Tecnologia da Informação

Sobre TI em geral, incluindo desenvolvimento de software.

por

O impacto da Inteligência Artificial na nova economia

TrenDs News : Análise e Tendências

A inteligência artificial está mudando rapidamente o mundo ao nosso redor, e sua influência está claramente moldando o futuro da economia. Ela oferece oportunidades empolgantes e enfrenta desafios importantes, desde automatizar tarefas até revolucionar setores inteiros. Neste post, veremos resumidamente o impacto abrangente da inteligência artificial na economia, com as tendências atuais e possíveis cenários futuros.

Vejas a seguir:

  • A ascensão das máquinas: automação e deslocamento de empregos
  • IA como impulsionador da produtividade: crescimento e eficiência
  • A ascensão de novas indústrias e oportunidades de emprego
  • A natureza evolutiva do trabalho: a colaboração humano-IA
  • O impacto distributivo da IA: desigualdade e necessidade de melhoria de competências
  • As considerações éticas da IA: preconceito, transparência e segurança no emprego
  • A corrida global pela supremacia da IA: competição e colaboração
  • O futuro do trabalho numa economia movida pela IA

A ascensão das máquinas: automação e deslocamento de empregos

A inteligência artificial tem um impacto imediato na automação. Máquinas impulsionadas por IA podem executar tarefas com maior velocidade, precisão e eficiência do que os seres humanos. Isso levanta preocupações sobre a substituição de empregos, especialmente em setores com trabalho manual repetitivo, como a indústria manufatureira e as linhas de montagem. Um estudo do McKinsey Global Institute em 2017 previu que até 2030 a automação poderia substituir até 800 milhões de empregos globalmente. Embora alguns argumentem que novos empregos serão criados em outros setores, a transição pode ser disruptiva, exigindo que muitos trabalhadores se requalifiquem ou melhorem suas habilidade para se adaptarem à nova realidade.

Em relação ao número de robôs industriais instalados por país em 2022, a China lidera significativamente com aproximadamente 290.000 unidades. Outros países como Japão e Estados Unidos seguem, com o Japão instalando mais de 50.000 robôs e os Estados Unidos cerca de 39.500. Em contraste, os demais países têm números de instalação consideravelmente menores.

Quanto às taxas de adoção de IA e IA generativa em várias funções de negócios em 2023, o desenvolvimento de produtos/serviços lidera com a maior adoção de IA e IA generativa, seguido por marketing e vendas. Outras funções, como recursos humanos e produção, têm taxas de adoção mais baixas, sendo que a IA generativa é notavelmente menos utilizada do que a IA geral em todas as funções.

Um exemplo destacado é o desenvolvimento de software, onde em 2023 a maioria dos desenvolvedores ainda não utiliza IA para escrever código, mas há uma tendência geral de abertura à IA, especialmente para tarefas de depuração e revisão de código.”

IA como impulsionador da produtividade: crescimento e eficiência

No entanto, a inteligência artificial não é apenas uma ameaça aos empregos, mas também uma poderosa ferramenta impulsionadora da produtividade. Ao automatizar tarefas repetitivas, a IA libera os trabalhadores humanos para se concentrarem em atividades cognitivas de nível superior que exigem criatividade, resolução de problemas e inteligência social. Essa mudança pode impulsionar a eficiência, a inovação e o crescimento econômico global.

Por exemplo, sistemas logísticos alimentados por IA podem otimizar cadeias de suprimentos, reduzindo custos de transporte e prazos de entrega. Na área da saúde, a IA pode analisar dados médicos para diagnosticar doenças com mais precisão e personalizar planos de tratamento, resultando em melhores resultados para os pacientes e redução dos custos gerais de saúde.

Quanto aos usos mais comuns da IA nos negócios, incluem-se a automação de centrais de atendimento ao cliente, personalização em marketing, melhorias de produtos em P&D e otimização de serviços, demonstrando seu amplo impacto.

A ascensão de novas indústrias e oportunidades de emprego

A inteligência artificial também está abrindo novos horizontes em indústrias e oportunidades de emprego completamente novas. O próprio campo da IA está gerando uma demanda por profissionais qualificados, como cientistas de dados, engenheiros de aprendizado de máquina e especialistas em ética em IA. Além disso, as tecnologias impulsionadas por IA, como veículos autônomos, robótica e cidades inteligentes, exigirão novos conjuntos de habilidades em desenvolvimento, manutenção e operação.

