IA Generativa é Legal, Mas é a Boa e Velha IA "Tradicional" Que Ainda Paga as Contas

Ilustração gerada pelo Magic Media do Canva

Na semana passada, quando o Chat-GPT completou um ano, houveram muitos artigos exaltando as possibilidades e as mudanças na sociedade que seriam decorrentes da adoção em massa da IA generativa (aquela que gera texto, imagens, sons e vídeos), como o Chat-GPT, Google Bard, Dall-e e outros modelos baseados em LLMs (Large Language Models, ou Enormes Modelos de Linguagem, numa tradução livre). Parecia que nada mais seria como antes, milhares de empregos seriam destruídos e um computador iria assumir o lugar destas pessoas.

Aqui mesmo no COGИEWS você viu algumas matérias tentando trazer um enfoque mais realista à questão e chamando a atenção para o fato de que a IA é uma ferramenta que veio para ficar, e que precisamos aprender a usar.

A Inteligência Artificial vai muito além dos LLMs. Sim, eles são interessantes, sim eles têm a capacidade de aumentar nossa produtividade, estão na moda e na mídia, mas existem milhares de modelos e algoritmos que podem ser usados de forma mais específica, com resultados muito melhores e a um custo muito mais baixo. A verdade é que nem todo problema dá para resolver com um chat-bot (quem já acessou um SAC sabe como é), e são poucas as atividades empresariais que se beneficiarão diretamente do poder generativo destes modelos.

Uma Floresta de Algoritmos

Ilustração gerada pelo Dall-e

Para a maioria dos problemas existentes nas empresas, modelos de IA mais "tradicionais" e maduros podem ser empregados, sem necessidade alguma de se recorrer aos LLMs. Digamos que uma empresa precise otimizar a sua previsão de demanda, para antecipar as compras com vistas às festas de fim de ano, por exemplo. Ou que uma empresa queira saber com maior exatidão quais dos seus clientes são VIP, quais são os que só compram quando há descontos (chamados "oportunistas"), quais são os clientes regulares e quais são os que estão em vias de deixar de comprar em definitivo daquela empresa. Não adianta perguntar pro Chat-GPT, ele não foi treinado nos dados específicos de cada empresa, então não vai servir.

Outra coisa importante é que os LLMs como os disponibilizados por Google, Meta ou Open-AI são modelos que em sua concepção são generalistas, e os dados fornecidos para treinar estes algoritmos, ainda que fornecidos de forma anônima a empresas idôneas, alimentarão modelos que podem ser usados por qualquer outra empresa com um problema semelhante.

Para resolver os problemas com a IA é importante que se forneça algum conhecimento para o algoritmo poder aprender e então gerar alguma informação útil. Os modelos de Machine Learning (ML, ou aprendizado de máquina) mais corriqueiros são mais fáceis de se entender, alimentar e operar. Têm como vantagem adicional o fato de requererem um poder computacional menor do que um LLM e de levarem menos tempo para serem treinados, e geram resultados úteis geralmente com pouca informação. Encurtando o processo de aprendizado as empresas conseguem obter resultados de forma mais ágil, e reagir perante o mercado com mais prontidão.

Modelos de ML supervisionados, como árvores de decisão (Decision Trees), vizinho mais próximo (Nearest Neighbors), Naive Bayes, e Multi-layer Perceptron, ou de aprendizado não supervisionado, como Clustering (aglomeração), bi-Clustering, estimação de densidade (Density Estimation) e máquinas de Boltzmann restritas (Restricted Boltzmann machines) ainda são muito úteis para resolver a maioria dos problemas. Na verdade, são ainda muito mais usados na IA do que os LLMs. Aglomerações ou segmentações usando K-means, por exemplo, são muito utilizadas por qualquer bom sistema de CRM.

Na verdade, a oferta de algoritmos é tamanha que cabe ao cientista de dados entender a natureza das informações disponíveis, conhecer o mais profundamente possível o problema a se resolver e então escolher dois ou mais algoritmos para trabalhar, comparando os resultados obtidos antes de optar pelo mais adequado.

Torrentes de Dados

Ilustração gerada pelo Dall-e via Bing

Da mesma forma que a floresta é regada pela água das chuvas e dos rios, os algoritmos são regados por dados. Um algoritmo vai ser tão bom quanto for a qualidade dos dados com os quais vai trabalhar. Conheço alguns cientistas de dados que, após analisarem os dados disponíveis para um determinado problema, optaram por resolvê-lo usando apenas as funções estatísticas do próprio Excel, ou seja, não viram necessidade alguma de aplicar a IA naqueles casos.

A verdade é que as empresas se deparam com problemas o tempo todo, mas raramente possui registros detalhados de dados e informações sobre estes problemas, o que dificulta a aplicação da IA e obriga as empresas a primeiro conhecer e medir, para depois estimar e resolver. Portanto, não é incomum que para que se possa resolver um problema sejam criados sistemas acessórios de coleta de dados. Isto é sempre relevante e indicado, especialmente em problemas mais complexos.

Conclusão

A IA vai bem além do Chat-GPT e do Dall-e. Muitas vezes os algoritmos mais indicados são exatamente os mais simples e rápidos, e que podem rodar "dentro de casa", ou seja, a empresa não corre riscos desnecessários em fornecer seus dados para empresas que operam modelos "abertos" e genéricos, como Google, Amazon, Open-AI, Meta e muitas outras.

É preciso lembrar sempre que para um algoritmo poder produzir um bom resultado é necessário que seja alimentado com boas informações.

Antes de escolher a solução, é preciso conhecer melhor o problema e as informações disponíveis sobre ele. Não é incomum ter que inserir uma etapa de levantamento e enriquecimento de dados antes de aplicar a solução. Às vezes, aplicar a inteligência natural é o bastante para resolver problemas de forma simples, rápida e elegante.