![](https://www.infomach.com.br/wp-content/uploads/2024/05/POC-IA-Generativa.jpg)
Quando nos deparamos com uma tecnologia revolucionária como a inteligência artificial generativa, experimentar é uma ótima maneira de aprender o que ela pode fazer e como usá-la. E de fato, na AWS, vemos muitas empresas fazendo exatamente isso, tornando-se mais sofisticadas e capazes de fazer perguntas mais informadas sobre para onde a tecnologia está caminhando e o que ela pode significar para elas. Mas também vemos muitas delas presas em uma fase de prova de conceito, nunca chegando realmente à produção, mesmo que suas provas de conceito pareçam ser bem-sucedidas.
Isso pode ser porque elas percebem riscos. Isso não é surpreendente; a mídia está cheia de histórias sobre alucinações de IA, discurso tóxico, viés e imprecisão. Implementar novas tecnologias sempre carrega riscos; líderes devem gerenciar esses riscos para um nível aceitável. E até mesmo contratar e implantar um ser humano carrega alguns desses riscos – eles também podem demonstrar viés ou fornecer informações imprecisas. Como em qualquer coisa que uma empresa faça, implementar aplicativos de IA generativa é uma questão de mitigar os riscos até que sejam superados pelos benefícios das novas capacidades. Existem maneiras de gerenciar os riscos da IA, e mais certamente estão a caminho.
Alguns líderes também são perspicazes o suficiente para se preocupar com os custos no futuro quando seus aplicativos de IA generativa forem usados em grande escala. Mas um dos objetivos de um POC (prova de conceito) deve ser ter uma ideia dos custos prováveis. E esses custos provavelmente diminuirão ao longo do tempo, à medida que os modelos fundamentais evoluem, os fornecedores competem e as empresas têm a opção de escolher modelos que tenham diferentes características de preço/desempenho.
Mas eu me pergunto se isso não é realmente sobre risco. Talvez a questão real seja que muitas empresas na verdade não estão comprometidas em implantar os aplicativos POC em produção. Sem obsessão com terminologia (por exemplo, experimento, prova de conceito, piloto, etc.), é importante notar que uma prova de conceito visa reduzir o risco e aprender sobre um aplicativo que a empresa pretende implantar. As empresas normalmente identificam um objetivo comercial, planejam usar uma tecnologia para alcançá-lo, observam os riscos ou desafios envolvidos e depois projetam uma prova de conceito para mitigar os riscos e desafios antes de se comprometerem com um investimento total. Há uma definição clara de sucesso: mitigar os riscos que você teme, aprender o que será necessário para a implementação ou realizar qualquer outra coisa que a prova de conceito pretenda alcançar. A prova de conceito é um passo em direção à implantação de tecnologia para atingir um objetivo comercial valioso. É verdade que a implantação pode ser cancelada se a prova de conceito mostrar que é impossível ou muito arriscada. Mas o processo começa com a intenção de usar a tecnologia porque o objetivo comercial é considerado valioso.
Contraste isso com os muitos experimentos de IA generativa de hoje. Uma empresa identifica 100 possíveis casos de uso e experimenta um modelo fundamental para ver como ele poderia atender a cada um deles. Este é um ótimo método inicialmente para aprender sobre a tecnologia e inspirar ideias sobre como usá-la. As empresas devem experimentar. Mas nem sempre é um bom caminho para a produção.
Para começar, este método testa apenas o modelo fundamental, seu estado atual e suas sugestões e integrações. Ele não testa o caso de negócio. Em segundo lugar, não há uma definição clara de sucesso; como a empresa não começou com a intenção de implantar e não identificou os riscos específicos que precisava mitigar para chegar lá, o resultado da prova de conceito só pode ser “Isso é realmente legal!” Em terceiro lugar, a prova de conceito não mitiga sistematicamente os riscos que serão levantados como preocupações quando chegar a hora de implantar. E, em quarto lugar, os recursos não estão disponíveis para levá-lo à produção: um caso de negócio terá que ser feito posteriormente para obtê-los. No máximo, o protótipo mostrou que um aplicativo pode fazer algo relevante em um caso de uso; mas isso está longe de provar um caso de negócio.
