tecnologia

por

Principais tendências tecnológicas da Gartner para 2025

As tendências tecnológicas estratégicas estão moldando o futuro ao impulsionar a inovação, ao mesmo tempo em que mantêm a responsabilidade ética e a confiança.

Para CIOs e outros líderes seniores de TI, a verdadeira medida da liderança está na capacidade de antecipar e se preparar para o futuro — muito além do horizonte imediato. As Principais Tendências Tecnológicas Estratégicas da Gartner de 2025 servem como um mapa estelar vital para essa jornada, e as tendências se dividem em três grupos:

  • Riscos imperativos da IA: A ascensão dos agentes de IA exigirá avanços na governança de IA e novas tecnologias para combater a desinformação.
  • Novas fronteiras da computação: A computação quântica exigirá novos métodos criptográficos, enquanto sensores de baixo custo permitirão modelos de negócios inovadores.
  • Sinergia homem-máquina – Prepare-se para interações aprimoradas entre experiências físicas e virtuais, robôs se integrando à vida cotidiana e tecnologias que influenciam diretamente a cognição e o desempenho.

Segue um resumo das 10 principais tendências tecnológicas estratégicas apresentadas no relatório:

1 – Agente de IA

Agentes de IA se refere a programas de software que são projetados para tomar decisões e ações de forma independente para atingir objetivos específicos.

Esses programas combinam várias técnicas de IA com recursos como memória, planejamento, detecção do ambiente, uso de ferramentas e acompanhamento de diretrizes de segurança para realizar tarefas para atingir objetivos por conta própria.

Porque é uma tendência: A capacidade de um Agente IA de agir de forma autônoma ou semiautônoma tem o potencial de ajudar os CIOs a concretizar sua visão de IA generativa para aumentar a produtividade em toda a organização.

2 – Plataformas de governança de IA

As plataformas de governança de IA ajudam a gerenciar e controlar os sistemas de IA garantindo que sejam usados ​​de forma responsável e ética.

Elas permitem que os líderes de TI garantam que a IA seja confiável, transparente, justa e responsável, ao mesmo tempo em que atende aos padrões de segurança e éticos. Isso garante que a IA esteja alinhada aos valores da organização e às expectativas sociais mais amplas.

Porque é uma tendência: A IA está sendo usada em mais áreas, especialmente em indústrias com regulamentações rigorosas. À medida que a IA se espalha, também se espalham riscos como preconceito, questões de privacidade e a necessidade de se alinhar com valores humanos.

É crucial garantir que a IA não prejudique certos grupos, manipule mercados ou controle sistemas importantes.

3 – Segurança de desinformação

A segurança de desinformação é projetada para ajudar a identificar o que pode ser confiável.

O objetivo é criar sistemas que garantam que as informações sejam precisas, verifiquem a autenticidade, evitem a representação falsa e monitorem a disseminação de conteúdo prejudicial.

Porque é uma tendência: A desinformação é uma corrida armamentista digital: phishing, hacktivismo, fake news e engenharia social estão sendo turbinados por adversários que pretendem semear o medo, espalhar o caos e cometer fraudes. À medida que as ferramentas de IA e aprendizado de máquina se tornam mais avançadas e acessíveis, espera-se que a desinformação direcionada às empresas aumente, representando riscos significativos e duradouros se não for controlada.

4 – Criptografia Pós-Quântica

A criptografia pós-quântica (PQC) se refere a métodos criptográficos projetados para serem seguros contra as ameaças potenciais representadas por computadores quânticos.

Porque é uma tendência: A computação quântica logo se tornará uma realidade, potencialmente nesta década, e espera-se que torne muitos métodos criptográficos convencionais obsoletos, representando um risco significativo para a segurança de dados. Os criminosos já estão antecipando essa mudança, adotando estratégias como “colher agora, descriptografar depois”, onde eles filtram dados criptografados com a expectativa de que eventualmente serão capazes de descriptografá-los usando tecnologia quântica. Essa ameaça emergente acelerou a necessidade de se preparar para o PQC, que oferece proteção contra a descriptografia quântica.

5 – Inteligência Invisível Ambiental

A inteligência invisível ambiental se refere ao uso generalizado de pequenas etiquetas e sensores de baixo custo para rastrear a localização e o status de vários objetos e ambientes.

Essas informações são enviadas para a nuvem para análise e manutenção de registros. Essas tecnologias serão incorporadas a objetos do cotidiano, muitas vezes sem que o usuário as perceba.

