Uma combinação de poder computacional, modelos especializados e grandes quantidades de dados é a receita para que os humanos tenham uma tecnologia que entenda as nossas perguntas, escreva códigos de programação, traduza textos, componha músicas, escreva poemas ou gere fascinantes imagens a partir de uma descrição de texto, tudo isso falando em nosso próprio idioma. Estamos falando da Generative AI. 

A Revolução na Inteligência Artificial Generativa (IAG) 

A Inteligência Artificial Generativa, também conhecida como IAG ou Gen IA, é uma vertente da Inteligência Artificial com a capacidade de gerar um conteúdo com base nos dados utilizados para seu treinamento. Em 2022, a popularização da IAG teve início com o lançamento do ChatGPT, um serviço de destaque nesse campo. 

O ChatGPT surpreendeu o mundo ao oferecer respostas interessantes e bem estruturadas, além de realizar tarefas como tradução e resumo de texto com facilidade. Sua popularidade cresceu rapidamente, conquistando mais de 30 milhões de usuários, somando a versão gratuita e a versão de paga, em apenas dois meses após o seu lançamento. Poucos meses depois, a Google lançou o Google Bard, totalmente gratuito e oferecendo também respostas bem estruturadas e com conteúdo e informações mais próximas do tempo real. Estas inovações marcaram um ponto de virada na forma como interagimos com a Inteligência Artificial Generativa. 

Explorando Modelos de IAG e Foundation Models: Impulsionando a Inovação

A popularização do Google Bard e do ChatGPT gerou interesse nos modelos que estavam por trás deles, como o GPT-3.5 (Generative Pre-trained Transformer) o LaMDA (Language Model for Dialogue Applications), com capacidade de geração de textos a partir de texto. Também despertaram interesse em outros modelos de IAG para geração de imagens a partir de descrições textuais, como o Imagen ou o DALL-E. Além disso, há modelos de geração de vídeo ou música a partir de texto e também modelos que geram imagens tendo como base outras imagens. 

Esses modelos de IAG, chamados de Modelos Fundacionais, Modelos Base ou Foundation Models, foram treinados usando aprendizagem de máquina não supervisionada ou auto supervisionada, com milhões ou até bilhões de parâmetros. Eles servem como fundamento para que sejam aperfeiçoados com informação adicional específica para qualquer tarefa.  Podem ser treinados não apenas com texto, mas também com imagens, áudios e outros tipos de dados. As principais vantagens deles são a adaptabilidade, os possíveis ganhos em produtividade e o potencial aumento da receita. 

Nos últimos meses, tem sido lançada uma grande variedade de modelos de IAG para os mais variados objetivos. Existem ferramentas que usam IAG para criar, em segundos, resumos de vídeos inteiros. Além disso, foram lançadas ferramentas para geração de arquivos de áudio a partir de textos e ferramentas de edição de vídeos que reduzem o tempo de edição de horas para segundos.  

Algumas empresas já usam modelos de IAG para criar “rascunhos” de documentos de texto, formatados em estilo e comprimento específicos. É como se tivessem um assistente virtual que ajuda na criação de relatórios ou textos gerais. Outras empresas estão usando IAG para ajudar os funcionários nas análises dos dados de uma área ou de um tema em particular, isso envolve treinar um modelo com informações específicas da empresa para agilizar a tomada de decisões.   

A Generative AI como Diferencial Competitivo: Atendimento, Desenvolvimento, Produtividade e Saúde  

A IAG utilizada nos chatbots pode ajudar a identificar mais rapidamente a necessidade dos clientes. Além disso, aprimora o fluxo de atendimento e melhorar significativamente as respostas que os usuários recebem. Isso tem um impacto positivo na experiência geral. A IAG também está ajudando a gerar, verificar e explicar códigos de programação, tornando a produção de software mais eficiente. Na área da saúde, a IAG está ajudando na pesquisa e no desenvolvimento de novos medicamentos permitindo reduzir o tempo e recursos. 

