Há mais de 30 anos atrás (faz tempo hein?) a alegria de um estudando de engenharia de computação era ligar uma máquina PC XT da IBM, subir o DOS 3.1 e brincar com o PC Tools e o Sidekick, as ferramentas mais sensacionais em utilitários da época. Era possível manter uma calculadora em memória, mudar atributos de arquivos e até acessar a tabela FAT do Floppy Disk, o que deixava monitores de laboratório em fúria! Sempre havia um efeito colateral depois de se esconder um diretório manualmente na tabela de registros de blocos no disco. Quem nunca!? Para constar, a imagem do início desse texto é de telas do PC Tools e do Sidekick, para quem ficou curioso! 😊 Tela ASCII e sem mouse, pois é!
Naquela época, a gente não falava sobre arquitetura corporativa usando máquinas de plataforma baixa ou mesmo sobre IA! O mundo era dominado por mainframes, a chamada plataforma alta. Ao longo dos anos, vimos o surgimento da computação distribuída, do client/server, do Windows for Workgroups, redes LAN, MAN, WAN, servidores de torre, linguagens de programação como C+, Delphi, VB, Java, o VB.DOS (minha mãe), datacenters, COM+, servidores em rack, orientação a objetos, computação em nuvem, microserviços e a integração com a supercomputação e o HPC (High Performance Computing). E mais recentemente, vimos que podemos esperar novos componentes nesse mapa de tecnologias da informação, como computadores quânticos integrados com datacentes de HPC, rodando simulações complexas em jobs para a geração de novos dados de treinamento de modelos de IA, com altíssima acurácia e precisão quântica!
E depois do hype em torno de LLMs, modelos fundamentais, GenIA e ChatGPT de 2023, agora em 2024 a pergunta da vez tem sido: como adotar IA de forma prática no ambiente corporativo? E mesmo empresas de pequeno e médio porte se perguntam: por onde começar um plano de adoção de IA de forma estratégica?
Então, nessa jornadas de IA e Além, esse é o tema do artigo de hoje: como construir uma estratégia de adoção de IA, considerando as inúmeras formas de consumo e tipos de serviços? Vamos lá, começando com o básico!
No-Code, Low-Code e Pro-Code + Governança de APIs
Podemos começar uma discussão sobre a adoção de IAs generativas através de abordagens que chamamos de NO-CODE, LOW-CODE e PRO-CODE, cada um oferecendo vantagens e desvantagens distintas em termos de complexidade, velocidade de implementação e impacto na estratégia de IA.
NO-CODE é a forma mais rápida de iniciar o uso de modelos de IA. Simplesmente ativamos uma subscrição e começamos a consumir. É o caso de consumir uma interface de ChatGPT da OpenAI ou ativar uma subscrição de Microsoft 365, onde temos os assistentes de IA chamados Copilots, para Word, Excel, Powerpoint, Teams e demais produtos da suite de produtividade da Microsoft. Um modelo de adoção NO-CODE exige capacitação do usuário ou colaborador, para uma boa conversa com a interface de IA. Como sabemos, essa conversa acontece na forma de PROMPTs. Ou seja, um bom PROMPT permite a geração de uma boa resposta. A chamada engenharia de prompt hoje não é uma nova profissão, mas sim um SKILLING obrigatório do novo profissional, que será cada vez mais exposto para interfaces de IAs generativas no dia-a-dia do trabalho. Saber gerar boas linhas de PROMPTS para suas perguntas irá garantir o bom acesso aos insights de uma IA disponível.
Então uma primeira forma de adoção é NO-CODE ou o simples consumo de um assistente de IA para um determinado domínio ou atividade do dia-a-dia. Existem centenas de interfaces com essa modalidade e será parte da estratégia da empresa escolher bem quais assistentes serão contratados e disponibilizados para os colaboradores. Ao mesmo tempo, será interessante a criação de um catálogo de PROMPTs corporativos inicial, que irá ajudar no plano de treinamento dos novos usuários, assim como a lista de usuários que irão acessar essa interface. Um exemplo de catálogo de PROMPTs para suíte Microsoft é o COPILOT LAB, que ilustra bem bons PROMPTS sobre ferramentas como Teams, Outlook, Word, etc. Confira: https://copilot.cloud.microsoft/en-US/prompts. Serve bem como exemplo para outras interfaces.
