Quando é necessário usar IA? Avalie com este guia prático

Afinal, qual produto deve usar IA faz sentido? Essa pergunta paira na mente de muitos gerentes de projetos, especialmente com o advento da IA generativa. Historicamente, a machine learning (ML) tem sido utilizada para padrões repetitivos e preditivos nas experiências dos clientes. No entanto, agora é possível usar uma forma de ML mesmo sem um conjunto de dados de treinamento completo.

A resposta para “quais necessidades do cliente exigem uma solução de IA?” nem sempre é um simples “sim”. Os large language models (LLMs) podem ser caros e nem sempre precisos. Em alguns casos, a implementação de ML pode não ser o caminho certo. Então, como os gerentes de projeto de IA devem avaliar as necessidades dos clientes para a implementação de IA?

Avaliando a Necessidade de IA

Para tomar essa decisão, é preciso considerar alguns pontos-chave:

1. Entradas e saídas necessárias: As entradas são fornecidas pelo cliente ao produto, enquanto as saídas são fornecidas pelo produto ao cliente. Por exemplo, em uma playlist gerada por ML do Spotify, as entradas podem incluir preferências do cliente, músicas e artistas favoritos, e gênero musical.

2. Combinações de entradas e saídas: As necessidades dos clientes podem variar dependendo se eles desejam a mesma saída para a mesma entrada, ou saídas diferentes para entradas diferentes. Quanto mais permutações e combinações precisarmos replicar para entradas e saídas, em escala, mais precisaremos recorrer ao ML em vez de sistemas baseados em regras.

   Leia também:

   • O futuro da IA está na colaboração entre múltiplos agentes especializados
   • 92% das empresas financeiras globais lucram com IA, segundo pesquisa da KPMG
   • Sundar Pichai fala sobre regulação e consumo de energia da IA no Google

3. Padrões em entradas e saídas: Identificar padrões nas combinações de entradas ou saídas ajuda a decidir qual tipo de modelo de ML usar. Se houver padrões (como analisar opiniões de clientes para derivar uma pontuação de sentimento), modelos de ML supervisionados ou semissupervisionados podem ser mais eficazes em termos de custo do que os LLMs.

4. Custo e precisão: As chamadas de LLM nem sempre são baratas em escala, e as saídas nem sempre são precisas, apesar do ajuste fino e da engenharia de prompts. Às vezes, modelos supervisionados para redes neurais que classificam uma entrada usando um conjunto fixo de rótulos, ou até mesmo sistemas baseados em regras, são mais adequados do que usar um LLM.

Matriz de Implementação de ML

A tabela abaixo resume as considerações acima para ajudar os gerentes de projeto a avaliar as necessidades de seus clientes e determinar se uma implementação de ML parece ser o caminho certo.

| Tipo de necessidade do cliente | Exemplo | Implementação de ML (Sim/Não/Depende) | Tipo de Implementação de ML |
|—|—|—|—|
| Tarefas repetitivas onde um cliente precisa da mesma saída para a mesma entrada | Adicionar meu e-mail em vários formulários online | Não | Criar um sistema baseado em regras é mais do que suficiente para ajudar com suas saídas |
| Tarefas repetitivas onde um cliente precisa de saídas diferentes para a mesma entrada | O cliente está em “modo de descoberta” e espera uma nova experiência ao realizar a mesma ação (como fazer login em uma conta): – Gerar uma nova arte a cada clique – StumbleUpon (lembra disso?) descobrindo um novo canto da internet através de busca aleatória | Sim | – LLMs de geração de imagem – Algoritmos de recomendação (filtragem colaborativa) |
| Tarefas repetitivas onde um cliente precisa da mesma/similar saída para diferentes entradas | – Corrigir redações – Gerar temas a partir do feedback do cliente | Depende | Se o número de combinações de entrada e saída for simples o suficiente, um sistema determinístico baseado em regras ainda pode funcionar. No entanto, se você começar a ter várias combinações de entradas e saídas porque um sistema baseado em regras não consegue escalar efetivamente, considere usar: – Classificadores – Modelagem de tópicos Mas apenas se houver padrões nessas entradas. Se não houver padrões, considere usar LLMs, mas apenas para cenários únicos (já que LLMs não são tão precisos quanto modelos supervisionados). |
| Tarefas repetitivas onde um cliente precisa de diferentes saídas para diferentes entradas | – Responder a perguntas de suporte ao cliente – Busca | Sim | É raro encontrar exemplos onde você pode fornecer diferentes saídas para diferentes entradas em escala sem ML. Existem muitas permutações para uma implementação baseada em regras escalar efetivamente. Considere: – LLMs com geração aumentada de recuperação (RAG) – Árvores de decisão para produtos como busca |
| Tarefas não repetitivas com diferentes saídas | Avaliação de um hotel/restaurante | Sim | Antes dos LLMs, esse tipo de cenário era difícil de realizar sem modelos treinados para tarefas específicas, como: – Redes neurais recorrentes (RNNs) – Redes de memória de curto prazo (LSTMs) para prever a próxima palavra LLMs são uma ótima opção para este tipo de cenário. |

Em outras palavras, não use uma lightsaber quando uma tesoura simples pode resolver o problema. Avalie a necessidade do seu cliente usando a matriz acima, levando em consideração os custos de implementação e a precisão da saída, para construir produtos precisos e econômicos em escala.

Implementação Estratégica de IA

A chave para uma implementação bem-sucedida de IA reside em compreender profundamente as necessidades do cliente e avaliar cuidadosamente se a IA é a ferramenta mais adequada para atender a essas necessidades. Como vimos, nem toda solução exige a complexidade de um large language model (LLM). Em muitos casos, abordagens mais simples e diretas, como sistemas baseados em regras ou modelos de machine learning supervisionados, podem oferecer resultados mais precisos e econômicos.

Ao considerar a adoção de IA, os gerentes de projeto devem analisar criticamente os seguintes aspectos:

• Natureza da Tarefa: A tarefa é repetitiva e previsível, ou complexa e variável? Tarefas repetitivas com entradas e saídas bem definidas podem ser resolvidas eficientemente com sistemas baseados em regras. Tarefas complexas que exigem a geração de respostas criativas ou a análise de dados não estruturados podem se beneficiar de LLMs.

• Disponibilidade de Dados: A IA requer grandes volumes de dados para treinamento. Se os dados forem escassos ou de baixa qualidade, a IA pode não ser uma solução viável. Em vez disso, pode ser mais apropriado coletar mais dados ou usar técnicas de aumento de dados.

• Custo e Precisão: Os LLMs podem ser caros de treinar e implementar. Além disso, sua precisão nem sempre é garantida. É importante comparar o custo e a precisão dos LLMs com outras abordagens, como modelos de machine learning supervisionados ou sistemas baseados em regras.

• Escalabilidade: A solução de IA precisa ser escalável para atender às crescentes demandas dos clientes? Os LLMs podem ser escalados para lidar com grandes volumes de dados e solicitações, mas sua escalabilidade pode ser limitada por fatores como custo e disponibilidade de recursos computacionais.

Em última análise, a decisão de implementar IA deve ser baseada em uma análise cuidadosa das necessidades do cliente, dos recursos disponíveis e das compensações entre custo, precisão e escalabilidade. Ao adotar uma abordagem estratégica, os gerentes de projeto podem garantir que a IA seja usada de forma eficaz para criar produtos valiosos e diferenciados.

Este conteúdo foi auxiliado por Inteligência Artificial, mas escrito e revisado por um humano.

Via VentureBeat