Os resultados da análise ainda destacam visões importantes sobre IA híbrida, insights, dados não estruturados, alfabetização em IA, engenharia de dados, analytics, customização, entre outros aspectos
A Qlik, líder em integração e análise de dados, anuncia as 10 principais tendências de dados, analytics e Inteligência Artificial (IA) que irão guiar os negócios em 2024. Segundo a Qlik, para que a IA Generativa efetivamente alavanque negócios em todo seu potencial, o mercado precisa focar na origem dos dados e no controle de sua qualidade e confiabilidade. Os resultados da análise ainda destacam visões importantes sobre IA híbrida, insights, dados não estruturados, alfabetização em IA, engenharia de dados, analytics, customização, entre outros aspectos.
“Estamos exatamente no meio de um boom de IA, com a IA Generativa prometendo nos conduzir a uma nova era de produtividade e prosperidade”, afirma Dan Sommer, Diretor Sênior de Inteligência de Mercado da Qlik. No entanto, segundo o executivo, existem preocupações crescentes que limitam essa promessa, em função da falta de rastreabilidade da origem dos dados ou controle de qualidade. Isto permitiu que dados defeituosos poluíssem a confiabilidade dos resultados da IA Generativa com alucinações, desorientação ou mesmo inverdades absolutas, o que representa um perigo exponencial para as empresas e a sociedade. “Precisamos encontrar um novo modelo que promova dados melhores e confiáveis. Dados confiáveis, em combinação com analytics e automação, serão a base para ajudar as pessoas e as organizações a tomar decisões melhores e mais eficientes, ao mesmo tempo que alimentam uma IA responsável”.
As 10 principais tendências tecnológicas para a Inteligência Artificial para 2024 são:
1 – IA híbrida endereçará o gap de maturidade da IA Generativa: As discussões tecnológicas atuais focam na IA Generativa, que efetivamente tem um amplo potencial. No entanto, vários outros esforços de Inteligência Artificial já estão em andamento e dão frutos. Um deles é a Aprendizagem de Máquina (ML), cada vez mais democratizada. É um equívoco pensar que a IA Generativa substituirá tudo; isso seria um grande erro. A IA já amadureceu o suficiente para ser colocada em produção e dimensionada, inclusive em casos de uso bem estabelecidos como análise de fraudes e de rotatividade. Portanto, embora a IA Generativa esteja se consolidando, a Aprendizagem de Máquina e outras Inteligências Artificiais já demonstram um potencial ilimitado e, inclusive, podem ser usadas para endereçar esse gap de maturidade da IA Generativa.
2 – IA Generativa para insights – Aperfeiçoando a experiência do consumidor de dados:É necessário pensar como a IA está realmente empoderando os usuários menos técnicos. Na visão da Qlik, o que os profissionais da informação menos técnicos buscam é uma resposta rápida para suas necessidades, pois eles não têm tempo, desejo ou habilidades para realizar uma análise aprofundada. Esta base de usuários aprecia visualizações e insights gerados automaticamente, aprimorados com explicações em linguagem natural. Melhor ainda se isso acontece diretamente nos sistemas nos quais já operam. O mercado deverá se atentar a isso para gerar experiências mais produtivas e satisfatórias para usuários de IA e dados.
3 – A era dos dados não estruturados é agora: A maioria dos dados mundiais não são estruturados (80%, segundo a Forester), ou seja, não estão bem organizados em linhas e colunas para análises. Um exemplo disso são e-mails e documentos na intranet das empresas. Muitos já tentaram e falharam na análise de dados não estruturados, mas com novos metadados e técnicas semânticas já é possível desbloqueá-los. Ao utilizar gráficos de conhecimento e bancos de dados vetoriais, complementados com RAG (Recuperação, Ampliação, Geração), as oportunidades para combinar dados estruturados e não estruturados de forma confiável são infinitas. Combinado isso a uma camada de gerenciamento de respostas, é possível reutilizar perguntas e respostas verificadas e confiáveis, permitindo analisar todo o patrimônio de dados das empresas e usar LLMs (Large Language Models) privados criados internamente por meio de análise de dados.
4- De Business Intelligence (BI) para Inteligência Artificial e vice-versa, a análise dos negócios está mudando: Novas maneiras de interagir com os dados surgem em alta velocidade. Agora, é possível arrastar um arquivo para uma interface de bate-papo simples e começar a conversar com ela, que gera consultas e códigos, ajuda a construir conteúdo e agilizar processos automatizados. Os indivíduos podem iniciar a jornada analítica nestas ferramentas de IA Generativa para simples visualização de dados e projeções de negócios. Este é o Business Intelligence chegando à IA. Como próximo passo, os usuários podem querer aproveitar as ferramentas de nível empresarial para análises mais aprofundadas, trazendo os benefícios da IA Generativa para suas ferramentas. Essa é a IA chegando ao BI. O mercado alternará entre esses dois modos – habilitados pela capacidade de incorporação, conectividade e APIs – para obter o máximo de benefícios de cada plataforma.
