Tecnologias a favor dos Objetivos de Desenvolvimento Sustentável

Este assunto me chamou a atenção quando preparávamos o painel “TRENDS NEWS TALKS – O Impacto da Tecnologia no Futuro das Pessoas, Empresas e Cidades“, com meu amigo Renato Grau como moderador, Janaína Tanure, Felipe Carvalho, e eu como cohosts – ao Congresso Pacto pelo Brasil, um evento dedicado a discutir questões relevantes para o desenvolvimento do nosso país.

Introdução

Um novo relatório[1] chocante revela que entre cerca de 140 metas de ODS avaliadas apenas 12% das empresas estão alcançando os Objetivos de Desenvolvimento Sustentável (ODS) da ONU propostos para até 2030, destaca a necessidade de um esforço coletivo para enfrentar os desafios sociais e ambientais e alguns fatores como falta de comprometimento, recursos limitados e falta de integração como obstáculos para o progresso.

O relatório sugere às empresas que adotem práticas sustentáveis podem criar valor a longo prazo e ganhar a confiança dos consumidores, pois ações concretas, parcerias estratégicas e transparência são fundamentais para impulsionar o progresso rumo aos ODS.

O papel da inteligência artificial na consecução dos Objetivos de Desenvolvimento Sustentável

Conforme um estudo recente apresentado no artigo[2] da Nature, o surgimento da inteligência artificial (IA) e seu impacto cada vez mais amplo em muitos setores requer uma avaliação de seu efeito na consecução dos Objetivos de Desenvolvimento Sustentável. Usando um processo de elicitação de especialistas baseado em consenso, os autores descobriram que a IA pode permitir a realização de 134 metas dos 17 ODS, mas também pode inibir 59 metas. O artigo diz que o rápido desenvolvimento da IA precisa ser apoiado pela necessária visão regulatória e supervisão das tecnologias baseadas em IA para permitir o desenvolvimento sustentável. Não fazer isso pode resultar em lacunas nos padrões de transparência, segurança e ética.

O diagrama que segue mostra como resultado da pesquisa mencionada no artigo um resumo do impacto positivo e negativo da IA nos vários ODS.

Usando o ChatGPT[3] ao organizar o evento e relacionar tecnologias com ODS

Mesmo tratando-se de um time de especialistas conhecedores de tecnologias em geral, inteligência artificial e sobre desenvolvimento sustentável, decidimos utilizar a IA como mais um colaborador do time para contribuir com insights adicionais referentes a estruturação do conteúdo do painel e sobre a relação entre Tecnologias e ODS.

A seguir, preparamos alguns Prompts para submeter ao ChatGPT e obter dele alguns conteúdos como resposta, para nossa leitura, reflexão e análise, vendo o que fazia sentido e o que poderia ser aproveitado para nosso trabalho.

Segue abaixo, quatro dos Prompts que utilizamos para obter a contribuição da IA em nosso planejamento, e que estou compartilhando, pois sei que possivelmente podem ser úteis a líderes, gestores e outros profissionais para pensar um pouco mais sobre como utilizar as tecnologias para os ODS.

Prompt: O que eu poderia considerar para o tema: “O impacto das tecnologias na vida das pessoas, empresas e cidades”

Resposta do ChatGPT:

Ao abordar o tema “O impacto das tecnologias na vida das pessoas, empresas e cidades”, você pode considerar os seguintes pontos:

  1. Transformação Digital: Explique como as tecnologias têm impulsionado uma transformação digital em diversos setores, como comércio, saúde, educação, entre outros. Destaque como a adoção de tecnologias tem impactado a forma como as pessoas vivem, trabalham e interagem.
  2. Acesso à Informação: Discuta como as tecnologias, como a internet e os dispositivos móveis, têm facilitado o acesso à informação. Aborde como isso influencia a maneira como as pessoas se informam, aprendem e se comunicam, bem como as mudanças na forma como as empresas se relacionam com os clientes.
  3. Mudanças nos Negócios: Analise como as tecnologias têm afetado os modelos de negócios e a forma como as empresas operam. Aborde temas como automação, inteligência artificial, análise de dados e computação em nuvem, destacando os benefícios e desafios enfrentados pelas empresas nessa era digital.
  4. Impacto nas Cidades: Explore como as tecnologias têm influenciado o desenvolvimento urbano e a criação de cidades inteligentes. Discuta exemplos de tecnologias utilizadas para melhorar a infraestrutura, o transporte, a segurança e a qualidade de vida nas cidades.
  5. Desafios e Oportunidades: Discuta os desafios éticos, sociais e de privacidade decorrentes do avanço tecnológico. Aborde a necessidade de regulamentação adequada, a inclusão digital e o equilíbrio entre a automação e a preservação de empregos. Destaque também as oportunidades que as tecnologias oferecem para resolver problemas globais, como as mudanças climáticas e a desigualdade.
  6. Educação e Habilidades: Aborde como as tecnologias têm impactado a educação e as habilidades necessárias para o mercado de trabalho atual e futuro. Discuta a importância da alfabetização digital e o desenvolvimento de habilidades tecnológicas para garantir a empregabilidade e a participação plena na sociedade digital.
  7. Aspectos Sociais e Culturais: Considere o impacto das tecnologias nas relações sociais, nas dinâmicas familiares e nas interações comunitárias. Discuta também como as tecnologias têm influenciado as expressões culturais, a criatividade e o acesso à cultura.

