Quando usar IA? Avaliando a necessidade de Machine Learning

Em busca da solução ideal para um problema, a Inteligência Artificial (IA) nem sempre é a resposta mais adequada. A escolha de implementar ou não um modelo de machine learning (ML) exige uma análise cuidadosa das necessidades do cliente, dos custos envolvidos e da precisão desejada. Um sistema baseado em regras pode ser mais eficiente e econômico em muitos casos.

IA faz sentido? Avaliando as necessidades do cliente

Afinal, qual produto deve usar machine learning (ML)? A resposta nem sempre é óbvia. A chegada da IA generativa mudou a forma como vemos a aplicação do ML. Antes, o ML era usado para identificar padrões repetitivos e preditivos nas experiências dos clientes. Agora, é possível usar o ML mesmo sem um conjunto de dados de treinamento completo.

No entanto, a resposta para a pergunta “Quais necessidades do cliente exigem uma solução de IA?” nem sempre é “sim”. Os Large Language Models (LLMs) podem ser caros e nem sempre precisos. Em alguns casos, a implementação de ML não é o melhor caminho. Mas, como os gerentes de projeto de IA avaliam as necessidades de seus clientes para a implementação de IA?

Os principais pontos a serem considerados são:

1. Entradas e saídas necessárias: O cliente fornece uma entrada para o seu produto, e o seu produto fornece uma saída. Por exemplo, em uma playlist gerada por ML no Spotify, as entradas podem incluir as preferências do cliente e as músicas, artistas e gêneros musicais que ele “curtiu”.
2. Combinações de entradas e saídas: As necessidades do cliente podem variar dependendo se ele deseja a mesma saída ou uma saída diferente para a mesma entrada ou para entradas diferentes. Quanto mais combinações de entradas e saídas precisarmos replicar em escala, mais precisaremos recorrer ao ML em vez de sistemas baseados em regras.
3. Padrões nas entradas e saídas: Os padrões nas combinações de entradas ou saídas ajudam a decidir qual tipo de modelo de ML usar para a implementação. Se houver padrões nas combinações de entradas e saídas (como analisar relatos de clientes para obter uma pontuação de sentimento), considere modelos de ML supervisionados ou semissupervisionados em vez de LLMs, pois eles podem ser mais econômicos.
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. Em alguns casos, é melhor usar modelos supervisionados para redes neurais que podem classificar uma entrada usando um conjunto fixo de rótulos, ou até mesmo sistemas baseados em regras, em vez de usar um LLM.

Quando a IA faz sentido? Uma análise prática

Para ajudar os gerentes de projeto a avaliar as necessidades de seus clientes e determinar se a implementação de ML é o caminho certo, preparei a tabela a seguir, que resume as considerações acima:

| 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): Gere uma nova arte a cada clique –StumbleUpon (lembram dele?) descobrindo um novo canto da internet através de buscas aleatórias | Sim | –LLMs de geração de imagem –Algoritmos de recomendação (filtragem colaborativa) |
| Tarefas repetitivas onde um cliente precisa da mesma saída/saída similar para entradas diferentes | –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 de forma eficaz, 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 os LLMs não são tão precisos quanto os modelos supervisionados). |
| Tarefas repetitivas onde um cliente precisa de saídas diferentes para entradas diferentes | –Responder a perguntas de suporte ao cliente –Busca | Sim | É raro encontrar exemplos onde você pode fornecer saídas diferentes para entradas diferentes em escala sem ML. Existem muitas permutações para que uma implementação baseada em regras seja escalável de forma eficaz. Considere: –LLMs com geração aumentada de recuperação (RAG) –Árvores de decisão para produtos como busca |
| Tarefas não repetitivas com saídas diferentes | 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 longo prazo (LSTMs) para prever a próxima palavra Os LLMs são uma ótima opção para este tipo de cenário. |

Escolhendo a ferramenta certa: IA faz sentido?

A moral da história é: não use uma espada laser quando uma tesoura simples pode resolver o problema. Avalie as necessidades 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.

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

Via VentureBeat