A natureza evolutiva do trabalho: a colaboração humano-IA

O futuro do trabalho provavelmente não será uma escolha radical entre humanos e máquinas. Em vez disso, é provável que vejamos um aumento na colaboração entre humanos e IA, onde ambos trabalham juntos para alcançar os melhores resultados. A IA pode lidar com análise de dados e processamento numérico, enquanto os humanos contribuem com pensamento criativo, tomada de decisões estratégicas e inteligência emocional, que ainda estão além da capacidade das máquinas.

Essa colaboração tem o potencial de criar uma força de trabalho mais eficiente e produtiva, com os humanos focados em tarefas que exigem suas habilidades únicas, ao mesmo tempo em que aproveitam a IA para aumentar suas capacidades.

O impacto distributivo da IA: desigualdade e necessidade de melhoria de competências

O impacto econômico da IA não será distribuído de forma uniforme. Alguns setores e funções serão mais suscetíveis à automação do que outros, o que levanta preocupações sobre desigualdade e qualidade de renda, já que os benefícios da IA tendem a favorecer aqueles que possuem e desenvolvem a tecnologia.

Os governos e as instituições educacionais precisam se preparar para as mudanças no mercado de trabalho, investindo em programas de desenvolvimento de habilidades e requalificação para ajudar os trabalhadores deslocados a se adaptarem a novas oportunidades. Além disso, políticas podem ser necessárias para lidar com o potencial aumento da desigualdade de renda.

Há uma disparidade significativa de gênero na penetração de habilidades em IA, com os homens superando as mulheres na maioria dos países, especialmente na Índia, nos EUA e em várias outras regiões. Isso destaca a importância de promover a diversidade e a inclusão de gênero no campo da IA..

As considerações éticas da IA: preconceito, transparência e segurança no emprego

À medida que a inteligência artificial se torna mais avançada, as considerações éticas tornam-se cada vez mais importantes. Os algoritmos de IA podem perpetuar preconceitos sociais existentes se não forem cuidadosamente projetados e monitorados. Garantir a transparência na tomada de decisões de IA é crucial, especialmente em áreas como recrutamento e aprovação de empréstimos.

Também é necessário abordar o impacto psicológico da insegurança no emprego devido à automação. Governos e empresas devem desenvolver redes de segurança social e sistemas de apoio para ajudar os trabalhadores na transição para uma economia impulsionada pela IA.

Houve um aumento nos incidentes relatados envolvendo IA entre 2012 e 2023, atingindo o pico em 2023. Isso indica uma crescente necessidade de lidar com preocupações sobre a confiabilidade e segurança da IA à medida que sua utilização se torna mais generalizada.

Os principais desenvolvedores de IA e empresas de tecnologia utilizam diversos critérios para promover a IA responsável, o que torna difícil uma avaliação uniforme dos riscos e limitações dos modelos de IA..

A corrida global pela supremacia da IA: competição e colaboração

O desenvolvimento e a implementação da tecnologia de inteligência artificial tornaram-se uma corrida global, com países como Estados Unidos, China e União Europeia competindo pela liderança. Essa competição pode impulsionar a inovação, mas também levanta preocupações sobre segurança nacional e o potencial uso indevido da IA para fins militares.

Os Estados Unidos lideram o notável desenvolvimento de modelos de aprendizado de máquina, com 61 modelos em 2023, seguidos pela China com 15, enquanto outros países têm contagens de um dígito.

A colaboração internacional no desenvolvimento da IA é crucial para estabelecer diretrizes éticas e garantir que os benefícios da IA sejam compartilhados globalmente. O custo para treinar o Gemini Ultra em 2023 é o mais alto, ultrapassando US$ 190 milhões, mostrando um aumento significativo em relação a modelos anteriores, como o Transformer e o BERT-Large, que custavam menos de um milhão de dólares. Essa tendência destaca a importância de recursos financeiros substanciais, ou “grandes bolsos”, à medida que o desenvolvimento avançado de IA se torna mais caro, limitando a pesquisa e o desenvolvimento de ponta em IA a entidades bem financiadas, como grandes empresas ou instituições de pesquisa bem equipadas.