Esses pontos fornecem uma base para explorar o impacto das tecnologias na vida das pessoas, empresas e cidades. É importante abordar tanto os benefícios quanto os desafios e considerar diferentes perspectivas ao discutir esse tema.

Prompt: Poderia me fornecer uma relação de casos de tecnologias incluindo a inteligência artificial que estão sendo utilizadas nos objetivos de desenvolvimento sustentável?

Resposta do ChatGPT:

Certamente! Aqui está uma lista concisa de casos de tecnologias, incluindo inteligência artificial (IA), que estão sendo usadas para apoiar os Objetivos de Desenvolvimento Sustentável (ODS):

  1. Energias Renováveis: A IA é usada para otimizar o uso de energia renovável, melhorando a previsão de produção de energia eólica e solar, aumentando a eficiência energética e facilitando a integração de fontes renováveis na rede elétrica.
  2. Agricultura Sustentável: A IA é aplicada na agricultura de precisão, auxiliando no monitoramento de safras, otimização do uso de fertilizantes e pesticidas, previsão de colheitas e no desenvolvimento de sistemas de irrigação inteligentes.
  3. Gerenciamento de Recursos Hídricos: A IA é usada para analisar dados de sensores e modelos climáticos, permitindo a previsão e a gestão mais eficientes do uso da água, a detecção de vazamentos e a melhoria da distribuição de água potável.
  4. Cidades Inteligentes: A IA é aplicada no planejamento urbano sustentável, na gestão de tráfego e transporte, no monitoramento da qualidade do ar e da água, na gestão de resíduos e no uso eficiente de recursos em áreas urbanas.
  5. Saúde e Bem-Estar: A IA é usada para diagnóstico médico mais preciso e rápido, triagem de doenças, análise de imagens médicas, descoberta de medicamentos e personalização de tratamentos, contribuindo para a melhoria dos cuidados de saúde.
  6. Conservação Ambiental: A IA é aplicada no monitoramento e preservação de ecossistemas, auxiliando na identificação de espécies ameaçadas, na detecção de desmatamento e na prevenção da caça ilegal.
  7. Acesso à Educação: A IA é utilizada para fornecer educação personalizada, adaptando o conteúdo e o ritmo de aprendizado às necessidades individuais, além de oferecer soluções de aprendizado remoto e acessível.
  8. Combate à Pobreza: A IA é aplicada na análise de dados socioeconômicos para identificar populações em risco, melhorar programas de assistência social, prever crises econômicas e desenvolver estratégias de inclusão financeira.

Esses são apenas alguns exemplos de como a IA e outras tecnologias estão sendo usadas para apoiar os ODS. O campo está em constante evolução, com novas soluções sendo desenvolvidas para enfrentar os desafios de sustentabilidade.

Prompt: Me relacione as principais tecnologias com os objetivos de desenvolvimento sustentável

Resposta do ChatGPT:

Certamente! Aqui estão algumas das principais tecnologias relacionadas aos Objetivos de Desenvolvimento Sustentável (ODS):

  1. Energias renováveis: Contribuem para o ODS 7 (Energia Limpa e Acessível) ao promover fontes de energia sustentáveis, como energia solar, eólica, hidrelétrica e biomassa.
  2. Internet das Coisas (IoT – Internet of Things): Pode ser aplicada ao ODS 9 (Indústria, Inovação e Infraestrutura) ao melhorar a eficiência energética, monitorar o uso de recursos naturais e otimizar processos industriais.
  3. Veículos elétricos: Ajudam a alcançar o ODS 11 (Cidades e Comunidades Sustentáveis) ao reduzir as emissões de gases de efeito estufa e melhorar a qualidade do ar nas áreas urbanas.
  4. Agricultura de precisão: Contribui para o ODS 2 (Fome Zero e Agricultura Sustentável) ao otimizar o uso de recursos agrícolas, reduzir o desperdício e aumentar a produtividade agrícola de forma sustentável.
  5. Tecnologias de tratamento de água: São relevantes para o ODS 6 (Água Potável e Saneamento) ao fornecer soluções para purificação de água, dessalinização e tratamento de efluentes.
  6. Blockchain: Pode ser aplicado ao ODS 16 (Paz, Justiça e Instituições Eficazes) ao aumentar a transparência e a confiança em processos de governança, combater a corrupção e garantir a rastreabilidade em cadeias de suprimento.
  7. Inteligência Artificial (IA): Contribui para vários ODS, como o ODS 3 (Saúde e Bem-Estar), ao melhorar diagnósticos médicos e desenvolver tratamentos personalizados, e o ODS 4 (Educação de Qualidade), ao fornecer soluções educacionais inovadoras.
  8. Tecnologias de reciclagem: São relevantes para o ODS 12 (Consumo e Produção Responsáveis) ao promover a economia circular, reduzir resíduos e incentivar a recuperação de materiais valiosos.

Essas são apenas algumas das tecnologias que podem contribuir para os Objetivos de Desenvolvimento Sustentável. Existem muitas outras soluções inovadoras em desenvolvimento que têm o potencial de promover um futuro mais sustentável.