Particularmente, a IAG oferece novas oportunidades para aumentar a receita encurtando o tempo de criação de novos produtos, bem como melhorar a produtividade dos funcionários com software para resumir, redigir ou editar texto em relatórios, formulários ou documentos institucionais. Em um futuro muito próximo, a utilização da Generative AI vai se tornar um diferencial e uma vantagem competitiva.  

Objetivos e Adoção da IAG nas Empresas: Insights da Pesquisa Gartner e McKinsey 

Em uma pesquisa recente da Gartner com mais de 2.500 executivos sobre o objetivo do uso da IAG nas empresas, os resultados mostraram que o objetivo de 38% deles era melhorar a experiência dos clientes ou a retenção destes. 26% deles usaram a IAG para aumentar a receita da empresa e 17% indicaram que utilizaram a ferramenta para otimização de custos. Na última pesquisa global anual da McKinsey, um terço dos entrevistados afirmou usar IAG regularmente em pelo menos uma função de negócios. Além disso, mais de um quarto dos entrevistados de empresas que usam IA relataram que o IAG já está nas agendas de seus conselhos administrativos. 

Adoção Responsável da Generative AI nas Empresas: Estratégias e Medidas Essenciais 

A adoção da Generative AI nas empresas precisa de adaptações nas estratégias, nas estruturas organizacionais e na forma de gerenciar as pessoas. O objetivo não é substituir o funcionário, mas fornecer melhores ferramentas para executar as tarefas de modo mais rápido e eficiente. Dependendo da solução adotada, também é necessário levar-se em consideração alguns pontos e observar algumas medidas para evitar dores de cabeça. 

Para usar serviços públicos como o Google Bard ou o ChatGPT, deve-se evitar a utilização de dados sensíveis, dados pessoais ou confidenciais da empresa, e sempre devem ser monitoradas e verificadas as respostas do modelo (que pode ser muito bom, mas não infalível). Se a empresa conta com um modelo próprio, pode ser mais flexível com os dados que entram no modelo, mas as respostas sempre devem ser monitoradas e verificadas. 

Atualmente, existem vários fornecedores e soluções de IAG dedicada no mercado. Sua adoção pode trazer grandes vantagens para as empresas, como produtividade, eficiência e aumento de receita. No entanto, mas são necessárias adaptações nos processos internos, além de muito cuidado com os dados que são fornecidos como entrada. Cuidando desses pontos, as empresas que adotarem a IAG terão a sua vantagem competitiva aumentada no mercado.   

Nosso Compromisso com a Generative AI: Soluções Eficientes para o Seu Negócio 

Na Rox Partner, somos especializados em Generative AI. Nosso compromisso é aplicar a inteligência artificial generativa de maneira eficaz. Trabalhamos de maneira constante para criar soluções que podem trazer melhorias concretas para o seu negócio. Convidamos você a explorar conosco as possibilidades da Generative AI e descobrir como ela pode beneficiar sua empresa. 

Interessado em conhecer nossos serviços? Entre em contato conosco e saiba mais sobre como a Generative AI pode se adequar às suas necessidades. 

Learn More

O modo como as empresas têm tomado as suas decisões mudou significativamente com o advento de novas tecnologias.  Agora, os líderes e gestores estão mais abertos a usarem inovações para obterem insights e informações precisas e mais atualizadas. É nesse contexto que o chatGPT tem se destacado como um poderoso auxiliar na tomada de decisão.  

Neste artigo, vamos explorar como o ChatGPT tem transformado o método de tomada de decisão para assuntos estratégicos. Vamos apresentar um passo a passo desse processo e discutir o imenso potencial dessa ferramenta nos negócios, podendo gerar aumento de eficiência e eficácia nas operações empresariais. 

Já adianto, este artigo unifica visões sobre Inteligência Artificial e seres mitológicos. 

Qual o perfil de um cientista de dados? 

Segundo o National Institute of Standards and Technology (NIST), as competências para um profissional de Ciência de Dados estão representadas na imagem, a seguir:  

 

 

• Experiência e conhecimento de domínio: conhecimentos de negócios; 
• Estatística e aprendizagem de máquina: conhecimentos matemáticos; 
• Engenharia: conhecimentos em Tecnologia de Informação.

