Uma visão empresarial
Arthur C, Clark disse a famosa frase que qualquer tecnologia suficientemente avançada é indistinguível da magia. E talvez, na primeira vez que você jogou com IA generativa, isso tenha evocado uma sensação de mágica.
De repente, pela primeira vez em nossa história, temos uma tecnologia que pode falar nossos idiomas, entender nossas solicitações e produzir resultados totalmente novos.
A IA pode escrever poesia e desenhar imagens sobrenaturais.
Ele pode escrever código.
Pode nos surpreender e encantar com uma piada ou composição musical original.
Ela pode criar.
E um ato de criação geralmente inspira admiração.
Mas a IA não é mágica, é matemática e ciência. E não foi repentino. Essas experiências demoraram décadas para serem criadas.
A IA afetará todos os aspectos de nossas vidas, mudará o mundo. Mas como isso mudará o mundo depende de nós, de todos nós.
Então, vamos começar do começo.
As pessoas têm especulado sobre a possibilidade de que as máquinas algum dia pensem desde o final do século XIX, mas a ideia realmente se enraizou no artigo seminal de Alan Turing em 1950.
Os historiadores chamaram Turing de pai da IA. Ele teorizou que poderíamos criar computadores que pudessem jogar xadrez, que superariam jogadores humanos, que poderíamos torná-los proficientes em linguagem natural. Ele teorizou que as máquinas acabariam por pensar. Eu, particularmente, vi e participei da realização de muitos dos marcos que Turing identificou no caminho para uma máquina pensante, incluindo xadrez com sistemas de azul profundo, perigo e debate.
Mas Turing foi só o começo.
Se o artigo de Turing de 1950 foi a faísca, apenas seis anos depois, tivemos o big Bang, a oficina de Dartmouth. Alguns jovens acadêmicos se reuniram com alguns cientistas seniores da Bell Labs e da IBM.
Propuseram um workshop de verão prolongado com apenas algumas pessoas importantes em áreas adjacentes para considerar intensivamente a inteligência artificial. Foi assim que a frase inteligência artificial foi cunhada e marca o ponto em que a IA foi estabelecida como um campo de pesquisa.
Eles descreveram detalhadamente muitos dos desafios que trabalhamos todos esses anos para resolver.
E desenvolva máquinas que poderiam potencialmente pensar, redes neurais, aprendizado autodirigido, criatividade e muito mais, tudo ainda relevante hoje em dia.
Para fins de perspectiva, isso foi em 1956, mesmo ano em que a invenção do transistor ganhou o Prêmio Nobel. Agora, podemos ter mais de 100 bilhões de transistores em uma GPU e bancos e bancos de GPUs interconectadas para fornecer o poder computacional para criar e executar funções generativas de IA.
Todos esses anos, as teorias, técnicas e ideias da IA foram desenvolvidas paralelamente ao progresso no hardware, que resultou em reduções drásticas nos custos de computação e armazenamento, todas convergindo agora para tornar a IA generativa real e prática.
Mas precisamos destacar um ponto crítico. Não se trata apenas de hardware poderoso e algoritmos inteligentes. O terceiro e talvez o ingrediente mais importante, especialmente quando se trata de sua empresa, são os dados.
Você não pode falar sobre IA generativa sem falar sobre dados. É a terceira etapa do banco de inteligência artificial, da arquitetura do modelo, da computação e dos dados.
Você ouve falar sobre grandes modelos de linguagem, ou LLMs, que estão impulsionando a IA generativa. Então, o que eles são?
Em um nível básico, eles são uma nova forma de representar a linguagem em um espaço de alta dimensão com um grande número de parâmetros, uma representação que você cria treinando grandes quantidades de texto.
Dessa perspectiva, grande parte da história da computação tem sido sobre a criação de novas formas de representar dados e extrair valor deles.
Colocamos dados em tabelas, linhas de funcionários ou clientes e colunas de atributos em um banco de dados.
Isso é ótimo para coisas como processamento de transações ou emissão de cheques para pagamentos a pessoas físicas.
Em seguida, começamos a representar dados com gráficos.
Começamos a ver as relações entre os pontos de dados.
Essa pessoa, esse negócio ou esse lugar está conectado a essas outras pessoas, empresas e lugares, rede social ou identificar compras anômalas para detectar fraudes com cartões de crédito.
Agora, com grandes modelos de linguagem, estamos falando de muitos dados e os representando em redes neurais que simulam uma versão abstrata das células cerebrais.
Camadas e camadas de conexões, com dezenas de bilhões ou centenas de bilhões, até trilhões de parâmetros. E, de repente, você pode começar a fazer algumas coisas fascinantes.
Você pode descobrir padrões tão detalhados que você pode prever relacionamentos com muita confiança.
Você pode prever que essa palavra provavelmente está conectada à próxima palavra. Essas duas palavras provavelmente são seguidas por uma terceira palavra específica, construindo, reavaliando e prevendo repetidamente até que algo novo seja escrito.
Algo novo é criado ou gerado, é isso que é a IA generativa.
A capacidade de analisar dados, descobrir relacionamentos e prever a probabilidade de sequências com confiança suficiente para criar ou gerar algo que não existia antes.
Texto, imagens, sons, quaisquer dados que possam ser representados no modelo.
Antes, podíamos fazer uma versão limitada disso com o aprendizado profundo, que foi um marco da IA por si só.
Com o aprendizado profundo, começamos a representar uma grande quantidade de dados usando redes neurais muito grandes com muitas camadas.
Mas, até recentemente, grande parte do treinamento acontecia usando dados anotados, dados que os humanos rotulavam manualmente.