Prompt: Agora me relacione os objetivos de desenvolvimento sustentável com as tecnologias pertinentes

Resposta do ChatGPT:

Certamente! Aqui estão alguns exemplos de como os Objetivos de Desenvolvimento Sustentável (ODS) estão relacionados a tecnologias pertinentes:

  1. ODS 7 – Energia Limpa e Acessível: Energias renováveis, como solar, eólica, hidrelétrica e biomassa, são tecnologias relevantes para alcançar este objetivo, proporcionando fontes de energia limpa e acessível.
  2. ODS 9 – Indústria, Inovação e Infraestrutura: A tecnologia da Internet das Coisas (IoT) desempenha um papel importante, permitindo a conectividade e o monitoramento inteligente de processos industriais, além de melhorar a eficiência energética e o uso de recursos.
  3. ODS 11 – Cidades e Comunidades Sustentáveis: Tecnologias como veículos elétricos, sistemas de transporte inteligente, infraestrutura verde e planejamento urbano sustentável contribuem para criar cidades mais sustentáveis e resilientes.
  4. ODS 12 – Consumo e Produção Responsáveis: Tecnologias de reciclagem, rastreabilidade de produtos, impressão 3D e produção sustentável são relevantes para promover padrões de consumo e produção mais sustentáveis.
  5. ODS 13 – Ação contra a Mudança Global do Clima: Tecnologias de energia renovável, armazenamento de energia, captura e armazenamento de carbono, bem como soluções de eficiência energética, são cruciais para reduzir as emissões de gases de efeito estufa e mitigar a mudança climática.
  6. ODS 14 – Vida na Água e ODS 15 – Vida Terrestre: Tecnologias de monitoramento ambiental, como sensores remotos, drones e análise de big data, são utilizadas para proteger ecossistemas aquáticos e terrestres, bem como para combater a pesca ilegal e a perda de biodiversidade.
  7. ODS 6 – Água Potável e Saneamento: Tecnologias de tratamento de água, como sistemas de filtragem avançados, dessalinização e saneamento sustentável, são fundamentais para garantir acesso à água potável e saneamento básico para todos.
  8. ODS 16 – Paz, Justiça e Instituições Eficazes: A tecnologia blockchain pode ser aplicada para melhorar a transparência, a prestação de contas e a segurança de registros, contribuindo para a construção de instituições eficazes e combate à corrupção.

Esses são apenas alguns exemplos de como as tecnologias podem ser relacionadas aos Objetivos de Desenvolvimento Sustentável. É importante lembrar que o uso e o desenvolvimento de tecnologias devem ser acompanhados por abordagens éticas e políticas para garantir que beneficiem a sociedade como um todo e promovam o desenvolvimento sustentável.

Considerações Finais

Depois do planejamento, pelo menos mais um dia de pesquisa de casos de uso prático de tecnologias para os ODS e elaboração do conteúdo a ser apresentado e conversado no painel.

Acreditamos que você e sua empresa podem efetivamente contribuir com os ODS, a começar buscando informações disponíveis em artigos e relatórios e casos práticos de empresas, bem como observando as relações entre as tecnologias e os ODS e a relação entre os ODS e as tecnologias apresentados nos dois últimos Prompts apresentados neste post.

Sobre mim: aqui. Contato: aqui.

Abraços, @neigrando

Referências

[1] Only 12% of the UN Sustainable Development Goal targets are on track (Yahoo! Finance – April 28, 2023)

[2] Vinuesa, R., Azizpour, H., Leite, I. et al. The role of artificial intelligence in achieving the Sustainable Development GoalsNat Commun 11, 233 (2020). https://doi.org/10.1038/s41467-019-14108-y

[3] ChatGPT da OpenAI

Veja o vídeo do painel TRENDS NEWS TALKS – em: O impacto  da Tecnologia no Futuro das Pessoas, Empresas e Cidades

Artigos relacionados

IA Generativa, um relatório de pesquisa, abril 2023

Fonte: Midjourney: in the middle of the universe and multiverse of AI imagination

“Os próximos 2 a 3 anos de IA definitivamente definirão as próximas 2 a 3 décadas do mundo. Para aqueles em tecnologia: você vive uma vida inteira por um momento como este – não o desperdice. Há décadas em que nada acontece, e semanas quando décadas acontecem.” – Alexandr Wang (Fundador e CEO, SCALE)

Acabou de sair o resultado de uma pesquisa sobre inteligência artificial generativa, 2023 AI Readiness Report da Scale, uma survey com mais de 1.600 executivos e profissionais de aprendizado de máquina (ML) para descobrir o que está funcionando, o que não está e as melhores práticas para as organizações implantarem IA para um impacto real nos negócios. Segue abaixo um texto sobre a parte inicial do relatório, visite o site da Scale para mais informações.

IA generativa dá um salto gigantesco

Grandes saltos nas capacidades da IA Generativa definiram 2022. Em meados de 2022, os modelos de difusão de imagem Dall-E 2 (OpenAI) e Stable Diffusion (Stability AI) conquistaram as manchetes. Muitas novas startups correram para construir seus negócios com base nessas poderosas ferramentas de criação de imagens.