E claro, uma vez usando assistentes NO-CODE dentro do domínio da empresa, as respostas podem ser geradas a partir de repositórios internos da empresa, permitindo navegar sobre informações interessantes de documentos de negócio, regulações, contratos, etc. NO-CODE, como assistente pessoal do dia-a-dia, seja sobre os últimos emails do chefe no outlook ou sobre relatórios de vendas do quarter, é um acelerador poderoso e interessante como primeira estratégia de adoção.
Se NO-CODE não exige programação para seu consumo, LOW-CODE exige integração com aplicações ou dados da empresa, na forma de plug-ins e conectores. Essa forma de adoção de IA é bastante interessante, passando pelo consumo de APIs (Application Programming Interfaces) e as chamadas Arquiteturas RAG (Retrieval Augmented Generation).
As APIs permitem que aplicações consumam serviços de IA generativa fornecidos por terceiros, sem a necessidade de desenvolver ou manter modelos complexos internamente. E mesmo para desenvolvimentos internos, é esperado um departamento consumir uma API de um modelo de IA eventualmente gerado por um outro time da empresa.
Já o uso de arquiteturas RAG permite que dados de contexto da empresa seja usados como dados de enriquecimento para um PROMPT recebido do usuário, orientado uma resposta dentro de um domínio específico de conhecimento ou informação. Mais de 90% dos grandes projetos envolvendo GenAI são baseados em arquiteturas RAG, com contexto da empresa e engenharia de prompt.
Assim, o uso de IA generativa via API + Arquitetura RAG oferece vantagens significativas, como rapidez na implementação, escalabilidade e acesso a modelos em constante evolução. Plataformas de LOW-CODE como o Microsoft Power Plartform são exemplos que garantem velocidade de integração com diferentes sistemas legados e de terceiros, através do uso de conectores disponíveis. Uma solução de IA com LOW-CODE conecta uma base de dados interna, servindo como base de contexto, criando um assistente de IA que agora responde sobre um conhecimento específico da empresa. Nesse cenário, as empresas precisam garantir que o consumo dessas APIs seja gerenciado de forma segura para proteger dados sensíveis, cumprir regulamentações e manter a integridade dos sistemas envolvidos, através do uso de credenciais e logs de segurança. Segurança de dados estará presente sempre, seja em NO-CODE, LOW-CODE e PRO-CODE.
Finalmente, podemos explorar o cenário de PRO-CODE, quando envolvemos um desenvolvimento maior na construção de um sistema com IA. Aqui, estamos falando do uso de máquinas de aprendizado (machine learning) ou diferentes versões de serviços cognitivos de IA (cognitive services), como visão computacional, tradução de idiomas, reconhecimento de padrões, gestão de conhecimento, reconhecimento de fala, biometria, entre outros. Cenários mais complexos envolvendo IA e AUTOMAÇÃO são exemplos de PRO-CODE, quando o projeto envolve times especializados de desenvolvimento para contextos específicos de uso e muito Data Science. Veremos cada vez mais esses cenários envolvendo IOT (Internet of Things) com Digital twins, para o reconhecimento de anomalias ou predição de comportamentos. Ou seja, teremos uma integração entre as chamadas IAs preditivas e IAs generativas, em muitos cenários de indústrias.
Seja para NO-CODE, LOW-CODE ou PRO-CODE, as APIs de IA irão lidar com informações confidenciais em muitos casos, do domínio da empresa. Se fizermos uma lista de pontos de atenção para esses projetos, teremos:
- Segurança de dados sensíveis: será sempre importante proteger dados sensíveis contra acessos não autorizados e vazamentos, através de falhas de autorização ou mesmo ataques sobre a interface de IA, os chamados PROMPT INJECTIONS (lembra do SQL INJECTION?).
- Controle de acesso: quem pode usar as APIs e quais operações eles podem realizar? Aqui, devemos validar as políticas internas e regulamentações externas envolvidas no cenário do projeto.
- Monitoramento e auditoria: devemos ter uma ação contínua de monitoração de atividades suspeitas sobre as interfaces de IA em produção.
- Conformidade e regulamentação: que ainda está no início, mas podemos esperar a necessidade de APIs estarem em conformidade com leis como a LGPD (Lei Geral de Proteção de Dados) e outras regulamentações específicas do setor, usando interfaces de IA. Por exemplo, fique de olho no Projeto de Lei n. 2338 de 2023, que está no Senador Federal sobre o uso de Inteligência Artificial no Brasil. E ainda, acompanhe também a norma da ABNT NBR ISO/IEC 42001, sobre Inteligência Artificial. Links no final do artigo.
