Seu projeto de IA generativa quase certamente irá falhar. Mas anime-se: você provavelmente não deveria estar usando IA para resolver seu problema de negócios, de qualquer forma. Isso parece ser um fato aceito entre a multidão da ciência de dados, mas essa sabedoria tem demorado a chegar aos executivos corporativos. Por exemplo, o cientista de dados Noah Lorang sugeriu uma vez: “Há um subconjunto muito pequeno de problemas de negócios que são melhor resolvidos pelo aprendizado de máquina; a maioria deles só precisa de bons dados e de uma compreensão do que isso significa.”
E ainda assim 87% das empresas pesquisadas pela Bain & Company disseram que estão desenvolvendo aplicativos de IA generativa. Para algumas, essa é a abordagem exatamente correta. Para muitas outras, não é.
Nós coletivamente nos adiantamos tanto com a IA generativa que estamos nos preparando para o fracasso. Esse fracasso vem de uma variedade de fontes, incluindo governança de dados ou problemas de qualidade de dados, mas o principal problema agora são as expectativas. As pessoas brincam com o ChatGPT por uma tarde e esperam que ele seja capaz de resolver seus problemas de cadeia de suprimentos ou perguntas de suporte ao cliente. Não será. Mas a IA não é o problema, nós somos.
‘Expectativas definidas puramente com base em vibrações’
Shreya Shankar, engenheira de aprendizado de máquina na Viaduct, argumenta que uma das bênçãos e maldições do genAI é que ele aparentemente elimina a necessidade de preparação de dados, que há muito tempo é um dos aspectos mais difíceis do aprendizado de máquina. “Como você colocou tão pouco esforço na preparação de dados, é muito fácil ficar agradavelmente surpreso com os resultados iniciais”, ela diz, o que então “impulsiona o próximo estágio de experimentação, também conhecido como engenharia rápida”.
Em vez de fazer o trabalho duro e sujo de preparação de dados, com todos os testes e retreinamentos para fazer um modelo render resultados remotamente úteis, as pessoas estão pulando direto para a sobremesa, por assim dizer. Isso, por sua vez, leva a expectativas irrealistas: “IA generativa e LLMs são um pouco mais interessantes nisso maioria as pessoas não têm nenhuma forma de avaliação sistemática antes de enviar (por que seriam forçadas a isso, se não coletaram um conjunto de dados de treinamento?), então suas expectativas são definidas puramente com base em vibrações”, diz Shankar.
Acontece que as vibrações não são um bom conjunto de dados para aplicações de IA bem-sucedidas.
A verdadeira chave para o sucesso do aprendizado de máquina é algo que está faltando principalmente na IA generativa: o ajuste constante do modelo. “Na engenharia de ML e IA”, escreve Shankar, “as equipes muitas vezes esperam uma precisão muito alta ou alinhamento com suas expectativas de um aplicativo de IA logo após seu lançamento, e muitas vezes não constroem a infraestrutura para inspecionar dados continuamente, incorporar novos testes e melhorar o sistema de ponta a ponta.” É todo o trabalho que acontece antes e depois do prompt, em outras palavras, que gera sucesso. Para aplicativos de IA generativos, em parte por causa da rapidez com que é iniciado, muito dessa disciplina é perdida.
As coisas também ficam mais complicadas com a IA generativa porque não há consistência entre prompt e resposta. Adoro a maneira como Amol Ajgaonkar, CTO de inovação de produtos da Insight, colocou. Às vezes achamos que nossas interações com LLMs são como ter uma conversa madura com um adulto. Não é, ele diz, mas sim, “É como dar instruções aos meus filhos adolescentes. Às vezes você tem que se repetir para que fique.” Tornando mais complicado, “Às vezes a IA escuta, e outras vezes não segue as instruções. É quase como uma linguagem diferente.”
Aprender a conversar com sistemas de IA generativos é arte e ciência e requer experiência considerável para fazê-lo bem. Infelizmente, muitos ganham muita confiança com seus experimentos casuais com ChatGPT e estabelecem expectativas muito mais altas do que as ferramentas podem entregar, levando a falhas decepcionantes.
Largue o brinquedo novo e brilhante
Muitos estão correndo para a IA generativa sem primeiro considerar se há maneiras mais simples e melhores de atingir seus objetivos. Santiago Valdarrama, fundador da Tideily, recomenda começar com heurísticas simples, ou regras. Ele oferece duas vantagens para essa abordagem: “Primeiro, você aprenderá muito mais sobre o problema que precisa resolver. Segundo, você terá uma linha de base para comparar com qualquer solução futura de aprendizado de máquina.”
Assim como no desenvolvimento de software, onde o trabalho mais difícil não é codificar, mas sim descobrir qual código escrever, a coisa mais difícil na IA é descobrir como ou se aplicar a IA. Quando regras simples precisam ceder a regras mais complicadas, Valdarrama sugere mudar para um modelo simples. Observe a ênfase contínua em “simples”. Como ele diz, “a simplicidade sempre vence” e deve ditar decisões até que modelos mais complicados sejam absolutamente necessários.
Então, voltando à IA generativa. Sim, genAI poder seja o que seu negócio precisa para entregar valor ao cliente em um determinado cenário. Talvez. É mais provável que análises sólidas e abordagens baseadas em regras darão os rendimentos desejados. Para aqueles que estão determinados a usar a coisa nova e brilhante, bem, mesmo assim ainda é melhor começar pequeno e simples e aprender como usar IA generativa com sucesso.