Fonte: Sequoia Capital, via CBinsights

No final de novembro, a OpenAI lançou o modelo de linguagem grande GPT-3.5 e a interface de bate-papo ChatGPT, que rapidamente se tornou um dos lançamentos de tecnologia de maior impacto de todos os tempos. A chave para o impacto desse modelo foi o uso do Aprendizado por Reforço com Feedback Humano (RLHF), uma técnica para alinhar o desempenho do modelo com a intenção humana.

Em março de 2023, a OpenAI lançou o GPT-4, o modelo de linguagem grande mais capaz já criado.

Também alinhado com o RLHF, o GPT-4 passou de forma impressionante em muitos exames projetados para testar a capacidade humana no percentil 90 ou superior, incluindo vários exames AP e o exame da barra. Em dezembro de 2022, a Anthropic anunciou um beta fechado de Claude, um LLM com recursos de bate-papo semelhantes ao ChatGPT e uma abordagem de alinhamento humano baseada em “IA Constitucional”, em que a supervisão humana é fornecida por meio de uma lista de regras ou princípios. Em março de 2023, o Google lançou o Bard, sua IA de conversação baseada no modelo LaMDA do Google. Várias outras empresas também estão construindo grandes modelos de linguagem, incluindo AI21 labs, Carper AI, Stability AI e Cohere. Modelos específicos de domínio também serão desenvolvidos no próximo ano, como o BloombergGPT, um modelo desenvolvido especificamente para casos de uso financeiro. Um número cada vez maior desses modelos será treinado e lançado no próximo ano.

Fonte: Momentum Works report – The future by ChatGPT

Os modelos generativos estão sendo integrados ao Google Workspace e ao Microsoft Office, permitindo grandes ganhos de produtividade para usuários corporativos. Essas ferramentas ajudam você a escrever o primeiro rascunho de um documento, gerar apresentações completas a partir de um único prompt ou analisar e visualizar automaticamente os dados financeiros em uma planilha.

Plataformas de software corporativo como Salesforce estão permitindo que analistas e executivos obtenham novas perspectivas sobre dados usando IA Generativa.

O que é IA generativa?
Grandes quantidades de dados são coletadas de várias fontes, principalmente dados da Internet. Um modelo é treinado em GPUs, produzindo um modelo básico altamente capaz, mas não alinhado às preferências humanas.
O modelo básico é então ajustado por meio do Aprendizado por Reforço de Feedback Humano (RLHF) para alinhá-los mais de perto com as preferências humanas e, no caso de LLMs, interagir em um formato de conversação ou “chat”.
– Os modelos generativos são então capazes de produzir imagens ilimitadas e infinitamente criativas, envolver-se em conversas com usuários, resumir documentos e escrevem código.

As capacidades significativamente aprimoradas dos modelos generativos em 2022 impactaram enormemente as estratégias de IA das empresas, com 65% acelerando suas estratégias existentes ou criando uma estratégia de IA pela primeira vez.

Enquanto a maioria dos entrevistados (60%) está experimentando modelos generativos ou planeja trabalhar com eles no próximo ano, apenas 21% têm esses modelos em produção.

As empresas veem o potencial dos modelos generativos para melhorar seus negócios, mas colocá-los em produção é um desafio.

Para liberar o poder de seus dados e aproveitar ao máximo esses modelos, as empresas precisam de experiência em aprendizado de máquina, infraestrutura de ajuste fino e recursos para executar RLHF em escala.

A maioria das empresas não possui os recursos necessários ou mandato para criar seus próprios modelos generativos, portanto, deve depender de terceiros. Das empresas que planejam trabalhar com modelos generativos, a grande maioria procura alavancar modelos generativos de código aberto (41%) ou modelos generativos de API de nuvem (37%), enquanto muito poucas procuram construir seus próprios modelos generativos (22%).

Além disso, 28% estão usando exclusivamente modelos de código aberto, enquanto 26% usam APIs de nuvem (modelos disponíveis comercialmente, como Claude da Anthropic, GPT-4 da OpenAI e Command da Cohere) e apenas 15% estão construindo seus próprios exclusivamente.

Existem vários fatores que as empresas devem considerar ao decidir sobre sua infraestrutura de IA generativa, incluindo sua experiência interna em aprendizado de máquina, orçamento, requisitos de segurança e necessidade de recursos específicos de domínio. Aproveitar um provedor de nuvem é o caminho mais fácil e rápido para obter recursos generativos, mas apresenta maior risco de segurança, menos controle sobre os modelos subjacentes, desempenho de qualidade inferior em tarefas específicas do domínio e pode ser caro.

Os modelos de código aberto fornecem mais controle e são mais baratos, mas exigem mais experiência interna para implantar e ajustar. Empresas que buscam construir seus próprios modelos geradores se beneficiam de maior controle, mas incorrem em maiores custos de coleta de dados, computação e contratação de especialistas em aprendizado de máquina para treiná-los e implantá-los.

61% das empresas estão buscando a IA para ajudar a melhorar a experiência do cliente, 56% para melhorar a eficiência operacional e 50% para aumentar a lucratividade. O foco no foco no cliente beneficia imensamente as organizações, com maior boa vontade do cliente no curto prazo e maior lucratividade no longo prazo.