O futuro do trabalho numa economia movida pela IA

O impacto da inteligência artificial na economia ainda está em desenvolvimento, e o futuro permanece incerto. No entanto, ao compreendermos os potenciais benefícios e desafios, podemos nos preparar para um mundo em que humanos e máquinas trabalhem juntos.

A IA mostra excelência em tarefas como categorização de imagens, interpretação de pistas visuais e processamento de linguagem natural. No entanto, ainda enfrenta desafios em áreas complexas, como matemática avançada e compreensão de cenários visuais variados e planejamento estratégico.

O investimento em IA generativa aumentou de forma constante em 2020 e 2021, antes de experimentar um aumento substancial em 2022, atingindo seu pico em 2023, com 25,23 bilhões de dólares. Essa tendência destaca o crescente interesse e confiança dos investidores privados nessa área.

Veja algumas tendências principais a serem observadas nos próximos anos:

  • A ascensão de plataformas e ecossistemas alimentados por IA: A IA será integrada de forma transparente às plataformas e fluxos de trabalho existentes, gerando novos modelos de negócio e oportunidades econômicas.
  • A crescente importância dos dados: Os dados se tornarão o combustível que impulsiona a inovação em IA. Empresas e governos capazes de coletar, gerenciar e analisar dados de forma eficaz terão uma vantagem significativa.
  • A necessidade de aprendizagem ao longo da vida: O ritmo acelerado da mudança tecnológica exigirá uma cultura de aprendizagem contínua para acompanhar a evolução constante.

Fontes: Traduzido e adaptado de: Artificial Intelligence Index Report 2024, e newsletere de Armand da nocode.ia

por

Tendências Tecnológicas para 2024

Fonte da imagem: artigo original do Gartner

O Gartner divulgou as 10 principais tendências tecnológicas estratégicas para 2024. Essas inovações podem levar líderes, gestores e colaboradores mais rapidamente em direção aos seus objetivos de negócios, especialmente na era da IA em rápida evolução. Integre propositalmente algumas selecionadas para ajudar a construir e proteger sua organização digital e, ao mesmo tempo, gerar valor.

Essas tendências tecnológicas estratégicas serão levadas em consideração nas decisões de negócios e tecnologia nos próximos três anos.

O Gartner recomenda que você avalie os impactos e benefícios de cada uma dessas tendências tecnológicas para determinar qual inovação — ou combinação estratégica — terá o impacto mais significativo no sucesso da sua organização. Segue os tópicos das 10 estratégias do documento:

– Gerenciamento de confiança, risco e segurança de IA (AI TRiSM)

A democratização do acesso à IA tornou a necessidade da Gestão de Confiança, Risco e Segurança da IA (TRiSM) ainda mais urgente e clara. Sem barreiras de proteção, os modelos de IA podem gerar rapidamente efeitos negativos agravados que ficam fora de controle, ofuscando qualquer desempenho positivo e ganhos sociais que a IA permite.

AI TRiSM fornece ferramentas para ModelOps, proteção proativa de dados, segurança específica de IA, monitoramento de modelo (incluindo monitoramento de desvio de dados, desvio de modelo e/ou resultados não intencionais) e controles de risco para entradas e saídas para modelos e aplicativos de terceiros.

O Gartner prevê que, até 2026, as empresas que aplicam controlos AI TRiSM aumentarão a precisão da sua tomada de decisão, eliminando até 80% de informações defeituosas e ilegítimas.

– Gerenciamento contínuo de exposição a ameaças (CTEM)

O gerenciamento contínuo de exposição a ameaças é uma abordagem pragmática e sistêmica que permite às organizações avaliar a acessibilidade, exposição e explorabilidade dos ativos digitais e físicos de uma empresa de forma contínua e consistente. Alinhar os escopos de avaliação e remediação do CTEM com vetores de ameaças ou projetos de negócios, em vez de um componente de infraestrutura, traz à tona não apenas as vulnerabilidades, mas também ameaças incorrigíveis.