5 – A origem dos dados importa: entendendo o DNA dos dados: Se não é sabido de onde vêm os dados, não há como confiar neles. A qualidade e a linhagem dos dados tornaram-se inegociáveis em um mundo com IA, especialmente para o treinamento de modelos de IA. A necessidade de origens de dados identificáveis e compreendidas é essencial nos LLMs públicos, que hoje não as rastreiam. Sem esse conhecimento, é difícil para os melhores modelos de IA Generativa diferenciar o fato da ficção. Isso pode levar a alucinações, fatos falsos e deepfakes. Para as empresas, confiar em resultados como estes pode ter consequências graves. É necessário um mecanismo para rotular e sinalizar claramente os dados, usando técnicas de proveniência e criptografia com técnicas que ainda não foram inventadas para criar o equivalente a um “teste de DNA para os dados”.
6 – Novos desenvolvedores demandam Alfabetização em IA: Em pouco tempo, houve uma evolução do low code como a nova linguagem de programação dominante. A codificação simplificada facilita tarefas mais avançadas, como a criação de aplicativos. Isto gerará uma explosão de aplicativos criados pelo ‘desenvolvedor cotidiano’, que não é tão especializado. Ainda que isso possa levar a uma nova onda de inovação, também pode levar ao caos na governança, além do excesso de aplicativos. À medida que este processo coloca poderes muito fortes nas mãos de muitos, as organizações precisarão educar a sua força de trabalho sobre os benefícios e armadilhas da IA Generativa. Se os últimos cinco anos foram voltados para ensinar alfabetização de dados às equipes, agora é preciso mudar para a alfabetização em IA. Ainda, a gestão do ciclo de vida dos aplicativos e a promoção dos dados e apps de forma correta assumirão uma nova importância.
7 – Engenharia de dados, analytics e ciência de dados estão se fundindo: Novas plataformas de dados, combinadas com a evolução dos data fabrics, irão “consumerizar” a engenharia de dados para uma nova geração de usuários, especialmente se forem aprimoradas com IA, automação e ciência de dados poderosas. Isso capacitará os analistas de negócio a realizar tarefas de gerenciamento e preparação de dados. Eles também poderão aplicar modelos estatísticos avançados aos dados e ferramentas com os quais trabalham todos os dias, sem precisar exportá-los para um ambiente avançado. Facilitar as tarefas e mesclar as funções e capacidades da engenharia de dados, da ciência de dados e da análise permitirá que as organizações resolvam problemas mais difíceis. Adicionar mais conexão entre funções anteriormente isoladas ajudará as empresas a migrar dados e obter resultados melhores.
8 – Automação e IA criam um ciclo virtuoso: Até agora Large Language Models e IA Generativa foram usadas para apoiar raciocínios e análises. Mas agora existem vários esforços em curso para apoiar na execução efetiva, incluindo uma abordagem que envolve a sinergia de raciocínios e ações, para criar agentes que serão capazes de planejar e executar iniciativas complexas, trazendo a IA para a automação. Isso requer dados transformados em tempo real e no lugar certo. Passaremos a ver nas empresas novas maneiras de usar a IA Generativa com automação de aplicativos, como usar análise de sentimentos para automatizar e gerar respostas diferentes dependendo do humor. A IA Generativa, ligada à automação, significará menos trabalho manual para as pessoas se conectarem e criarem fluxos de trabalho e, em vez disso, assumirem o papel de curadores de decisões.
9 – A última milha da customização da IA torna-se crítica para o negócio – As primeiras aplicações de IA Generativa são projetos extremamente escaláveis, ainda que genéricos, que podem usar Large Language Models em um contexto focado no consumidor (B2C). Ao longo do tempo, veremos mais IAs personalizadas para o mercado corporativo (B2B), com o uso de aplicativos privados cuja base é comum, mas com camadas de personalização que servem melhor à “cauda longa”. Veremos que, com menos esforço e horas de consultoria, surgirão aplicativos sofisticados para um setor ou um problema específico. Os dados organizacionais proprietários serão uma matéria-prima valiosa nesse contexto e surgirão “solution fabrics”, nas quais dados e aplicativos específicos de domínio poderão ser compartilhados e negociados. No entanto, a questão de qual IA será a base para construir isto permanece sem resposta.
10 – O dado como um produto que pode ser comercializado – As abordagens para harmonizar dados como data fabrics e data meshes passaram do exagero à realidade no último ano devido à IA e aos avanços tecnológicos. Um componente-chave dessas abordagens são os “dados como produto”, conceito que aplica princípios de gerenciamento de produtos aos dados, abordando quais problemas precisam ser resolvidos, para que os dados serão usados e por quem. Os dados como produto estão evoluindo para se tornarem a base da consumibilidade para todas as formas de analytics e IA. O conceito de dados com produto indica que eles podem ser exibidos em um catálogo, usados para diversos fins e até mesmo evoluir para um bem negociável. O objetivo é monetizar os dados como um produto fora das organizações. As empresas passarão a usar os seus próprios dados para treinar ainda mais os modelos ChatGPT, que podem então ser monetizados. No futuro, intercâmbios semelhantes servirão como fontes que poderão rastrear dados sancionados e remunerar pelo acesso, como a indústria musical fez com os serviços de streaming. Quanto mais o produto de dados for usado, mais valioso ele será.