Top 10 aplicações de IA
Já encontramos no mercado diversos relatórios consolidando as TOP10 aplicações com IA a partir dos casos de 2023, para diferentes indústrias. Um relatório que destaco aqui é da Bain & Company de 2024, que comenta sobre diversos insights e aplicações de IA (com livre tradução):
Aqui vemos o uso de IAs generativas em cenários como call center, agências ou depto de marketing para geração de campanhas, interfaces para exploração de documentos em finanças ou processos jurídicos, além de aceleradores sobre dados de RH ou de vendas. Podemos pensar em nossa estratégia de adoção de IAs generativas seguindo um mapa como esse, onde 10 cenários de sucesso podem ser explorados como um bom começo de adoção. Ou podemos ainda agrupar esses cenários em relação ao modelo NO-CODE, LOW-CODE e PRO-CODE, como vemos a seguir:
Aqui, temos 4 tipos de aplicações de GenAI como candidatas para adoção em nossa esteira de projetos:
- Sumarização e Q&A: quando fazemos interfaces de IA para sumarização de dados de um certo domínio de conhecimento, por exemplo, sumarização e perguntas sobre processos trabalhistas recebidos na empresa toda semana.
- Tomada de decisão baseada em dados: quando fornecemos para um time executivo um acelerador para a tomada de decisão, com dados sensíveis sobre uma linha de negócio. Esse tipo de cenário é normalmente interno, acelerando a tomada de decisão sobre dados sensíveis, que devem ser de maior qualidade, atualizados e seguros.
- Personalização: quando geramos dados de forma personalizada sobre informações de um cenário, um usuário ou contexto de negócio. Hiperpersonalização de campanhas de markerting é um bom exemplo.
- Automação: quando integramos IAs para processos de automação, em diferentes cenários de projetos, como IOT, Digital Twin, instrumentação de manufatura, ou ações que aceleram produtividade de forma automatizada, com os mais recentes modelos multi agentes.
Uma esteira de projetos de GenAI
Até aqui, falamos sobre tipos de modelos e de aplicações, de APIs e Copilots. Vimos também formas de escolhar um cenário de adoção. Agora, para a criação de uma esteira de projetos, devemos explorar 3 grandes grupos de perguntas:
- Motivadores de adoção: a primeira grande pergunta é essa: para quê adotar uma IA generativa? Para um ganho de eficiência? Aumento de receita? Melhor experiência do cliente? Redução de risco? Otimização de um processo? Resolução de um problema envolvendo linguagem natural? Responder essas perguntas irá ajudá-lo na hora de determinar o ganho percebido com a adoção da IA. Quanto tempo leva hoje para realizar uma tarefa? E se usar GenIA? Vai melhorar?
- Facilitadores de adoção: quem está envolvido no projeto? Existe um time de governança de IA? Os desenvolvedores estão capacitados? Existe um plano de treinamento sobre construção de prompts? Alguém da executiva ou C-Level está envolvido? O time de segurança e compliance está envolvido? Sem pessoas comprometidas e um time multi-disciplinar, projetos de IA são bons passa-tempos, sem maiores impactos! 😊
- Critérios de priorização: como escolher o primeiro projeto de IA? Podemos priorizar pelas categorias de NO-CODE, LOW-CODE e PRO-CODE. Podemos também identificar projetos pelo tipo de impacto como Sumarização, Q&A, Data-Driven Decision, Personalização e Automação. E também pela exposição do cenário para regulações da LGPD (Lei Geral de Proteção de Dados) ou GDPR (General Data Protection Regulation), ou ainda das futuras normas em torno do uso de inteligência artificial, quando estiverem vigentes. Ou seja, nesses cenários, consulte um advogado especialista em IA! 😊
Então, por onde começar uma estratégia de adoção de IA generativa?
Sempre com um LETRAMENTO inicial de times, de usuários, desenvolvedores, analistas de negócio e C-Level.
Conhecer bem as oportunidades em torno de IAs generativas, seu potencial para linhas de negócio e também os cuidados para sua adoção são regras importantes para o sucesso de uma estratégia de IA na sua empresa.
Por enquanto é só! Até o próximo artigo!
Referências:
AI Survey: Four Themes Emerging, BAIN & COMPANY, June 2024
https://www.bain.com/insights/ai-survey-four-themes-emerging/
Microsoft Copilot Lab
https://copilot.cloud.microsoft/en-US/prompts
Designing and developing a RAG solution
https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/rag/rag-solution-design-and-evaluation-guide
Retrieval-Augmented Generation for AI-Generated Content: A Survey
https://arxiv.org/abs/2402.19473