Porque é uma tendência: A tecnologia para etiquetas e sensores de baixo custo se tornou mais acessível, tornando-a economicamente atraente. Ela oferece visibilidade em tempo real, o que é valioso para organizações e cadeias de suprimentos — e pode se expandir para ecossistemas mais amplos ao longo do tempo. Avanços em padrões sem fio como Bluetooth e redes celulares, bem como tecnologias emergentes como backscatter e eletrônicos impressos, darão suporte a novos casos de uso. Essa inteligência também se tornará uma fonte de dados essencial para IA e análise, melhorando produtos e processos.

6 – Computação com eficiência energética

A computação com eficiência energética se refere ao projeto e operação de computadores, data centers e outros sistemas digitais de maneiras que minimizem o consumo de energia e a pegada de carbono.

Porque é uma tendência: A sustentabilidade agora é um foco de nível de diretoria.

A TI contribui significativamente para pegadas ambientais, especialmente em setores como serviços financeiros e serviços de TI, pois IA e outras tecnologias geram maior consumo de energia. Enquanto as melhorias de processamento convencionais estão atingindo seus limites, espera-se que novas tecnologias de computação, como unidades de processamento gráfico (GPUs), computação neuromórfica e computação quântica, forneçam os ganhos substanciais de eficiência energética necessários nos próximos cinco a 10 anos.

7 – Computação Híbrida

A computação híbrida combina várias tecnologias — como CPUs, GPUs, dispositivos de ponta, ASICs e sistemas neuromórficos, quânticos e fotônicos — para resolver problemas computacionais complexos.

Ela cria um ambiente híbrido que usa os pontos fortes de cada tecnologia.

Porque é uma tendência: A computação híbrida permite que as empresas aproveitem novas tecnologias como sistemas fotônicos, biocomputacionais, neuromórficos e quânticos para impacto disruptivo. IA generativa é um exemplo importante, onde resolver problemas complexos requer computação avançada, rede e armazenamento em larga escala.

8 – Computação Espacial

A computação espacial aumenta o mundo físico ao “ancorar” o conteúdo digital no mundo real, permitindo que os usuários interajam com ele em uma experiência imersiva, realista e intuitiva.

Porque é uma tendência: A computação espacial está em alta devido aos avanços em realidade aumentada (RA), realidade mista (RM) e tecnologias de IA, permitindo ambientes digitais imersivos em jogos, saúde e comércio eletrônico. A proliferação do 5G e novos dispositivos como Apple Vision Pro e Meta Quest 3 estão impulsionando a demanda do consumidor e abrindo oportunidades para novos modelos de negócios.

Com grandes empresas como Nvidia e Qualcomm construindo ecossistemas, o mercado está projetado para crescer de US$ 110 bilhões em 2023 para US$ 1,7 trilhão até 2033.

9 – Robôs polifuncionais

Robôs polifuncionais são máquinas que podem executar múltiplas tarefas, seguindo instruções ou exemplos humanos.

Eles são flexíveis tanto no design quanto na forma como operam.

Porque é uma tendência: Robôs polifuncionais estão em alta devido aos crescentes custos de mão de obra e à demanda por ROI aprimorado em setores como armazenagem e manufatura. Os fornecedores estão atraindo a atenção da mídia com preços competitivos, tornando a robótica avançada mais acessível. Embora haja uma ampla variedade de preços e capacidades, os primeiros a adotar estão explorando o potencial desses robôs para lidar com múltiplas tarefas, prometendo flexibilidade e eficiência de custos nos negócios.

10 – Aprimoramento neurológico

Aprimoramento neurológico é o processo de melhorar as habilidades cognitivas de um ser humano usando tecnologias que leem e decodificam a atividade cerebral e, opcionalmente, escrevem no cérebro.

Porque é uma tendência: O aprimoramento neurológico está em alta devido ao seu potencial de permitir a transparência cerebral, revolucionando a assistência médica.

À medida que a IA evolui rapidamente, as empresas estão explorando interfaces cérebro-máquina para ajudar os trabalhadores a se qualificarem e permanecerem competitivos ao aprimorar as habilidades cognitivas. Também está sendo analisado para criar experiências e interações mais profundas e personalizadas para o consumidor por meio de táticas de marketing de última geração.

Fonte: Gartner – 2025 Top Strategic Technology Trends. Novembro de 2024.

Spotlight on 2024 Gartner Hype Cycle™ for Emerging Technologies

Gartner 2024 Hype Cycle for Emerging Technologies Highlights Developer Productivity, Total Experience, AI and Security. Outubro de 2024

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

por

Não culpe a tecnologia pelos problemas da humanidade

Uma coisa que me deixa um tanto chateado é ver pessoas usando a tecnologia, em grupos que tem em sua linha principal de visão e negócios a tecnologia, onde se fala de tendências tecnológicas, tecnologias emergentes e outras aplicadas à vida pessoal e profissional – apresentar artigos e dar ênfase apenas às criticas negativas relacionadas com o tema, como “a tecnologia tirará empregos”, “a tecnologia tem separado as classes sociais”, ou “a tecnologia tem gerado vício e depressão em redes sociais e jogos”.