89% das empresas que adotam IA se beneficiam da capacidade de desenvolver novos produtos ou serviços, 78% delas buscam experiências aprimoradas do cliente e 76% de melhor colaboração entre as funções de negócios. Essas empresas também obtêm maior eficiência e lucratividade nos processos organizacionais. Apesar dos resultados positivos para os adotantes de IA, resultados ainda maiores são possíveis à medida que as empresas aceleram suas estratégias de IA e aumentam seus investimentos em IA.

Os objetivos de uma organização também moldam a eficácia de sua implementação de IA.

As empresas que listam a demanda dos acionistas/investidores como o principal objetivo para a adoção da IA também apresentam os piores resultados em experiência do cliente, receita e lucratividade. Para garantir o sucesso de uma implementação de IA, as organizações devem evitar a implementação de IA apenas para implementar a IA, mas, em vez disso, garantir que os objetivos de uma implementação de IA estejam alinhados com as prioridades da empresa e que a IA seja uma boa solução para um determinado problema.

Uma nova era

Os modelos generativos já estão transformando a forma como criamos arte, entendemos nosso mundo e conduzimos negócios.

Modelos de linguagem grandes nos ajudam a escrever conteúdo como blogs, e-mails ou textos de anúncios de forma mais rápida e criativa. Eles resumem o conteúdo de formato longo para que possamos entender rapidamente as informações mais críticas de relatórios e artigos de notícias. Os modelos de difusão simplificam os fluxos de trabalho de marketing, permitindo que os profissionais de marketing gerem imagens de produtos ilimitadas e infinitamente criativas. Os desenvolvedores usam LLMs para escrever código com mais eficiência e ajudá-los a identificar e corrigir bugs rapidamente. Os chatbots avançados permitem que as empresas melhorem o atendimento ao cliente a um custo menor. Por fim, as organizações estão liberando o poder de suas bases de conhecimento personalizando LLMs com seus dados proprietários para melhor desempenho em tarefas exclusivas de seus negócios.

Agora, veremos alguns termos e tendências importantes para entender essa nova era da IA generativa.

Modelos estão aumentando de tamanho

Com o tempo, os modelos generativos tornaram-se mais capazes à medida que aumentaram de tamanho. O tamanho do modelo geralmente é determinado pelo tamanho do conjunto de dados de treinamento medido em tokens (partes de palavras) ou pelo número de parâmetros (o número de valores que o modelo pode alterar à medida que aprende).

  • BERT (2018) foi de 3,7 bilhões de tokens e 240 milhões de parâmetros.
  • GPT-2 (2019) foi de 9,5 bilhões de tokens e 1,5 bilhão de parâmetros.
  • GPT-3 (2020) tem 499B tokens e 175 bilhões de parâmetros.
  • PaLM (2022) foi de 780B de tokens e 540 bilhões de parâmetros.

À medida que esses modelos aumentam de tamanho, eles se tornam cada vez mais capazes, fornecendo mais incentivo para as empresas criarem aplicativos de ponta.

Os modelos generativos estão agora mais amplamente disponíveis, pois muitos desenvolvedores de modelos grandes fornecem APIs ou os tornam de código aberto, e as empresas estão adotando rapidamente esses modelos grandes para seus casos de uso de negócios específicos.

Os modelos generativos são treinados em uma grande quantidade de dados da Internet, tornando-os generalistas competentes. Esses modelos podem escrever poesia, resolver quebra-cabeças lógicos e identificar bugs no código.

Embora os modelos generativos sejam ótimos generalistas, eles são péssimos especialistas ao resolver problemas fora de sua distribuição de dados. Como uma parte significativa dos dados é proprietária de organizações individuais, os modelos de linguagem de base ampla não são bem adaptados a esses domínios específicos.

Para melhorar o desempenho nas tarefas específicas de, digamos, uma seguradora, uma empresa de comércio eletrônico ou uma empresa de logística, esses modelos devem ser ajustados e alinhados para se destacar nessas tarefas específicas e fornecer respostas úteis para clientes e funcionários.

