A inteligência artificial (IA) vem revolucionando o mundo há pelo menos 10 anos, mas nunca houve um momento mais crucial na história da IA do que este. A Inteligência Artificial generativa (IA generativa, ou GenAI), o novo ramo da inteligência artificial, vem se mostrando particularmente promissor – e faz muito mais do que os chatbots tão famosos hoje em dia. Seus usos e aplicações para o mundo dos negócios, e principalmente para as fintechs, trarão muitos benefícios para seus processos e formas de fazer negócios.
No entanto, ao mesmo tempo em que esta revolução está acontecendo, é importante manter os pés no chão. E agora, mais do que nunca, as organizações precisam pensar em construir sistemas de IA de forma responsável e bem administrada para integrá-los em suas operações e produtos da maneira mais eficiente possível. Vamos ver a seguir algumas possibilidades de uso que a inteligência artificial traz para o mundo das fintechs e empresas graças à GenAI!
Começando do zero: O que é a inteligência artificial (IA) generativa?
A IA generativa (GenAI) é uma tecnologia de inteligência artificial na qual um modelo de IA pode produzir conteúdo na forma de texto, imagens, áudio e vídeo, prevendo a próxima palavra ou pixel. Tudo isso com base em grandes conjuntos de dados nos quais foi treinado. Isso significa que os usuários podem fornecer instruções específicas para a IA gerar conteúdo original, como produzir um ensaio sobre matéria escura ou uma representação de patos jogando pôquer no estilo Van Gogh.
Embora a IA generativa exista desde a década de 1960, ela evoluiu significativamente graças aos avanços no processamento de linguagem natural, à introdução de redes adversárias generativas (GANs) e transformadores. As GANs compreendem duas redes neurais concorrentes: uma cria saídas falsas disfarçadas de dados reais e a outra distingue entre dados artificiais e reais, aprimorando suas técnicas por meio de deep learning (aprendizagem profunda).
Introduzidos pela primeira vez pelo Google em 2017, os transformadores ajudam os modelos de IA a processar e entender a linguagem natural, fazendo conexões entre bilhões de páginas de texto nas quais foram treinados, o que gera resultados altamente precisos e complexos. Os Large Language Models (LLMs), que possuem bilhões – ou mesmo trilhões – de parâmetros, podem gerar texto fluente e gramaticalmente correto, tornando-os uma das aplicações mais bem-sucedidas de modelos de transformadores.
Hoje, a inteligência artificial está no auge das expectativas, segundo a consultoria Gartner. Toda tecnologia passa por este mesmo ciclo – mas apenas algumas conseguem superá-lo e se tornar padrão.
Incorporação da IA generativa em aplicações nas empresas
A IA generativa está rapidamente se tornando popular entre as empresas, e várias aplicações e aplicativos estão sendo desenvolvidos para mudar a maneira como operam! Da geração de código ao design e engenharia do produto, a IA generativa afeta uma variedade de aspectos de negócios.
Vamos falar primeiro da geração de código: existem várias soluções no mercado que podem nos ajudar, como o Github Copilot da Microsoft e o AWS Code Whisper da Amazon, entre outros. Estas ferramentas ajudam os desenvolvedores na criação de código, geração de testes e correção de bugs, entre outros, mas não pretendem substituí-los. Em vez disso, elas atuam como assistentes digitais trabalhando ao lado deles para melhorar sua produtividade e eficácia.
Agora, e se quisermos usar a GenAI para gerar conteúdo comercial? Em geral, a grande maioria das ferramentas que chegaram ao mercado visam a massividade, como as de geração de texto e imagens: ChatGPT, MindJourney, entre outras.
O principal problema com estas ferramentas é que elas não estão conectadas ao modelo de dados privados de uma empresa. E, quando falamos de setores que lidam com informações sensíveis como empresas do setor financeiro, como o em que a Pomelo vive, é um desafio para nós utilizá-los corretamente sem comprometer a segurança e a integridade dos dados.
Como acontece com qualquer nova tecnologia, as organizações devem manter certas considerações em mente ao lidar com a GenAI: elas devem investir na infraestrutura certa, garantir a validação humana dos resultados e considerar as complexas implicações éticas da autonomia e do roubo de propriedade intelectual.
À medida que as organizações adotam a IA generativa em suas linhas de negócios, elas devem considerar três princípios fundamentais:
- Produzir com inteligência: ou seja, evitar “mais do mesmo”;
- Transformar os processos: a IA generativa não é um “patch” para os processos existentes: os processos devem mudar e as pessoas – que continuam sendo um componente crítico – devem se adaptar;
- Evoluir sua organização: mudar funções, responsabilidades e estruturas organizacionais para refletir novos processos e formas de fazer negócios.
Recomendações de uso da GenAI para fintechs e empresas com gestão de informações sensíveis
- Design e engenharia de produto: Com o design da IA generativa, as equipes de produto e engenharia podem explorar uma gama mais ampla de opções. Por exemplo, a IA generativa pode sugerir um design de produto otimizado por fatores como custo, capacidade e esforço.