Até 2026, o Gartner prevê que as organizações que priorizam seus investimentos em segurança com base em um programa CTEM perceberão uma redução de dois terços nas violações.

– Tecnologia Sustentável

A tecnologia sustentável é uma estrutura de soluções digitais utilizadas para permitir resultados ambientais, sociais e de governação (ESG) que apoiam o equilíbrio ecológico e os direitos humanos a longo prazo. A utilização de tecnologias como IA, criptomoedas, Internet das Coisas (IoT) e a computação em nuvem está gerando preocupações sobre o consumo de energia e os impactos ambientais relacionados. Isto torna mais crítico garantir que a utilização da TI se torne mais eficiente, circular e sustentável. Na verdade, a Gartner prevê que, até 2027, 25% dos CIOs verão a sua remuneração pessoal ligada ao impacto tecnológico sustentável.

– Engenharia de Plataforma

Engenharia de plataforma é a disciplina de construção e operação de plataformas de desenvolvimento interno de autoatendimento. Cada plataforma é uma camada, criada e mantida por uma equipe de produto dedicada, projetada para dar suporte às necessidades de seus usuários por meio da interface com ferramentas e processos. O objetivo da engenharia de plataforma é otimizar a produtividade, a experiência do usuário e acelerar a entrega de valor comercial.

– Desenvolvimento Aumentado por IA

Trata-se do desenvolvimento aumentado por IA, é o uso de tecnologias de IA, como GenAI e aprendizado de máquina, para auxiliar engenheiros de software no projeto, codificação e teste de aplicativos. A engenharia de software assistida por IA melhora a produtividade do desenvolvedor e permite que as equipes de desenvolvimento atendam à crescente demanda por software para administrar os negócios. Essas ferramentas de desenvolvimento baseadas em IA permitem que os engenheiros de software gastem menos tempo escrevendo código, para que possam dedicar mais tempo a atividades mais estratégicas, como o design e a composição de aplicativos de negócios atraentes.

– Plataformas de nuvem industriais (ICPs)

Até 2027, o Gartner prevê que mais de 70% das empresas usarão plataformas de nuvem industriais para acelerar suas iniciativas de negócios, contra menos de 15% em 2023. Os ICPs abordam resultados de negócios relevantes para o setor, combinando serviços SaaS, PaaS e IaaS subjacentes. em uma oferta completa de produtos com recursos combináveis. Isso normalmente inclui uma estrutura de dados do setor, uma biblioteca de pacotes de recursos de negócios, ferramentas de composição e outras inovações de plataforma. Os ICPs são propostas de nuvem personalizadas específicas para um setor e podem ser adaptadas às necessidades de uma organização.

As principais tendências tecnológicas estratégicas deste ano destacam as tendências que gerarão disrupções e oportunidades significativas para os CIOs e outros líderes de TI nos próximos 36 meses.

– Aplicativos Inteligentes

O Gartner define Aplicações Inteligentes como adaptação aprendida para responder de forma adequada e autônoma – como uma capacidade. Essa inteligência pode ser utilizada em muitos casos de uso para melhorar ou automatizar o trabalho. Como capacidade fundamental, a inteligência em aplicações compreende vários serviços baseados em IA, como aprendizado de máquina, armazenamento de vetores e dados conectados. Consequentemente, os aplicativos inteligentes proporcionam experiências que se adaptam dinamicamente ao usuário.

Existe uma clara necessidade e demanda por aplicações inteligentes. Vinte e seis por cento dos CEOs na pesquisa Gartner CEO and Senior Business Executive de 2023 citaram a escassez de talentos como o risco mais prejudicial para suas organizações. Atrair e reter talentos é a principal prioridade da força de trabalho dos CEOs, enquanto a IA foi eleita a tecnologia que terá um impacto mais significativo nas suas indústrias nos próximos três anos.

– IA generativa democratizada (GenAI)

A IA generativa a tornar-se-á democratizada pela confluência de modelos massivamente pré-treinados, computação em nuvem e código aberto, tornando estes modelos acessíveis a trabalhadores em todo o mundo. O Gartner prevê que até 2026 mais de 80% das empresas terão usado APIs e modelos GenAI e/ou implantado aplicativos habilitados para GenAI em ambientes de produção, contra menos de 5% no início de 2023.