Entre os três grupos de áreas do conhecimento, destaca-se aqui o grupo de “Conhecimentos de Negócios”, pelo fato deste ser o mais abrangente e diversificado. Representa a aplicação dos conhecimentos que compõem os outros dois domínios de conhecimentos. 

É possível que um profissional extremamente especialista aprenda alguns conhecimentos específicos em Estatística e Tecnologia de Informação. Dessa forma, com base em seu conhecimento prévio em Logística, por exemplo, pode-se gerar percepções sobre um contexto específico de sua área de atuação. Assim, com a sua experiência nesse campo, será muito mais fácil interpretar e explorar os dados que forem obtidos. 

Ocorre que não existe nenhum unicórnio. Pelo menos, eu não vi nenhum correndo ainda na rua. E pelo fato de tais seres mitológicos não existirem, é comum que as empresas contratem e mantenham times multidisciplinares, compostos por profissionais com experiência e domínio de seus campos de atuação. Incluindo, ainda, profissionais e parceiros com domínio do conhecimento Estatístico e Computacional, gerando, assim, equipes e ecossistemas capazes de suprir todos os grupos apresentados na ilustração acima. Imagine um profissional de ciência de dados (com perfil matemático e tecnológico), sem experiência no segmento varejista, analisando uma base de dados para geração de “insights”. Você acha que daria certo? Que percepções ele geraria? É uma reflexão. 

 

Faço uma reflexão com os meus clientes todos os dias: não podemos fazer esse trabalho sozinhos. Precisamos de vocês, do entendimento e das ideias de vocês. O que vocês entendem ser esses grupos? Como vocês entendem essa anomalia e aquela tendência? Com isso, juntos, nós entregaremos o projeto. 

 

Mas, o ponto central e importante deste artigo são estes três pilares: 

 

• Conhecimentos de negócios; 
• Conhecimentos matemáticos; 
• Conhecimentos de Tecnologia de Informação. 

 

A grande pergunta e reflexão para o restante deste artigo é: Quais desses conhecimentos são mais rapidamente absorvidos e superados pelo ChatGPT hoje, agora?  

Contextualização do Problema de Ciência de Dados e de Tomada de Decisões 

O cientista de dados em 2014 era considerado como um unicórnio.

fonte:https://en.wikipedia.org/wiki/Unicorn

Em 2014 quando iniciei efetivamente meus primeiros projetos de Big Data e me deparei em muitas situações com o mesmo problema “Empresas contratando cavalos e zebras e pensando que seriam unicórnios”.

O Cientista de Dados como a indústria buscava naquele momento era um profissional com todas as qualidades esperadas e apresentadas nas mandalas acima: Entendimento do Negócio, Conhecimentos em Estatística e Conhecimentos em Tecnologia e como bem vimos após muitos anos isso não existia e hoje a indústria trabalha com times multidisciplinares, naquela época era comum verificar profissionais sem nenhum experiência profissional com perfil acadêmico com mestrados e doutorados sendo contratos para resolver problemas de ciência de dados e o resultado nós já sabemos ( Faltava dados, faltava governança, faltava tudo e os projetos nunca terminavam e sempre existia o próximo “Falta..” ).

O que é a tomada de decisão? 

Em poucas palavras e de forma bem resumida, podemos dizer que a tomada de decisão consiste em escolher caminhos, alternativas ou opções dentre as disponíveis. Ressalta-se, aqui, que a falta de alternativas resulta na inabilidade de decidir.  

Como ocorre o processo de tomada de decisão? 

A tomada de decisão se assemelha muito ao trabalho de uma consultoria, que consiste em uma jornada de atividades que tem como objetivo a busca por resultados. Nesse caso, estamos nos referindo especificamente à Jornada de Tomada de Decisão. 