- Aplicações de marketing e CX: A IA generativa aprimora aplicações de marketing e CX ao melhorar as interações com os clientes e permitir maior personalização e análises mais avançadas. As primeiras versões da IA Generativa foram usadas em chatbots e centrais de atendimento e autoatendimento do cliente.
- Ferramentas para NPS: Permitindo processar pesquisas de clientes e realizar análises de sentimento. Ao examinar as respostas de pesquisas de Net Promoter Score (NPS) e o feedback dos clientes nas mídias sociais, as empresas podem obter uma compreensão mais profunda das necessidades e sentimentos deles. Estas informações valiosas podem ser usadas para melhorar a experiência do cliente, personalizar recomendações de produtos e aumentar o NPS, o que se traduz em serviço superior e maior fidelidade do cliente.
- Geração de código: Como já mencionado, o uso da GenAI é muito útil antes da criação do código e para sugerir mudanças no design e nos padrões de sua aplicação enquanto ela está sendo codificada. O modelo pode aprender em tempo real todo o contexto ao seu redor e propor melhorias estruturais de arquitetura, segurança ou legibilidade, que podem melhorar a qualidade do software.
Que riscos existem por trás do uso da IA generativa para empresas?
Primeiro, a GenAI tende a ser não determinística, o que significa que pode produzir resultados diferentes mesmo com as mesmas entradas. Isso requer uma abordagem diferente para design, gerenciamento e teste em comparação com as tecnologias determinísticas mais tradicionais.
Também é importante estar atento e não confiar demais nos modelos, pois eles podem gerar respostas polarizadas, discriminatórias ou mesmo desinformadas. Vale entender que o modelo é tão bom quanto o treinamento e as informações fornecidas a ele. Todas os grandes IAs hoje foram treinados com a melhor das intenções, e mesmo assim as pessoas podem ter anexado vieses e preconceitos que podem impactar o modelo de alguma forma.
Por fim, deve-se considerar a complexidade da arquitetura corporativa nas organizações modernas, pois elas possuem aspectos de negócios, dados, aplicativos e tecnologia que podem complicar a capacidade de explicação da GenAI. Isso é especialmente verdadeiro, visto que os algoritmos e a matemática por trás da IA generativa podem ser inacessíveis para pessoas sem experiência em estatística e ciência de dados. Ou ainda estas matemáticas podem estar erradas e devem ser verificadas por um especialista antes de serem utilizadas – considera-se que a IA pode ter um pequeno percentual de erro em seus cálculos, o que não é algo admissível para, por exemplo, as fintechs.
Desafios de segurança
A segurança é um aspecto crítico a ser considerado ao implementar a IA generativa em uma empresa. Esta inteligência pode levar a novos tipos de problemas de segurança nos softwares que a utilizam. Por exemplo, já estamos vendo chatbots que “se liberam” – e certamente haverá questões complicadas para aplicativos baseados em Large Language Models (Grandes Modelos de Linguagem, ou LLMs).
Aplicar práticas de segurança fortes e não usar atalhos será fundamental para mitigar estes riscos. É importante que sua equipe de segurança esteja atualizada e entenda esta área da tecnologia, para evitar que projetos sejam encerrados por incertezas ou falhas de segurança.
Custos e perigos dos períodos de teste gratuitos
Os modelos GenAI custam milhões de dólares para treinar, sem falar no orçamento para acessar talentos em ciência de dados, que são muito procurados e caros. Portanto, é improvável que as plataformas atualmente gratuitas ou de baixo custo se sustentem com este modelo. Se as plataformas gratuitas continuarem assim, vale se perguntar sobre seu modelo de negócios – e se ele inclui o uso dos dados com os quais elas se alimentam.
Compreensão da arquitetura corporativa da IA generativa
A arquitetura de IA generativa para empresas é complexa e integra vários componentes, como processamento de dados, modelos de aprendizado de máquina e circuitos de feedback. O sistema é projetado para gerar conteúdo novo e original com base em regras ou dados de entrada.
Em um ambiente corporativo, a arquitetura de IA generativa pode ser implementada de várias maneiras. Por exemplo, para automatizar o processo de criação de descrições de produtos, economizando tempo e reduzindo custos. Também pode ser usado para gerar relatórios de análise de dados, que podem ajudar as empresas a tomar melhores decisões de negócios.
Chegamos ao final com um bônus!
Na Pomelo, estamos fazendo pequenos testes com a GenAI, como traduzir documentos multilínguas e melhorando a velocidade de desenvolvimento para nossos desenvolvedores. Também estamos usando a IA generativa para construir ferramentas internas, como chatbots, que podem melhorar a eficiência e a produtividade de nossa equipe.
Esses testes iniciais nos mostraram o potencial da inteligência artifical, em especial a IA generativa, para transformar nossas operações. No entanto, também estamos cientes de que a implementação da GenAI em uma empresa de serviços financeiros como a nossa apresenta desafios únicos.