Os aplicativos GenAI podem tornar vastas fontes de informações – internas e externas – acessíveis e disponíveis para usuários empresariais. Isto significa que a rápida adoção da GenAI democratizará significativamente o conhecimento e as competências na empresa. Grandes modelos de linguagem (LLMs) permitem que as empresas conectem seus trabalhadores ao conhecimento em um estilo conversacional com uma rica compreensão semântica.

– Força de trabalho conectada aumentada (ACWF)

A força de trabalho conectada aumentada é uma estratégia para otimizar o valor derivado dos trabalhadores humanos. A necessidade de acelerar e dimensionar talentos está impulsionando a tendência ACWF. A ACWF utiliza aplicações inteligentes e análises da força de trabalho para fornecer contexto diário e orientação para apoiar a experiência, o bem-estar e a capacidade da força de trabalho de desenvolver as suas próprias competências. Ao mesmo tempo, o ACWF impulsiona resultados empresariais e impacto positivo para as principais partes interessadas.

Até 2027, 25% dos CIOs usarão iniciativas de força de trabalho conectada aumentada para reduzir o tempo de aquisição de competência em 50% para funções-chave.

– Clientes Máquinas (custobots)

Os clientes-máquina são atores económicos não humanos que podem negociar e adquirir autonomamente bens e serviços em troca de pagamento. Até 2028, existirão 15 mil milhões de produtos conectados com potencial para se comportarem como clientes, com mais milhares de milhões a seguir nos próximos anos. Esta tendência de crescimento será a fonte de triliões de dólares em receitas até 2030 e acabará por se tornar mais significativa do que a chegada do comércio digital. As considerações estratégicas devem incluir oportunidades para facilitar estes algoritmos e dispositivos, ou mesmo criar novos custobots.

Cada uma das tendências está relacionada com um ou mais temas-chave para os negócios: proteger e preservar investimentos passados e futuros, construir as soluções certas para as partes interessadas certas no momento certo e agregar valor ao ambiente em mudança dos clientes internos e externos.

Para saber mais, baixe o e-book: seu guia detalhado para as 10 principais tendências tecnológicas estratégicas do Gartner para 2024.

Abraço, @neigrando

Referência

Texto traduzido e levemente adaptado de “Gartner Identifies the Top 10 Strategic Technology Trends for 2024“, by Gartner, 16 de outubro de 2023.

Artigos relacionados

por

Explicado a IA Generativa

Como funcionam os poderosos sistemas de IA generativa, como o ChatGPT, e o que os torna diferentes de outros tipos de inteligência artificial?

O que as pessoas querem dizer quando falam em “IA generativa” e por que esses sistemas parecem estar entrando em praticamente todas as aplicações imagináveis? Os especialistas em IA do MIT ajudam a analisar os meandros dessa tecnologia cada vez mais popular e onipresente.

Uma rápida olhada nas manchetes faz parecer que a inteligência artificial generativa está em toda parte atualmente. Na verdade, algumas dessas manchetes podem ter sido escritas por IA generativa, como o ChatGPT da OpenAI, um chatbot que demonstrou uma capacidade incrível de produzir texto que parece ter sido escrito por um ser humano.

Mas o que as pessoas realmente querem dizer quando falam em “IA generativa”?

Antes do boom da IA generativa dos últimos anos, quando as pessoas falavam sobre IA, normalmente falavam de modelos de aprendizagem automática que podem aprender a fazer previsões com base em dados. Por exemplo, esses modelos são treinados, utilizando milhões de exemplos, para prever se um determinado raio X mostra sinais de um tumor ou se um determinado mutuário tem probabilidade de não pagar um empréstimo.

A IA generativa pode ser considerada um modelo de aprendizado de máquina treinado para criar novos dados, em vez de fazer uma previsão sobre um conjunto de dados específico. Um sistema de IA generativo é aquele que aprende a gerar mais objetos que se parecem com os dados nos quais foi treinado.

“Quando se trata do maquinário real subjacente à IA generativa e a outros tipos de IA, as distinções podem ser um pouco confusas. Muitas vezes, os mesmos algoritmos podem ser usados para ambos”, diz Phillip Isola, professor associado de engenharia elétrica e ciência da computação no MIT e membro do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL).

