Nos últimos anos, a inteligência artificial revolucionou inegavelmente vários setores da economia digital, como o varejo, o atendimento ao cliente e até mesmo a arte. Grandes modelos de linguagem, como o ChatGPT, estão mudando a comunicação e oferecem soluções inovadoras para as empresas. No entanto, existe um segmento crítico da nossa economia que ainda não abraçou plenamente o potencial da IA – a economia física.
A economia física abrange as indústrias que transportam mercadorias, abastecem as nossas casas, cultivam os nossos alimentos e mantêm a infra-estrutura que mantém a sociedade a funcionar. Isso inclui setores como transporte e logística, construção, energia, serviços de campo e muito mais. Tal como as ferramentas generativas de IA transformaram as aplicações centradas no consumidor, também podem remodelar substancialmente a forma como desenvolvemos produtos orientados pela IA para a economia física.
Um dos desafios mais prementes que as empresas que operam na economia física enfrentam é a segurança. Neste contexto, a IA generativa aplicada à visão computacional pode emergir como um dos avanços mais significativos, com potencial para remodelar estas indústrias nas próximas décadas.
Construindo modelos de IA altamente precisos para visão computacional
Construir modelos de IA altamente precisos para detectar uma grande variedade de comportamentos, especialmente quando se trata de trabalhadores físicos, requer muitos dados. O desafio aqui é que os cenários para os quais estes dados são necessários são muitas vezes perigosos e difíceis de obter. É aqui que o poder da IA generativa passa de útil a indispensável.
Ao contrário dos modelos de IA discriminativos que fazem previsões com base em dados existentes, a IA generativa sintetiza dados inteiramente novos. Esses conjuntos de dados sintéticos podem treinar com eficácia modelos que são difíceis, se não impossíveis, de construir por meio de fontes de dados do mundo real devido à dispersão, complexidade ou mesmo perigo. Por exemplo:
- Para criar um modelo para alertar os condutores sobre infrações de trânsito utilizando fontes de dados tradicionais, seria necessário cometer essas infrações, registá-las e criar um conjunto de dados. Este processo é inerentemente perigoso, para não mencionar demorado e caro. Mas, de acordo com a Administração Rodoviária Federal, mais de 50% dos acidentes com mortes ou feridos ocorrem em cruzamentos ou perto deles devido a problemas como esses, destacando a importância de encontrar soluções.
- Na mesma linha, o desenvolvimento de modelos de IA para prever e detectar cenários críticos, como colisões, requer a obtenção de dados que capturem tais cenários. Simular condições perigosas, como um cervo correndo para a estrada, uma falha de equipamento em um canteiro de obras ou pedras deslizando por uma encosta em direção a um veículo, é muito difícil de replicar com precisão para criar conjuntos de dados de treinamento.
- Ser capaz de detectar e sinalizar com precisão quando uma peça de maquinário de alto valor está com defeito ou sendo mal manuseada pode ter um impacto tremendo na segurança do trabalhador. As mortes por “atropelamento” nos locais de trabalho são uma das principais causas de mortes nos locais de trabalho e estima-se que 75% sejam causadas por máquinas pesadas. Mas construir uma detecção robusta alimentada por IA para monitorar isso requer o fornecimento de dados para movimento, operação mecânica e uso do trabalhador, tornando-se um desafio complexo e multifacetado.
A IA generativa nos permite gerar conjuntos de dados sintéticos e realistas para casos de uso diversos e desafiadores. Os desenvolvedores podem incorporar dados auxiliares e contexto adicional, como condições da estrada, condições do local de trabalho, localização geográfica, interações de atendimento ao cliente e outras entradas para criar conjuntos de dados ricos, com os quais podemos treinar novos modelos capazes de detectar e alertar problemas sem a necessidade para que incidentes reais ocorram.
Desbloqueie o potencial da IA generativa em negócios físicos
Para tornar o potencial da IA generativa uma realidade para uma empresa física, dois elementos cruciais entram em jogo: pessoas e dados.
Investir em uma equipe altamente qualificada é uma pré-condição para o sucesso de qualquer negócio. Também é fundamental ter uma diversidade de conhecimentos, bem como uma diversidade de experiências, pontos de contato culturais e antecedentes. Aproveitar este conhecimento e experiência para informar como a IA generativa é desenvolvida permite que mais contexto seja integrado, e os modelos podem ser expandidos para servir um público global em vez de um público regional ou nacional.
A qualidade dos dados tanto na computação de ponta quanto nos modelos de IA generativos é crucial. Foi isso que levou a Motive a investir em uma equipe de anotações verdadeiramente de classe mundial. Como a precisão é tão crítica para a segurança e a otimização dos nossos clientes, esta equipe garante que os processos por trás do uso da IA generativa sejam fortes e consistentes. Esses processos incluem a garantia de dados e rótulos da mais alta qualidade para treinar nossos modelos e, portanto, nossos produtos e serviços.
Ao mesmo tempo, a IA generativa na economia física só será tão útil quanto os conhecimentos e capacidades que criar. Na Motive, usamos esses insights e recursos para alimentar uma plataforma abrangente que fornece insights sobre gestão de frotas e gastos, segurança, monitoramento de ativos, emissões e muito mais. Esse elemento tecnológico voltado para o cliente garante que todo o trabalho que as equipes colocam em seus processos se traduza em algo que gere resultados significativos para uma empresa e sua clientela.
O potencial transformador da IA generativa
A IA generativa tem o potencial de ser transformadora para a economia física e para as indústrias que alimentam a nossa vida quotidiana. E se a IA generativa pudesse mitigar o impacto de um incêndio florestal, prevendo o seu caminho e alertando os residentes mais cedo? Podem ser criados modelos preditivos em torno do uso de energia para combater as alterações climáticas e criar cidades mais sustentáveis? As rotas marítimas podem ser melhoradas através de alertas mais rápidos e eficazes sobre mudanças nas condições meteorológicas ou nas estradas, ou talvez com rotas eficientes em termos de combustível? Estas são questões que a utilização da IA generativa pode ajudar-nos a enfrentar nesta parte fundamental da economia global.
Jairam Ranganathan lidera gerenciamento de produtos, design, ciência de dados e estratégia para a Motive. Antes de ingressar na Motive, Jai trabalhou na Uber, onde atuou como diretor sênior de produtos e ciência de dados, gerenciando aprendizado de máquina e IA, dados, sistemas de marketing e ferramentas de operações. Antes de ingressar na Uber, Jai atuou como diretor sênior de gerenciamento de produtos na Cloudera. Ele obteve seu bacharelado e bacharelado em ciência da computação e matemática na Universidade do Texas em Austin e completou seu mestrado em ciência da computação na Universidade de Stanford.
–
Generative AI Insights oferece um local para líderes de tecnologia – incluindo fornecedores e outros colaboradores externos – explorarem e discutirem os desafios e oportunidades da inteligência artificial generativa. A seleção é ampla, desde aprofundamentos tecnológicos até estudos de caso e opiniões de especialistas, mas também subjetiva, com base em nosso julgamento de quais tópicos e tratamentos servirão melhor ao público tecnicamente sofisticado do InfoWorld. A InfoWorld não aceita material de marketing para publicação e reserva-se o direito de editar todo o conteúdo contribuído. Contato [email protected].