Agora que todos tivemos a chance de brincar com a IA generativa e conduzir experimentos para aprender mais, é hora de focar em obter valor com ela. Como com outras tecnologias que implantamos no passado, isso é uma questão de encontrar objetivos comerciais importantes que possam ser alcançados com ela, esboçar um caso de negócio, gerenciar riscos, garantir recursos e ir para a produção. Não é uma questão de experimentar com casos de uso; é uma questão de projetar uma solução para um problema comercial que importa e caminhar em direção a resolvê-lo. Esse modelo mental leva naturalmente à produção.
No caminho, você perceberá que os aplicativos de IA generativa de nível de produção exigem segurança de nível de produção, proteção de privacidade, conformidade, agilidade, gerenciamento de custos, suporte operacional e resiliência. A maioria dos aplicativos de IA generativa precisa ser integrada a outros aplicativos corporativos, conectada a fontes de dados corporativos e controlada por diretrizes corporativas.
Uma verdadeira prova de conceito (em oposição a um experimento de aprendizado) inclui um caminho para a implantação com todos os recursos corporativos. Você vai querer adicionar à prova de conceito, testá-la em situações do mundo real, aplicar seu modelo de segurança corporativa e fazer todas as outras coisas que fazemos e sempre fizemos em TI corporativa.
Isso está alinhado com a visão da AWS para IA generativa (e aprendizado de máquina clássico e tecnologias futuras). O que importa é como uma tecnologia pode ajudar os clientes da AWS a alcançar objetivos comerciais, de missão ou sociais – não a tecnologia em si. Projetamos e construímos nossas ferramentas de IA desde o início para atender aos nossos padrões rigorosos de segurança e confiabilidade e para se encaixar nos frameworks corporativos existentes para conformidade, diretrizes, operacionalidade e gerenciamento de dados. Eles são projetados para agilidade: por exemplo, o Amazon Bedrock oferece acesso a muitos modelos fundamentais por meio de uma única API, facilitando a utilização de novos à medida que evoluem. O Claude 3 da Anthropic, o modelo mais bem-sucedido hoje segundo benchmarks da indústria, está disponível por meio dessa API, assim como outros modelos que oferecem diferentes compensações em preço, velocidade e precisão. A AWS sempre imaginou a IA generativa ocupando seu lugar no vasto conjunto de tecnologias corporativas.
Se você está realmente interessado em usar IA generativa para atingir um objetivo comercial conhecido e importante, pense nisso como funcionalidade que está em um caminho para produção e criação de valor. Provas de conceito são uma maneira importante de gerenciar riscos e validar seu caso de negócios – não seu caso para a tecnologia em si, mas para a funcionalidade comercial que você cria com ela.
Você nunca reduzirá seus riscos a zero porque sempre há riscos ao implantar algo novo (até mesmo, como eu disse antes, funcionários humanos). Mas você pode trabalhar para mitigar esses riscos a um nível aceitável e operar dentro das diretrizes da IA responsável. A AWS fez o trabalho pesado para ajudá-lo a mitigar riscos: ela é arquitetada para ser a infraestrutura mais segura e confiável do mundo. O framework de gerenciamento de riscos que você usa para seus outros sistemas de TI é transferido para as novas aplicações de IA generativa que você implanta. O caminho para a produção está aberto.
🌟 Dê o próximo passo com a Infomach!
A Infomach oferece consultoria especializada para ajudar sua empresa a adotar a IA Generativa e superar desafios de negócios com soluções inovadoras. Nossa equipe está pronta para desenvolver protótipos e colaborar em Provas de Conceito que validam o potencial da IA Generativa em sua organização.
Agende uma reunião com nossos especialistas, acesse https://info.infomach.com.br/contato-com-especialista-2024
Tradução livre do Artigo: “Generative AI: Getting Proofs-of-Concept to Production” by Mark Schwartz | on 08 MAY 2024 . https://aws.amazon.com/pt/blogs/enterprise-strategy/generative-ai-getting-proofs-of-concept-to-production/
Mark Schwartz é Estrategista Empresarial na Amazon Web Services e autor dos livros “The Art of Business Value” e “A Seat at the Table: IT Leadership in the Age of Agility”. Antes de ingressar na AWS, ele foi CIO do Serviço de Cidadania e Imigração dos EUA (parte do Departamento de Segurança Interna), CIO da Intrax e CEO da Auctiva. Ele possui um MBA da Wharton, um bacharelado em Ciência da Computação pela Yale e um mestrado em Filosofia pela Yale.