido impulsionadas no mundo todo com o desenvolvimento da GenAI, modelo que utiliza Machine Learning e processamento de linguagem natural (NLP) para reconhecer um grande volume de dados, interpretar a relação entre palavras e gerar conteúdo e interação com humanos de forma mais precisa e rápida.
No entanto, a análise semântica de um maior volume de informações depende da avaliação e interpretação de contexto. “Imagine que você tenha contratado um chef renomado para cozinhar para o seu jantar. Mas você dá a ele a tarefa sem nenhuma informação sobre suas preferências, restrições alimentares ou a ocasião que está celebrando. O chef pode criar algo realmente extraordinário ou todos podem voltar para casa com fome”, exemplifica Zach Eslami, Gerente Sênior de Produtos da UiPath, uma empresa líder em automação corporativa e software de IA.
“A mesma coisa vale para empresas no universo da inteligência artificial. Uma organização pode ter os melhores profissionais do mercado, mas, sem aprender o contexto do negócio e do setor onde atua, eles não conseguirão ir muito longe e nem ensinar a GenAI o que deve ser assimilado”, diz Edgar Garcia, Vice-Presidente da UiPath para a América Latina.
Edgar explica que ferramentas de GenAI são alimentadas por grandes modelos de linguagem/idioma, os chamados LLMs – complexos sistemas de IA com habilidades de entendimento e raciocínio mais próximos aos dos humanos. “No entanto, assim como nós, estes sistemas só compreendem o que lhes é ensinado”.
Parece óbvio, mas muitas empresas ainda enfrentam desafios contextuais no repasse de dados necessários à tecnologia. Abaixo, a UiPath lista alguns deles.
Falta de contexto do negócio
Os LLMs por trás do GenAI são baseados em conjuntos de dados maciços, ancorados em conhecimento de domínio público, disponíveis na Internet. Um conhecimento estático, geralmente desatualizado e sem autoridade para abordar tarefas específicas de um ou outro setor. Este cenário resulta em respostas genéricas, por parte da tecnologia, que não atendem aos reais objetivos do negócio. Assim, os modelos GenAI geralmente lutam para responder a perguntas simples devido à falta de contextualização suficiente em indústrias ou áreas específicas.
Falta de habilidade ou de tempo
É possível alimentar modelos de GenAi dentro de um contexto mais preciso e assertivo ao negócio, por meio de métodos como o da engenharia imediata. No entanto, isso pode ser bastante trabalhoso e caro. “A maioria das empresas simplesmente não têm tempo, acesso a modelos avançados e a habilidades para a personalização e governança necessárias a sistemas para diferentes equipes de automação e IA”, diz Edgar.
Falta de transparência
Ferramentas de GenAI são chamadas de “caixas pretas” porque os LLMs são modelos com bilhões de complexos parâmetros semânticos que não explicam o raciocínio ou os dados de origem que impulsionam suas decisões. Simplificando, a GenAI não revela sua dinâmica de funcionamento, um problema para reguladores e clientes. A pouca transparência pode gerar falta de confiança em lideranças para o uso e repasse de dados.
Alucinações e falsos positivos
É claro que os modelos de IA podem cometer erros. “A GenAI pode ‘alucinar’, gerando respostas e insights convincentes, porém incorretos”, diz Edgar. Se estes resultados não forem revisados e verificados, as consequências podem ser bastante graves ao negócio e à sua reputação. Por isso, a GenAI precisa ser supervisionada de perto, dentro de qualquer fluxo de trabalho, e sob o contexto correto, que faz sentido ao negócio.
De acordo com a experiência da UiPath, para maximizar o valor da GenAI, as empresas precisam, portanto, de um método confiável, capaz de fundamentar os modelos de linguagem num contexto coerente com a operação. “Isso assegura ao sistema a informação específica, que importa, e reduz a margem de erros, melhorando a confiabilidade da tecnologia”, diz Edgar.
Segundo ele, a geração aumentada de recuperação (RAG) é um método útil para alimentar os modelos de IA na ótica de um contexto relevante, pois não está vinculada apenas a informações generalizadas e de domínio público, e busca ativamente o conhecimento de um conjunto específico de dados, intrínseco ao funcionamento de uma empresa, por exemplo. Ou seja, o método educa os modelos de GenAI, em uma espécie de curso intensivo sobre o negócio, indústria e setor.
“É por isso que o RAG é um componente fundamental para a GenAI. O método integra as camadas de confiança da plataforma UiPath AI, transformando os grandes grupos de linguagem (LLMs) em um conjunto mais especializado de informações, que vai gerar respostas mais precisas e coerentes com a empresa”, explica Edgar. Para a UiPath, aterrissar a tecnologia no contexto certo traz mais competitividade para o negócio ao melhorar seu desempenho e previsibilidade. Isto é, ao desmistificar a caixa preta.
Sobre a UiPath
A UiPath (NYSE: PATH) tem a missão de aprimorar a geração de valor para que mais pessoas possam trabalhar de forma mais criativa, colaborativa e estratégica. A UiPath Business Automation Platform, com a tecnologia de IA, combina a solução líder de automação robótica de processos (RPA), com um conjunto completo de recursos para entender, automatizar e operar processos de ponta a ponta, oferecendo uma relação exclusiva de criação de valor. Para organizações que precisam evoluir para sobreviver e prosperar em tempos de grandes mudanças, a UiPath é The Foundation of Innovation™.
Notícia distribuída pela saladanoticia.com.br. A Plataforma e Veículo não são responsáveis pelo conteúdo publicado, estes são assumidos pelo Autor(a):
Gisele de Cassia Berto Cabrera
[email protected]