 

Existem diversas abordagens acadêmicas que norteiam a tomada de decisão. Entre elas, podemos destacar: Simon, CPSI, pesquisa operacional, Guildford, modelo militar, entre outras. Aqui, destacamos que certas abordagens se adequam a camadas e situações e, portanto, não existe uma uma Jornada ou Caminho para que ocorra uma tomada de decisão. 

Tendo como premissa os dados como proposta de valor, entendemos que o modelo que faz mais sentido abordarmos é o modelo de pesquisa operacional que consistem em (HILLER, 2010):  

• Identificação do problema; 
• Modelagem;
• Aplicação do modelo; 
• Criação de controles; 
• Implantação. 

Apesar do modelo de pesquisa operacional parecer ser perfeito para um modelo de tomada de decisões, ele é científico e, portanto, são exigidos determinados conhecimentos matemáticos para a sua efetividade. 

Existem outras abordagens que podem ser usadas para somar forças ao modelo de pesquisa operacional. Podemos tomar como base o padrão intersetorial para mineração de dados, também conhecido como CRISP-DM, sendo esta uma referência mundial na implementação de soluções analíticas avançadas. 

CRISP-DM 

CRoss Industry Standard Process for Data Mining  

Processo Padrão intersetorial para Mineração de Dados 

 

 

 

Entendimento do Negócio 

Esse é o ponto onde o conhecimento especifico de um determinado especialista no assunto auxilia na tomada de decisão, ou seja com base nos dados e somados esses dados aos conhecimentos de um especialista no assunto se entende o problema de negócio e são tomadas decisões 

 

É possível utilizar o ChatGPT na análise de um negócio por meio de uma compreensão sistemática de cada “feature” que o compõe. Por meio das análises de sentimentos, tendências, concorrência, previsões de resultados e da qualidade de relacionamento com o cliente, o uso da Inteligência Artificial pode ajudar a sua empresa a entender mais do seu negócio e dos seus clientes. Dessa forma, irá resultar em melhores decisões e um refino das estratégias para alcançar os seus objetivos.  

 

Abordagem Analítica 

Quais são os pontos de contato com o respectivo problema? Quais são os processos de negócio, tecnologias, pessoas, fornecedores, e assim por diante. Quais são as variáveis deste e outros ecossistemas que permeiam o problema em si?

Requisitos de Dados  

Com base no entendimento das variáveis que norteiam o problema, será possível entender quais alternativas serão geradas frente ao problema. Também será possível identificar quais serão as variáveis para se metrificar o sucesso ao insucesso da escolha, pela alternativa de correção ou remediação do problema de negócio. Esses recursos também irão apoiar na criação de KPI’s de monitoramento da solução proposta futuramente.

Aquisição de Dados 

Coleta e captura dos indicadores através da exportação de dados dos sistemas já existentes, planilhas, contagem manual ou automatizada. Em muitos casos, é nesse ponto que se detecta a falta de metrificação e coleta de dados. Assim, muitas vezes é necessário expandir os horizontes de coleta e captura de dados e utilizar-se de recursos de IoT (Internet das Coisas) para obter mais dados do problema que deseja resolver e acompanhar. 

Entendimento dos Dados 

Exploração dos dados utilizando planilhas, ferramentas de visualização de dados tais como Microsoft PowerBI, Tableau, QlikSense, Looker, Data Studio, entre outros. Além disso, Python (Pandas, MatPlotLib, Seaborn) e outras bibliotecas e ferramentas, sendo essa escolha conforme a disponibilidade dos recursos, no momento da análise. O mais importante é explorar! 

Preparação dos Dados 

Em muitos casos os dados não estão prontos para serem utilizados em sua versão (negócio fim), ou seja, o modo como o dado foi coletado não representa, necessariamente, a visão de negócio necessária para o modelo matemático. Durante a preparação dos dados é realizada a limpeza de dados indesejados, formatados ou pré-calculados, cada campo para a visão de negócio correspondente ao problema de modo que se obtenha um conjunto de dados limpo, confiável e que represente o problema de negócio mapeado na fase de “Entendimento do Negócio” 

Modelagem 

Com os dados preparados, são aplicadas as técnicas de Machine Learning. Elas podem ser paramétricas ou não paramétricas, as quais se baseiam em regras fixas ou em modelos estatísticos, resultando no “modelo”. 