E apesar do entusiasmo que surgiu com o lançamento do ChatGPT e seus equivalentes, a tecnologia em si não é totalmente nova. Esses poderosos modelos de aprendizado de máquina baseiam-se em pesquisas e avanços computacionais que remontam a mais de 50 anos.

Um aumento na complexidade

Um dos primeiros exemplos de IA generativa é um modelo muito mais simples conhecido como cadeia de Markov. A técnica leva o nome de Andrey Markov, um matemático russo que em 1906 introduziu este método estatístico para modelar o comportamento de processos aleatórios. No aprendizado de máquina, os modelos de Markov têm sido usados há muito tempo para tarefas de previsão da próxima palavra, como a função de preenchimento automático em um programa de e-mail.

Na previsão de texto, um modelo de Markov gera a próxima palavra em uma frase observando a palavra anterior ou algumas palavras anteriores. Mas como esses modelos simples só podem olhar para trás até certo ponto, eles não são bons para gerar textos plausíveis, diz Tommi Jaakkola, professor Thomas Siebel de Engenharia Elétrica e Ciência da Computação no MIT, que também é membro do CSAIL e do Institute for Dados, Sistemas e Sociedade (IDSS).

“Já estávamos gerando coisas muito antes da última década, mas a principal distinção aqui está em termos da complexidade dos objetos que podemos gerar e da escala em que podemos treinar esses modelos”, explica ele.

Há apenas alguns anos, os pesquisadores tendiam a se concentrar em encontrar um algoritmo de aprendizado de máquina que fizesse o melhor uso de um conjunto de dados específico. Mas esse foco mudou um pouco, e muitos investigadores estão agora utilizando conjuntos de dados maiores, talvez com centenas de milhões ou mesmo milhares de milhões de pontos de dados, para treinar modelos que podem alcançar resultados impressionantes.

Os modelos básicos subjacentes ao ChatGPT e sistemas semelhantes funcionam da mesma maneira que um modelo de Markov. Mas uma grande diferença é que o ChatGPT é muito maior e mais complexo, com bilhões de parâmetros. E foi treinado com base numa enorme quantidade de dados – neste caso, grande parte do texto disponível publicamente na Internet.

Neste enorme corpus de texto, palavras e frases aparecem em sequências com certas dependências. Essa recorrência ajuda o modelo a entender como cortar o texto em pedaços estatísticos que tenham alguma previsibilidade. Ele aprende os padrões desses blocos de texto e usa esse conhecimento para propor o que pode vir a seguir.

Arquiteturas mais poderosas

Embora conjuntos de dados maiores tenham sido um catalisador que levou ao boom da IA generativa, uma variedade de avanços importantes na pesquisa também levou a arquiteturas de aprendizagem profunda mais complexas.

Em 2014, uma arquitetura de aprendizado de máquina conhecida como rede adversária generativa (GAN) foi proposta por pesquisadores da Universidade de Montreal. As GANs usam dois modelos que funcionam em conjunto: um aprende a gerar uma saída alvo (como uma imagem) e o outro aprende a discriminar dados verdadeiros da saída do gerador. O gerador tenta enganar o discriminador e, no processo, aprende a obter resultados mais realistas. O gerador de imagens StyleGAN é baseado nesses tipos de modelos.

Os modelos de difusão foram introduzidos um ano depois por pesquisadores da Universidade de Stanford e da Universidade da Califórnia em Berkeley. Ao refinar iterativamente seus resultados, esses modelos aprendem a gerar novas amostras de dados que se assemelham a amostras em um conjunto de dados de treinamento e têm sido usados para criar imagens de aparência realista. Um modelo de difusão está no centro do sistema de geração de texto para imagem Stable Diffusion.

Em 2017, pesquisadores do Google introduziram a arquitetura do transformador, que tem sido usada para desenvolver grandes modelos de linguagem, como aqueles que alimentam o ChatGPT. No processamento de linguagem natural, um transformador codifica cada palavra em um corpus de texto como um token e, em seguida, gera um mapa de atenção, que captura os relacionamentos de cada token com todos os outros tokens. Este mapa de atenção ajuda o transformador a compreender o contexto ao gerar um novo texto.