Fonte: Sequoia Capital

Aprendizagem por Reforço com Feedback Humano (RLHF) – Embora o Aprendizado por Reforço com Feedback Humano (RLHF) não seja novo para a comunidade de pesquisa, em 2022, ele ganhou popularidade, pois foi um ingrediente crítico para o sucesso do ChatGPT. Em vez de tentar escrever uma função de perda com a qual treinar um modelo, o RLHF envolve solicitar feedback de usuários humanos e treinar um modelo de recompensa nesse feedback. Esse modelo de recompensa definido por humanos é então usado para treinar um modelo básico. Isso também permite o treinamento com muito mais dados, pois o feedback humano é imitado pelo modelo de recompensa, portanto, o tamanho do conjunto de dados agora é limitado apenas por quantos prompts você pode criar. O ajuste de RLHF resulta em modelos mais bem alinhados às preferências humanas, produzindo respostas mais detalhadas e factuais. RLHF também define a “personalidade” e o “humor” do modelo, tornando-o mais útil, amigável e factual do que o modelo base seria de outra forma. Isso significa que obtemos respostas do modelo que parecem mais humanas e menos como falar com uma máquina. O RLHF é um componente crítico para o sucesso dos LLMs recentes e também é fundamental para garantir que as empresas que usam IA generativa obtenham respostas de modelo alinhadas com suas políticas e marcas.
ChatGPT – ChatGPT é uma aplicação que usa um grande modelo de linguagem que foi ajustado especificamente para a tarefa de geração de texto conversacional. O ChatGPT foi treinado com RLHF e dados em formatos de diálogo para permitir que ele atue como um chatbot conversacional. O ChatGPT rapidamente se tornou um dos lançamentos de produtos mais impactantes de todos os tempos, alcançando 1 milhão de usuários em apenas cinco dias e atualmente com mais de 100 milhões de usuários. O ChatGPT foi lançado inicialmente com GPT-3.5, mas agora também inclui GPT-4 para assinantes do ChatGPT plus. Esses modelos são altamente capazes de responder perguntas, gerar conteúdo e resumir. Embora esses modelos forneçam respostas mais robustas, informativas e criativas do que seus antecessores, o verdadeiro avanço para a adoção foi sua capacidade de manter conversas com humanos. A capacidade de interagir com os modelos de forma intuitiva aumentou a acessibilidade dos modelos para que qualquer pessoa possa utilizá-los.
Engenharia de Prompt – 2022 também viu a proliferação de uma nova função para as equipes de aprendizado de máquina, o “engenheiro de Prompt”. Embora os modelos generativos sejam competentes em gerar a saída desejada para casos de uso de negócios, o prompt certo é necessário para otimizar a eficácia do modelo. Os engenheiros de prompt criam cuidadosamente as entradas de linguagem natural para obter respostas mais consistentes e confiáveis dos modelos, para que as saídas do modelo possam ser usadas em aplicativos de negócios. Em vez de escrever uma consulta SQL, esses engenheiros elaboram prompts de linguagem natural refinados. Por exemplo, ao integrar aplicativos com LLMs, as respostas variadas do modelo podem interromper a integração se não forem formatadas corretamente. Digamos que você esteja criando um aplicativo que lida com dados financeiros. A entrada de um usuário pode estar relacionada aos ganhos do quarto trimestre de uma determinada empresa. Os engenheiros de prompt ajudam a modelar respostas para resolver desafios de negócios com maior precisão, eficiência e qualidade. Eles também garantem que as respostas estejam alinhadas com as diretrizes e a voz da marca de uma organização. Eles também são essenciais para encontrar vulnerabilidades em modelos usando técnicas de injeção imediata e ajudando a resolver essas vulnerabilidades antes que um funcionário ou cliente o faça. Essa função é altamente valiosa para garantir a implementação bem-sucedida de modelos generativos nas organizações.

O que esperar em 2023

Maior investimento em IA

Como a IA generativa agora é mais capaz e amplamente disponível, as empresas a estão incorporando rapidamente em suas operações. 72% das empresas aumentarão significativamente seus investimentos em IA a cada ano nos próximos três anos.

Capacidades crescentes de modelos generativos

Muitas organizações agora estão construindo seus próprios grandes modelos generativos. Esses modelos estão sendo incorporados aos mecanismos de pesquisa e combinados com outras ferramentas, incluindo bases de conhecimento internas, para se tornarem poderosas ferramentas de negócios. Esses modelos também se tornarão multimodais, o que significa que poderão consumir e gerar textos, imagens e vídeos, tornando-os ainda mais úteis do que são hoje.

Você pode fazer upload de um catálogo de produtos com imagens e texto para um modelo multimodal, e ele reconhecerá produtos específicos, escreverá descrições de produtos, preencherá atributos ausentes e gerará novas imagens para enriquecer seu catálogo de produtos automaticamente.

Acessibilidade generalizada de modelos generativos

Assim como a nuvem, os modelos generativos amplamente acessíveis representam uma mudança de paradigma para as empresas.

Incorporar esse tipo de IA rapidamente se tornará o status quo, e aqueles que demoram a adotar serão deixados para trás.

Dados proprietários revelarão o poder dos modelos generativos

Por si só, os modelos generativos básicos são ferramentas valiosas. Emparelhados com os dados proprietários de uma empresa, eles se tornam fortes diferenciadores, melhorando a experiência do cliente, o desenvolvimento de produtos e a lucratividade.

Tendências de adoção

Os líderes empresariais identificaram que a IA é fundamental para o futuro de suas empresas e procuram adotá-la o mais rápido e com o maior impacto possível. Examinamos essa tendência e fornecemos insights sobre as melhores práticas.

59% das empresas consideram a IA crítica ou altamente crítica para seus negócios no próximo ano e 69% nos próximos três anos. Os recursos e a disponibilidade crescentes da IA generativa acelerarão a adoção da IA.

Como as empresas veem a IA como mais crítica para o sucesso futuro de seus negócios, elas estão aumentando os investimentos em IA nos próximos três anos. 72% das empresas planejam aumentar seus investimentos em IA a cada ano nos próximos três anos.

As empresas estão gastando menos tempo e esforço em aplicativos tradicionais de visão computacional e, em vez disso, concentrando-se em LLMs e IA generativa. Das empresas que fazem investimentos significativos em IA, 52% estão investindo pesadamente em LLMs, 36% em modelos visuais generativos e 30% em aplicativos de visão computacional.

Com os recursos recentemente popularizados dos LLMs, as empresas mudaram rapidamente suas estratégias de IA para aproveitar o poder da IA generativa.