Avaliação 

Após criado, o modelo é testado e os resultados são avaliados. 

Implantação em Produção 

Previamente testado em cenários controlados, o modelo é efetivamente colocado em produção com o intuito de analisar novas ocorrências do problema ou prever problemas que irão decorrer e são indesejados. 

Feedback 

Avaliação dos resultados obtidos em produção. 

 

 

Tomada de decisão na prática utilizando o Chat GPT

O ponto central é que agora as empresas com maturidade e eficiência na Jornada Data Driven tem condições de utilizar os indicadores já computados para solicitar apoio de conhecimentos específicos do ChatGPT para tomada de decisão com maior facilidade pois de nada adianta uma ferramenta como o ChatGPT se essa não for alimentada com indicadores coerentes aos problemas e oportunidades existentes e para que esses indicadores tenham a devida maturidade e também a maior representação através de uma maior variabilidade de variáveis será impossível provar o devido valor de uma ferramenta tão avançada. 

 

Um dos cargos e profissões que mais tem se falado é o “Engenheiro(a) de Prompt” ou seja o profissional que consegue interagir com as diferentes aplicações de AI realizando as perguntas ou comandos da melhor maneira possível para otimizar as respostas, nesse sentido o “Engenheiro(a) de Prompt” que tiver os melhores KPI’s a disposição será capaz de abastecer as perguntas e comandos direcionados aos motores de AI com maior riqueza de detalhes afim de obter as melhores respostas e é ai que vemos a falta de maturidade de se tornar um calcanhar de Aquiles em empresas que almejam “saltar” para dentro do ChatGPT mas não consegue convergir nem mesmo no valor de faturamento ou na visão de clientes de sua própria empresa. 

 

Apenas como exemplo, veja o que o ChatGPT é capaz de fazer e qual a diferença de resposta para cada pergunta apresentada a seguir: 

 

 

No exemplo acima o ChatGPT foi questionado sobre uma estratégia comercial, qual seria o plano e abordagem para atingir um determinado objetivo com base em algumas informações históricas passada para ele, veja que ele propõe um cenário mas claramente diversos KPI’s não foram informados e ele está exemplificando um cenário que poderia ser muito mais acertivo caso o intercutor tivesse informado o TICKET MÉDIO, CICLO DE VENDAS, TAXA DE CONVERSÃO. Outras informações que poderiam ser passadas para melhorar a conversa e possivelmente acurar a estratégia comercial sugerida pelo ChatGPT, mas isso depende da empresa ter maturidade e clareza sobre seus KPI’s bem como a acurácia sobre esses KPI’s para utilizar as novas ferramentas em seu máximo potêncial. 

O que podemos fazer com o ChatGPT na sua Jornada Data Driven?

Estamos trabalhado na integração de ecossistemas de dados para o aproveitamento da AI do ChatGPT no apoio da tomada de decisão com ecossistemas de dados corporativos utilizando técnicas de Embeeding como no modelo de referência abaixo:

 

Potencialize as tomadas de decisão no seu negócio: Conheça as soluções de Inteligência Artificial da Rox 

A Rox Partner é uma consultoria de T.I. que oferece soluções completas para a Jornada Data Driven de empresas que buscam uma transformação digital eficiente, por meio  da alfabetização de dados ou através da implementação de projetos de Analytics. 

Acreditamos que a tomada de decisão baseada em dados é essencial para o sucesso de qualquer negócio. Por isso, trabalhamos incansavelmente para garantir que os nossos clientes tenham acesso aos dados mais relevantes e atualizados em tempo real. 

Com a nossa equipe de especialistas em T.I., capacitados em tecnologia de ponta, ajudamos nossos clientes a transformarem os seus dados em insights acionáveis. Dessa forma, podem tomar as decisões mais estratégicas para o crescimento e sucesso de seus negócios. Conte conosco para ajudá-lo a alcançar os seus objetivos de transformação digital.     

 

 

Learn More