Estas são apenas algumas das muitas abordagens que podem ser usadas para IA generativa.

Uma gama de aplicações

O que todas essas abordagens têm em comum é que convertem entradas em um conjunto de tokens, que são representações numéricas de blocos de dados. Contanto que seus dados possam ser convertidos nesse formato de token padrão, então, em teoria, você poderia aplicar esses métodos para gerar novos dados semelhantes.

“Sua milhagem pode variar, dependendo do nível de ruído dos seus dados e da dificuldade de extração do sinal, mas está realmente se aproximando da maneira como uma CPU de uso geral pode receber qualquer tipo de dados e começar a processá-los de forma unificada”, diz Isola.

Isso abre uma enorme variedade de aplicações para IA generativa.

Por exemplo, o grupo de Isola está utilizando IA generativa para criar dados de imagens sintéticas que poderiam ser utilizados para treinar outro sistema inteligente, por exemplo, ensinando um modelo de visão computacional a reconhecer objetos.

O grupo de Jaakkola está usando IA generativa para projetar novas estruturas proteicas ou estruturas cristalinas válidas que especifiquem novos materiais. Da mesma forma que um modelo generativo aprende as dependências da linguagem, se em vez disso forem mostradas estruturas cristalinas, ele pode aprender as relações que tornam as estruturas estáveis e realizáveis, explica ele.

Mas embora os modelos generativos possam alcançar resultados incríveis, eles não são a melhor escolha para todos os tipos de dados. Para tarefas que envolvem fazer previsões sobre dados estruturados, como os dados tabulares em uma planilha, os modelos generativos de IA tendem a ser superados pelos métodos tradicionais de aprendizado de máquina, diz Devavrat Shah, professor Andrew e Erna Viterbi em Engenharia Elétrica e Ciência da Computação no MIT. e membro do IDSS e do Laboratório de Sistemas de Informação e Decisão.

“O maior valor que eles têm, na minha opinião, é se tornarem uma interface incrível para máquinas que sejam amigáveis ao ser humano. Anteriormente, os humanos tinham que falar com as máquinas na linguagem das máquinas para fazer as coisas acontecerem. Agora, esta interface descobriu como falar tanto com humanos quanto com máquinas”, diz Shah.

Levantando bandeiras vermelhas

Os chatbots generativos de IA agora estão sendo utilizados em call centers para responder a questões de clientes humanos, mas esta aplicação sublinha um potencial sinal de alerta na implementação destes modelos: o deslocamento de trabalhadores.

Além disso, a IA generativa pode herdar e proliferar vieses que existem nos dados de treino ou amplificar o discurso de ódio e as declarações falsas. Os modelos têm a capacidade de plagiar e podem gerar conteúdo que parece ter sido produzido por um criador humano específico, levantando potenciais problemas de direitos autorais.

Por outro lado, Shah propõe que a IA generativa poderia capacitar os artistas, que poderiam usar ferramentas generativas para ajudá-los a criar conteúdos criativos que, de outra forma, não teriam meios para produzir.

No futuro, ele vê a IA generativa mudando a economia em muitas disciplinas.

Uma direção futura promissora que Isola vê para a IA generativa é seu uso para fabricação. Em vez de um modelo fazer a imagem de uma cadeira, talvez pudesse gerar um design para uma cadeira que pudesse ser produzida.

Ele também vê usos futuros para sistemas generativos de IA no desenvolvimento de agentes de IA mais geralmente inteligentes.

“Existem diferenças na forma como estes modelos funcionam e como pensamos que o cérebro humano funciona, mas penso que também existem semelhanças. Temos a capacidade de pensar e sonhar mentalmente, de apresentar ideias ou planos interessantes, e acho que a IA generativa é uma das ferramentas que capacitará os agentes para fazer isso também”, diz Isola.

Referência

Texto traduzido e levemente adaptado de “Explained: Generative AI” por Adam Zewe | MIT News, Novembro 2023

Observação: Este texto foi mantido o mais fiel possível ao original, para uso na disciplina Fundamentos de Inteligência Artificial que ministro na pós-graduação da ESPM em São Paulo – aproveitei para compartilhá-lo com os leitores deste blog.

Artigos relacionados