“A inteligência artificial está mudando muita coisa e não só na indústria, na sociedade como um todo”, foi a abertura da palestra de Leonardo Naressi, co-CEO da DP6, durante o Congresso Indústria Digital 2024.
O impacto econômico da IA não é pequeno, segundo dados da Statista, os valores podem chegar até US$ 1,3 trilhão entre todas as áreas da sociedade. E a adoção dos modelos não tem ficado para trás.
A ascensão das inteligências começou em 2021, com o lançamento do Chat GPT no modelo que conhecemos hoje. Mas os modelos do passado, as inteligências artificiais preditivas, não conseguiam entender muito bem a comunicação. Elas eram responsáveis por analisar e replicar dados e sugestões de conteúdos – o algoritmo da Netflix, por exemplo, é mencionado por Nasseri.
Porém, a inteligência generativa consegue entender textos, conversar e vem evoluindo a maneira como o mercado responde às inovações.
Os benefícios também não passam despercebidos pela indústria – melhora da eficiência por exemplo, é dito por 44% dos colaboradores como uma vantagem –, mas ainda sim, a falta de conhecimento e as dificuldades técnicas impedem a adoção. Entretanto, mesmo frente aos desafios, em aproximadamente 2 anos, o potencial de retorno considerando produtividade, cortes de custos e aumento na receita, é muito grande.
O palestrante exemplifica com um estudo de caso focado em e-commerce. A empresa Salomon, não tinha disponibilidade para analisar e estudar o melhor posicionamento e descrições dos produtos em campanhas de shopping. Ao final de algumas semanas, a implementação gerou mais 83% de receita nas vendas.
“Inteligência artificial vai além da fábrica, é possível incluir ela no final da ponte”, declara Naressi.
Evoluir e adaptar
Apesar das boas notícias, a inteligência artificial também está passando por um momentos de transformação e correção. Por conta de imprecisões e alucinações, é necessário que as marcas e os consumidores gerenciem e – mais do que dominem – otimizem as ferramentas, esclarece Naressi.
Para o novo cenário do mercado, existe três oportunidades de melhoria: treinar os modelos com dados melhores (informações mais precisas), melhorar as instruções incluindo contexto, persona, encadeamento de processos, etc. e, por fim, fornecer um contexto com dados específicos ao problema – incluindo por exemplo, dados internos da empresa.
“A ideia é que a inteligência artificial seja, realmente, inteligente”, reforça o executivo.
Complementando a evolução das ferramentas, o convidado apresenta algumas dicas para adaptar os modelos de LLM e de inteligência artificial:
- Prompt engineering: instruções mais detalhadas e metodológicas para respostas mais completas;
- Fine-tuning: treinar o modelo com seus próprios dados; permitir que o modelo busque na internet, mas orientando para que ele use as informações inseridas;
- RAG: contextualização dinâmica a partir de prompts para direcionar os modelos pré-treinados.
Novas estruturas
A inteligência artificial também precisa ser capaz de processar conteúdos em diferentes dimensões – texto, imagens ou atributos. Segundo o palestrante, processar significa entender as dimensões e armazenar de uma maneira que pode ser pesquisada facilmente.
Uma pesquisa em um banco de dados vetorial pode encontrar com facilidade documentos, textos ou imagens que representam um determinado conceito. Os bancos de dados vetorizados, por exemplo, tem uma previsão de crescimento na casa de dois dígitos para os próximos três anos, explica o convidado.