Conforme mencionado anteriormente, as empresas que adotam a IA estão obtendo resultados positivos de experiências aprimoradas do cliente, a capacidade de desenvolver novos produtos ou serviços e melhorar os produtos existentes e a colaboração aprimorada entre as funções de negócios.

Em geral, as empresas que adotam a IA estão alcançando resultados positivos em quase todas as categorias. Como qualquer programa de tecnologia, o sucesso dos programas de IA depende da capacidade de implementar IA e alinhar os esforços de implementação com metas organizacionais mensuráveis.

Quais recursos as empresas acham que têm o suficiente para implementar com sucesso suas estratégias de IA? Quais recursos estão faltando?

As empresas que consideram a IA crítica para seus negócios indicam que têm o suporte executivo, a estratégia, a visão e o orçamento necessários para implementar com sucesso a estratégia de IA de sua empresa. No entanto, essas empresas geralmente carecem do conhecimento, software e ferramentas necessárias para alcançar o sucesso.

Embora os líderes tenham identificado a necessidade de adotar a IA, a execução dessas estratégias é difícil, sutil e fortemente dependente de experiência. O campo está se movendo tão rapidamente que é difícil acompanhar o ritmo do avanço. Pessoas altamente talentosas com experiência em IA generativa simplesmente não estão disponíveis para a maioria das organizações. Da mesma forma, selecionar, padronizar e atualizar o software e as ferramentas associadas à IA generativa, MLOps e até DevOps é um desafio para empresas sem equipes dedicadas para acompanhar essas mudanças, pois as pilhas de tecnologia necessárias estão em constante evolução.

Considerações finais

O relatório mostra claramente a importância da IA para as organizações, apresenta um panorama da situação atual e do que nos espera em 2023 e nos próximos anos. Além do que foi apresentado aqui, o relatório completo mostra diversos casos de uso por setor econômico e o ciclo de vida de aprendizado de máquina nas empresas.

Sobre mim: aqui. Contato: aqui.

Abraços, @neigrando

Artigos relacionados

Poderiam as máquinas ser autoconscientes?

por Michael Timothy Bennett, The Conversation

Crédito da imagem: Michael Timothy Bennett/Generated using Midjourney, criada pelo Autor

Recentemente, no blog inglês Independent, houve uma postagem em que o chefe do Google DeepMind, Demis Hassabis, disse que “existe a possibilidade” de a inteligência artificial ganhar autoconsciência “um dia”.

Os filósofos ainda não chegaram a uma definição de consciência, mas se quisermos dizer por meio de autoconsciência, esse tipo de coisa, acho que existe a possibilidade de um dia existir na IA”, disse Hassabis em entrevista à CBS. 60 minutos.

Embora os sistemas de IA “definitivamente” não sejam sencientes hoje, de acordo com o chefe da Deepmind, ele disse que “é uma das coisas científicas fascinantes que vamos descobrir nesta jornada”.

Enquanto Hassabis, simplesmente emitiu uma opinião, no dia 26, o blog The Conversation postou um artigo mais fundamentado, sobre a possível autoconsciência de máquinas apresentando informações de uma nova pesquisa de Michael Timothy Bennett sobre como isto pode acontecer, que segue neste post.

Introdução

Para construir uma máquina, é preciso saber quais são suas partes e como elas se encaixam. Para entender a máquina, é preciso saber o que cada parte faz e como contribui para sua função. Em outras palavras, deve-se ser capaz de explicar a “mecânica” de como funciona.

De acordo com uma abordagem filosófica chamada mecanismo, os humanos são indiscutivelmente um tipo de máquina – e nossa capacidade de pensar, falar e entender o mundo é o resultado de um processo mecânico que não entendemos.

Para nos entendermos melhor, podemos tentar construir máquinas que imitem nossas habilidades. Ao fazer isso, teríamos uma compreensão mecanicista dessas máquinas. E quanto mais de nosso comportamento a máquina exibir, mais perto estaremos de ter uma explicação mecanicista de nossas próprias mentes.

Isso é o que torna a IA interessante do ponto de vista filosófico. Modelos avançados como GPT4 e Midjourney agora podem imitar a conversa humana, passar em exames profissionais e gerar belas imagens com apenas algumas palavras.

No entanto, apesar de todo o progresso, as perguntas permanecem sem resposta. Como podemos tornar algo autoconsciente ou consciente de que os outros estão cientes? O que é identidade? O que significa identidade?

Embora existam muitas descrições filosóficas concorrentes dessas coisas, todas elas resistiram à explicação mecanicista.

Em uma sequência de artigos aceitos para a 16ª Conferência Anual de Inteligência Artificial Geral em Estocolmo, o autor Michael Timothy Bennett propõe uma explicação mecanicista para esses fenômenos. Os artigos explicam como podemos construir uma máquina consciente de si mesma, dos outros, de si mesma como percebida pelos outros e assim por diante.

Inteligência e intenção

Muito do que chamamos de inteligência se resume a fazer previsões sobre o mundo com informações incompletas. Quanto menos informações uma máquina precisa para fazer previsões precisas, mais “inteligente” ela é.