Chamamos isso de aprendizado supervisionado e é caro e demorado, então apenas grandes instituições estavam fazendo esse trabalho, e ele foi feito para tarefas específicas.
Mas por volta de 2017, vimos uma nova abordagem, impulsionada por uma arquitetura chamada transformadores, para fazer uma forma de aprendizado chamada aprendizado auto supervisionado.
Nessa abordagem, um modelo é treinado em uma grande quantidade de dados não rotulados mascarando certas seções do texto, palavras, frases etc. e solicitando que o modelo preencha essas palavras mascaradas.
Esse processo incrível, quando feito em grande escala, resulta em uma representação poderosa que chamamos de grande modelo de linguagem.
Em vez de casos de uso restritos e áreas de especialização, você poderia começar a ter algo mais amplo.
Basicamente, esses LLMs poderiam ser treinados em grandes volumes de dados da Internet e adquirir um conjunto humano de recursos de linguagem natural.
A auto supervisão em grande escala, combinada com dados e computação massivos, nos fornece representações generalizáveis e adaptáveis.
Eles são chamados de modelos básicos, redes neurais de grande escala que são treinadas usando auto supervisão e, em seguida, adaptadas a uma ampla gama de tarefas posteriores.
Isso significa que você pode pegar um modelo grande e pré-treinado, idealmente treinado com dados confiáveis e específicos do setor, e adicionar seu conhecimento institucional para ajustar o modelo para se destacar em seus casos de uso específicos.
Você acaba com algo feito sob medida para você, mas também bastante eficiente e muito mais rápido de implantar. O pensamento atual geralmente é que você pode aplicar isso à linguagem, mas isso gera uma pergunta.
O que é um idioma?
Os sinais em um equipamento industrial estão falando com você, os cliques de um usuário navegando em um site, o código do software, a química e as representações diagramáticas de produtos químicos.
Se você apertar os olhos, tudo começa a parecer uma linguagem, que pode ser decifrada e entendida. A IA pode ser especializada para fazer todos os tipos de coisas que aumentam a produtividade em qualquer um desses idiomas.
Isso significa que a IA pode se estender horizontalmente por toda a sua empresa até processos de RH, atendimento ao cliente e autoatendimento, segurança cibernética, criação de código, modernização de aplicativos e muitas outras coisas.
Com todos os avanços alcançados nos últimos anos, a ambição da década de 1950 deu uma volta completa.
Os modelos atuais não constituem uma verdadeira inteligência geral, mas alguns deles podem passar no teste de Turing. Então, o que isso significa para todos nós?
Algumas pessoas encontram a IA generativa e pensam que estamos no início de uma era brilhante e utópica, enquanto outras pensam que isso é o prelúdio do mistério distópico.
Como cientistas, temos uma visão moderada. Tanto o otimismo quanto a ansiedade são válidos, e fizemos as mesmas perguntas em todos os principais marcos da inovação, da revolução industrial em diante. A IA não diz respeito apenas ao mundo digital, mas também ao mundo físico aplicado adequadamente.
Imagine o que a IA pode fazer pelo ritmo da descoberta e da inovação, o que ela pode fazer pela descoberta de novos materiais, pela medicina, pela energia, pelo clima e por muitos dos desafios urgentes que enfrentamos como espécie.
Em última análise, nosso sucesso depende de como abordamos a IA.
Quando foi a primeira vez que ouvimos falar, de forma mais efetiva, sobre IA generativa. É uma frase que realmente se tornou parte da conversa pública talvez em novembro ou dezembro de 2022.
Vimos novos modelos, modelos evoluídos e uma explosão de modelos abertos. A IA generativa deixou de ser uma novidade fascinante para se tornar um novo imperativo comercial em menos de um ano.
E todos os dias, há notícias de um novo caso de uso ou aplicativo. O crescimento é tão rápido que não consigo prever exatamente onde estaremos daqui a dez anos ou mesmo daqui a dez meses.
Mas eu sei que você vai querer se engajar ativamente em moldar essa jornada. O futuro da IA não é um ou dois modelos incríveis para fazer tudo por todos, é multimodal.
Ela precisa ser democratizada, aproveitando a energia e a transparência da ciência aberta e da IA de código aberto, para que todos tenhamos voz sobre o que é a IA, o que ela faz, como é usada e como ela afeta a sociedade.
Onde você decide o que a IA pode fazer e como ela se integra à sua empresa. É hora de começar a planejar como você pode colocar a IA em ação de forma eficaz, segura e responsável.
Quatro conselhos principais:
Número 1, temos que proteger nossos dados, e as representações desses dados, que, como acabamos de explicar, são o que os modelos de IA são, serão sua vantagem competitiva, não terceirize isso, proteja-os.
Número 2, você precisa se certificar de que está adotando os princípios de transparência e confiança, para que possa entender e explicar o máximo possível das decisões ou recomendações feitas pela IA.
Número 3, você quer garantir que sua IA seja implementada de forma ética, que seus modelos sejam treinados em dados de qualidade acessados legalmente. Esses dados devem ser precisos e relevantes, mas também devem controlar preconceitos, discursos de ódio e outros elementos tóxicos.
E número 4, não seja passageiro. Você precisa se capacitar com plataformas e processos para controlar seu destino de IA. Você não precisa se tornar um especialista em IA, mas todo líder de negócios, cada político, cada regulador, todos devem ter uma base para tomar decisões informadas sobre onde, quando e como aplicamos essa nova tecnologia.
Baseado no texto
IA generativa para executivos e líderes empresariais
+1 Blog do Lito - Diversidades 