Se você descrevesse seus sintomas para mim como líder empresarial e eu os inserisse no ChatGPT, você esperaria que eu gerasse e prescrevesse um plano de tratamento sem consultar um médico primeiro? E se eu lhe oferecesse um acordo: os melhores cientistas de dados do mundo se juntariam à sua organização, mas todos os seus especialistas em negócios teriam que ir para seus concorrentes, deixando você com dados, mas sem especialistas para fornecer contexto?
No cenário atual impulsionado pela IA, muitas vozes discutem as oportunidades, riscos e melhores práticas para integrar a IA generativa, especialmente modelos de linguagem como o GPT-4 ou o Bard. Diariamente, vemos anúncios de novos modelos de código aberto, avanços em pesquisas e lançamentos de produtos. Nesse rápido desenvolvimento, a atenção está nas capacidades dos modelos de linguagem. No entanto, a linguagem só é eficaz quando combinada com conhecimento e compreensão. Por exemplo, se alguém memoriza todas as palavras relacionadas à química, mas carece de conhecimento básico, essa linguagem memorizada continua sendo ineficaz.
Acertando a Receita
Modelos de linguagem podem ser enganosos, pois podem gerar conteúdo sem uma verdadeira compreensão. Se solicitado a criar uma nova receita, por exemplo, eles podem analisar receitas anteriores em busca de correlações, mas não possuem o conhecimento intrínseco sobre o que tem um bom sabor. Isso pode levar a combinações incomuns, como misturar azeite, ketchup e pêssegos — improvável devido à sua ausência em conjuntos de dados anteriores, e não porque o modelo possua verdadeira expertise culinária. Assim, uma receita bem elaborada de um modelo de linguagem é derivada estatisticamente, graças à contribuição de especialistas culinários. A chave para modelos de linguagem eficazes está na integração de expertise.
A Expertise Combina Linguagem com Conhecimento e Compreensão
A expressão "correlação não implica causalidade" ressoa entre os profissionais de dados, destacando o risco de vincular de maneira imprecisa duas fenômenos não relacionados. Enquanto as máquinas são proficientes em identificar correlações e padrões, a verdadeira expertise é necessária para discernir a causalidade e orientar a tomada de decisões. Em nossa jornada de aprendizado, a linguagem é apenas o ponto de partida. À medida que as crianças desenvolvem a linguagem, os cuidadores transmitem conhecimento sobre o ambiente. Eventualmente, elas compreendem causa e efeito, relacionando ações como pular em um lago a resultados. Ao atingirmos a idade adulta, internalizamos estruturas complexas de expertise que entrelaçam linguagem, conhecimento e compreensão.
Reproduzindo a Estrutura da Expertise
Ao explorar qualquer tópico, ter linguagem sem conhecimento ou compreensão não equivale a expertise. Por exemplo, posso saber que um carro tem uma transmissão e um motor com pistões, mas minha compreensão de como funcionam e a capacidade de consertá-los exigem experiência prática — uma área em que não tenho expertise. Traduzindo isso para o contexto de máquinas, modelos de linguagem sem conhecimento ou compreensão associados não devem tomar decisões. Permitir que um modelo de linguagem opere de forma independente é como dar uma caixa de ferramentas a alguém que só sabe prever a próxima palavra relacionada a carros.
Aproveitando os Modelos de Linguagem Reproduzindo Expertise
Para utilizar modelos de linguagem de forma eficaz, precisamos começar com expertise e reverter o processo. O aprendizado de máquina (ML) e o ensino de máquinas focam em transmitir a expertise humana em formatos legíveis por máquinas, permitindo que estas informem ou tomem decisões de forma autônoma, aprimorando assim a capacidade humana de tomar decisões sutis. Um equívoco comum sobre IA e ML é que os dados são o elemento mais crítico. Na realidade, a expertise ocupa essa posição. Se um modelo carece da orientação de um especialista, que insights valiosos pode extrair dos dados? Ao identificar padrões que especialistas reconhecem como benéficos, podemos traduzir esse conhecimento para a linguagem das máquinas para uma tomada de decisão autônoma. Assim, o processo começa com a expertise e trabalha para trás. Por exemplo, um operador de máquina pode reconhecer certos sons que indicam ajustes necessários. Equipando as máquinas com sensores, essa expertise pode ser traduzida para a linguagem das máquinas, liberando o operador para outras tarefas.
Identificando a Expertise Crítica
Ao construir soluções de IA, as organizações devem determinar qual expertise é mais crucial e avaliar o risco associado à perda desse conhecimento em comparação com os benefícios potenciais da automação de decisões relacionadas. Existe um único funcionário essencial para um determinado processo? As tarefas rotineiras podem ser delegadas a sistemas autônomos para proporcionar mais tempo aos funcionários? Após essa avaliação, as organizações podem discutir como traduzir expertise de alto risco ou alto potencial em linguagem de máquina.
Felizmente, a base para sistemas especialistas geralmente já está estabelecida. Modelos de linguagem podem aproveitar a expertise existente programada neles.
Exploração para Operações
Na próxima década, o cenário de mercado mudará com base nos investimentos das organizações em IA. Para um exemplo cauteloso, considere a Netflix, que introduziu o streaming em 2007, levando à falência da Blockbuster apenas três anos depois, apesar dos esforços iniciais da Blockbuster no mesmo setor. Quando concorrentes lançam aplicações avançadas de IA, pode ser tarde demais para outros se adaptarem, especialmente dado o tempo e as habilidades necessárias para desenvolver soluções robustas. Até 2030, empresas que optarem por reagir em vez de inovar poderão se tornar irrelevantes, semelhante ao destino da Blockbuster.
Em vez de esperar que outros alcancem, os líderes empresariais devem explorar proativamente quais posições de mercado únicas podem criar, levando os concorrentes a correrem atrás de respostas. Nesta era de transformação autônoma, as organizações que priorizam a transferência de expertise operacional para máquinas e visualizam as dinâmicas futuras do mercado consolidarão suas posições no mercado.
Classificação