Para qualquer tarefa, há um limite para quanta inteligência é realmente útil. Por exemplo, a maioria dos adultos é inteligente o suficiente para aprender a dirigir um carro, mas mais inteligência provavelmente não os tornará melhores motoristas.

Os artigos descrevem o limite superior de inteligência para uma determinada tarefa e o que é necessário para construir uma máquina que o atinja.

O autor chamou a ideia de Navalha de Bennett, que em termos não técnicos é que “as explicações não devem ser mais específicas do que o necessário“. Isso é diferente da interpretação popular da Navalha de Ockham (e suas descrições matemáticas), que é uma preferência por explicações mais simples.

A diferença é sutil, mas significativa. Em um experimento comparando a quantidade de dados que os sistemas de IA precisam para aprender matemática simples, a IA que preferiu explicações menos específicas superou a que prefere explicações mais simples em até 500%.

Explorar as implicações dessa descoberta me levou a uma explicação mecanicista do significado – algo chamado “pragmática griceana“. Este é um conceito em filosofia da linguagem que analisa como o significado está relacionado à intenção.

Para sobreviver, um animal precisa prever como seu ambiente, incluindo outros animais, agirá e reagirá. Você não hesitaria em deixar um carro sem vigilância perto de um cachorro, mas o mesmo não pode ser dito de seu almoço com bife de alcatra.

Ser inteligente em uma comunidade significa ser capaz de inferir a intenção dos outros, que decorre de seus sentimentos e preferências. Se uma máquina deveria atingir o limite superior de inteligência para uma tarefa que depende de interações com um ser humano, ela também teria que inferir corretamente a intenção.

E se uma máquina pode atribuir intenção aos eventos e experiências que acontecem com ela, isso levanta a questão da identidade e o que significa estar ciente de si mesmo e dos outros.

Causalidade e identidade

Vejo John vestindo uma capa de chuva quando chove. Se eu forçar John a usar uma capa de chuva em um dia ensolarado, isso trará chuva? Claro que não! Para um ser humano, isso é óbvio. Mas as sutilezas de causa e efeito são mais difíceis de ensinar a uma máquina (os leitores interessados podem conferir “The Book of Why”, de Judea Pearl e Dana Mackenzie).

Para raciocinar sobre essas coisas, uma máquina precisa aprender que “eu fiz acontecer” é diferente de “eu vi acontecer“. Normalmente, programaríamos esse entendimento nela.

No entanto, o trabalho explica como podemos construir uma máquina que funcione no limite superior da inteligência para uma tarefa. Tal máquina deve, por definição, identificar corretamente causa e efeito – e, portanto, também inferir relações causais. Os artigos do autor exploram exatamente como.

As implicações disso são profundas. Se uma máquina aprende “eu fiz isso acontecer“, então ela deve construir conceitos de “eu” (uma identidade para si mesma) e “isso.

As habilidades de inferir intenções, aprender causa e efeito e construir identidades abstratas estão todas ligadas. Uma máquina que atinge o limite superior de inteligência para uma tarefa deve exibir todas essas habilidades.

Esta máquina não apenas constrói uma identidade para si mesma, mas para cada aspecto de cada objeto que ajuda ou atrapalha sua capacidade de completar a tarefa. Ela pode então usar suas próprias preferências como base para prever o que os outros podem fazer. Isso é semelhante à como os humanos tendem a atribuir intenção a animais não humanos.

Então, o que isso significa para a IA?

Claro, a mente humana é muito mais do que um simples programa usado para conduzir experimentos na pesquisa. O trabalho fornece uma descrição matemática de um possível caminho causal para a criação de uma máquina que é indiscutivelmente autoconsciente. No entanto, as especificidades da engenharia de tal coisa estão longe de serem resolvidas.

Por exemplo, a intenção humana exigiria experiências e sentimentos semelhantes aos humanos, o que é algo difícil de projetar. Além disso, não podemos testar facilmente toda a riqueza da consciência humana. A consciência é um conceito amplo e ambíguo que abrange – mas deve ser distinguido – das afirmações mais restritas acima.

O autor diz ainda que forneceu uma explicação mecanicista dos aspectos da consciência – mas isso por si só não capta toda a riqueza da consciência como os humanos a experimentam. Este é apenas o começo, e pesquisas futuras precisarão expandir esses argumentos.

Enfim

Desde o início deste ano formos bombardeados com posts, vídeos e artigos acadêmicos com novidades sobre algoritmos e novas pesquisas, descobertas e experimentos científicos sobre a inteligência artificial, aprendizado de máquina e suas vertentes, inclusive com especulações de possibilidades futuras de uma máquina autoconsciente. Este post adiciona ainda mais informações sobre o tema, com base em pesquisa e artigos que fornecem descrições de como avançar nesse sentido, porém ressalta que as especificidades da engenharia de tal coisa ainda estão para serem resolvidas.

Se gostou deste conteúdo, por favor, compartilhe este post. 

Sobre mim: aqui. Contato: aqui.

Abraços, @neigrando

Referências

  • Este post foi traduzido e levemente adaptado do artigo original em inglês “Can machines be self-aware? New research explains how this could happen” do blog The Conversation (26 de abril de 2023)
  • Post “Google DeepMind chief says ‘there’s a possibility AI may become self-aware” (opinião de Demis Hassabis no blog Independent.

Artigos relacionados