O problema não está na tecnologia, que em si mesma é apenas ferramenta para aumentar a capacidade humana na resolução dos problemas mais graves da humanidade, além de facilitar a comunicação, acelerar processos de produção, facilitar a existência de novos modelos de negócio, cura para doenças, entretenimento, …

O problema está sim nas pessoas e seus excessos, na falta de equilíbrio e moderação delas, na falta de controle emocional, por deixarem-se levar simplesmente pelas emoções e seus desejos sem usar um mínimo de reflexão e racionalidade por seus próprios atos.

Toda era de transição tecnológica como estamos vivendo (vide ondas da inovação) trouxeram alguns problemas sociais e desempregos (para quem executa alguns tipos de tarefa) inicialmente, mas trouxeram muitas novas oportunidades e empregos em novas atividades profissionais.

Na realidade o que estamos vivendo é um tempo de maior complexidade, como nunca existiu.

Não podemos mais tratar os temas de forma isolada devido a interdependência que existe entre eles.

Assim temos que ampliar nosso raciocínio para além do linear, entender a floresta como um todo e não apenas as árvores isoladamente. E isso exige um certo esforço para mudar nossos próprios modelos mentais, algo que não é nada fácil.

E nesse caminho alguns valores universais continuam válidos, como gentileza, respeito e consideração. E usar de sensibilidade e empatia, pois as pessoas são mais importantes que a tecnologia.

Como profissionais, não podemos apenas destacar problemas, mas sim apresentar e desenvolver soluções centradas no humano, buscar respostas, fazer arte e ciência.

Tenho ciência de que a vida é bela, mas não é justa, principalmente para as classes menos privilegiadas, mas a meu ver, a única forma de melhorar a qualidade geral de todos numa sociedade é via educação e uma melhor gestão governamental.

Viveria a humanidade de forma melhor sem a tecnologia?

Na idade das cavernas, quase não tínhamos tecnologia, sem muitas diferenças sociais (talvez), mas como era a qualidade de vida? Quanto tempo uma pessoa vivia (em anos)?

Cá entre nós, eu e você gostamos de luz e aparelhos domésticos, de algum tipo de veículo para nos levar ao trabalho, de aparelhos celulares sofisticados (smartphone), de notebooks, filmes, jogos, … medicina avançada, …, pois isso tudo é tecnologia nos provendo qualidade de vida e facilitando a conexão entre nós.

50 invenções transformaram o mundo como o conhecemos

As chances são de que, ao ler isso em seu computador, tablet ou telefone, você esteja considerando inúmeras inovações que não existiam 200 anos atrás. Agora, contemple que cerca de 105 bilhões de pessoas andaram pelo planeta, com apenas 5,5% desse número vivo hoje. Pense na quantidade insondável de pessoas que viveram e morreram sem nunca ter usado um banheiro, geladeira ou máquina de lavar. Ou o que dizer da estimativa de que a expectativa de vida na maior parte da história humana foi de apenas 10 anos em média? É porque antibióticos, insulina e cloração da água não existiam há 100 anos.

Confira este infográfico, criado pela Aperion Care, fornecedora de reabilitação de curto prazo, enfermagem qualificada, vida assistida e instalações de vida de longa duração. Ele lista tecnologias que datam de 1850 e inclui inovações atuais e estimativas sobre quantos milhões de pessoas provavelmente viverão mais graças a coisas como inteligência artificial, nanotecnologia e drones.

Perguntas para reflexão

  • Como era a questão do trabalho e do emprego nos tempos em que quase não havia tecnologia? Na idade das cavernas? Na idade antiga? Na idade média?
  • A qualidade de vida melhorou ou piorou com a evolução tecnológica?
  • Seria só ela (a ferramenta) a culpada dos problemas humanos, ou seria a própria estrutura e funcionamento da política, economia e sociedade que tem causado as maiores dores?

Considerações finais

É claro que cabe aos inventores e as empresas refletirem e considerarem as questões éticas, sociais e ambientais relacionados aos produtos desenvolvidos e fornecidos, assim como seus usuários, que podem utilizá-las tanto para o bem quanto para o mal. Cabe também ao poder publico conhecer e regulamentar sempre que necessário.

Se gostou, por favor, compartilhe. 

Este artigo em inglês: Don’t blame technology for humanity’s problems

Sobre mim: aqui. Contato: aqui.

Abraços, @neigrando

Artigos relacionados