É quase certo que seu projeto genAI irá falhar. Mas tenha coragem: você provavelmente não deveria estar usando IA para resolver seu problema de negócios, de qualquer maneira. Este parece ser um facto aceite entre o público da ciência de dados, mas essa sabedoria tem demorado a chegar aos executivos empresariais. Por exemplo, o cientista de dados Noah Lorang sugeriu certa 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”, mas 87% dos entrevistados pela Bain & Company disseram que estão desenvolvendo aplicações genAI.
Para alguns, essa é a abordagem correta. Para muitos outros, não é.
Nós coletivamente nos adiantamos tanto com a genAI 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 da Viaduct, argumenta que uma das bênçãos e maldições da genAI é que ela aparentemente elimina a necessidade de preparação de dados, que há muito tempo é um dos aspectos mais difíceis do aprendizado de máquina. “Como você investiu tão pouco esforço na preparação dos dados, é muito fácil ficar agradavelmente surpreso com os resultados iniciais”, diz ela, o que então “impulsiona o próximo estágio de experimentação, também conhecido como engenharia imediata”.
Em vez de fazerem o trabalho árduo e sujo de preparação de dados, com todos os testes e reciclagem para conseguir que um modelo produza resultados mesmo que remotamente úteis, as pessoas estão a saltar directamente para a sobremesa, por assim dizer. Isto, por sua vez, leva a expectativas irrealistas: “A IA generativa e os LLMs são um pouco mais interessantes porque maioria as pessoas não têm nenhuma forma de avaliação sistemática antes de enviar (por que seriam forçadas a isso, se não coletassem um conjunto de dados de treinamento?), então suas expectativas são definidas puramente com base nas 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 no genAI: o ajuste constante do modelo. “Na engenharia de ML e IA”, escreve Shankar, “as equipes geralmente 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 continuamente os dados, incorporar novos testes e melhorar o sistema de ponta a ponta.” É todo o trabalho que acontece antes e depois do prompt, ou seja, que proporciona sucesso. Para aplicativos genAI, em parte devido à rapidez com que são iniciados, grande parte dessa disciplina é perdida.
As coisas também ficam mais complicadas com o genAI porque não há consistência entre prompt e resposta. Adoro a maneira como Amol Ajgaonkar, CTO de inovação de produtos da Insight, coloca. Às vezes, achamos que nossos prompts para o ChatGPT ou um sistema semelhante 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 genAI é arte e ciência e requer experiência considerável para fazê-lo bem. Infelizmente, muitos ganham muita confiança com seus experimentos casuais com o ChatGPT e definem expectativas muito mais altas do que as ferramentas podem oferecer, levando a um fracasso decepcionante.
Largue o brinquedo novo e brilhante
Muitos estão migrando para a genAI sem primeiro considerar se existem maneiras melhores e mais simples de atingir seus objetivos. Santiago Valdarrama, fundador da Tideily, recomenda que a maioria comece com aprendizado de máquina (ou genAI), mas o primeiro passo geralmente são heurísticas ou regras simples. Ele oferece duas vantagens para essa abordagem: “Primeiro, você aprenderá muito mais sobre o problema que precisa resolver. Em segundo lugar, você terá uma linha de base para comparar com qualquer solução futura de aprendizado de máquina.”
Tal como acontece com o 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 dar lugar 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 as decisões até que modelos mais complicados sejam absolutamente necessários.
Então, de volta à genAI. Sim, é 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 o genAI com sucesso.
