Tendências de dados corporativos e IA para 2025: inteligência, plataformas e perspectivas futuras

Fazer previsões, especialmente em um campo em rápida evolução como o de dados e IA, é notoriamente difícil. No entanto, nós.Rajesh Parikh responder cantando Sanjeev MohanNo ano passado, lançamos nosso Projeções de tendências para 2024. Com o fim de 2024, temos o prazer de confirmar que nossas previsões estavam corretas. Esse sucesso é ainda mais notável devido ao ritmo sem precedentes da IA, uma taxa de mudança que é rara no setor de TI.

Em nossas quatro principais previsões, destacamos o aumento das plataformas de dados inteligentes e das inteligências de IA. Embora essas tendências sejam menos óbvias em 2023, o impulso por trás das inteligências de IA agora é inegável, anunciando uma maior aceleração.

Em termos de plataformas de dados, estamos observando uma forte mudança em direção a plataformas inteligentes e unificadas, impulsionada pela necessidade de simplificar a experiência do usuário e acelerar o desenvolvimento de produtos de dados e IA. Espera-se que essa tendência se intensifique à medida que mais fornecedores entrem no mercado e ampliem a gama de opções disponíveis para as empresas.

Expectativas para 2025

À medida que nos aproximamos de 2025, o cenário dos dados empresariais e da IA passará por uma grande transformação, remodelando os setores e redefinindo a forma como os seres humanos interagem com a tecnologia. Em vez de chamar isso de previsão, queremos usar este documento para explorar essas tendências transformadoras que, em nossa opinião, exigem muita atenção dos executivos e gerentes de tecnologia das empresas. Portanto, os leitores devem usá-lo como um guia para definir prioridades e preparar suas organizações para escolher a direção certa.

Sem mais delongas, vamos nos aprofundar nas tendências que acreditamos que provavelmente dominarão o cenário dos dados corporativos e da IA. A Figura 1 ilustra as tendências categorizadas como IA aplicada, dados e operações e programa lunar.

Figura 1: O cenário de dados e IA de 2025 é caracterizado pelo surgimento de inteligências, pela evolução das plataformas de dados e pela busca de planos ambiciosos para pousar na Lua, que têm o potencial de transformar o mundo ao nosso redor.

• IA aplicadaEssas tendências terão um impacto significativo na forma como as organizações aproveitam os modelos de IA para a transformação, principalmente em termos de como as inteligências automatizam as tarefas e funções cotidianas. À medida que os modelos continuarem a avançar em seus recursos de raciocínio, essas inteligências evoluirão para lidar com tarefas cada vez mais complexas e colaborar de forma integrada.
• Tendências de dados e plataformas:Os planos convergentes de dados e metadados que suportam dados estruturados e não estruturados impulsionarão a IA e servirão de base para aplicativos de inteligência e IA. Várias tendências importantes estão convergindo para apoiar essa visão, incluindo avanços no gerenciamento de plataformas de dados e o desenvolvimento de middleware robusto para aplicativos de corpos inteligentes.
• Programa de pouso na Lua:Essas tentativas ambiciosas e de alto risco ultrapassam os limites da tecnologia atual e exploram áreas que hoje podem parecer de ponta. Embora haja um alto risco de fracasso, os avanços nessas áreas têm o potencial de revolucionar o setor e redefinir a interação homem-computador.

IA aplicada

2025IA aplicada As tendências estão centradas em aplicativos práticos e na adoção generalizada de inteligências. Conforme mostrado na Figura 2, identificamos quatro subtemas principais que deverão ter o impacto mais significativo nessa categoria.

Figura 2: Assim como o aprendizado de máquina, a democratização da IA será alcançada por meio de um ecossistema próspero de inteligências que podem lidar com uma variedade de tarefas e desafios específicos de domínio.

A seguir, vamos analisar as tendências de cada aplicativo de IA/AI.

Os corpos inteligentes estão em toda parte

Em 2025, entraremos na era da IA de corpos inteligentes.

Aqui estão alguns trechos das tendências do ano passado sobre inteligências de IA e nossos conselhos para as empresas.

Vemos as inteligências informadas por IA como uma tendência que pode levar anos para se concretizar; no entanto, dada a sua promessa, esperamos que 2024 seja um ano de progresso significativo em infraestrutura/ferramentas de inteligências, bem como de adoção antecipada. Deve-se observar que grande parte do nosso entendimento do potencial das arquiteturas atuais de IA para assumir tarefas mais complexas ainda é, em grande parte, sobre o potencial, e há questões consideráveis não resolvidas.

Dito isso, as organizações devem se comprometer com uma abordagem pragmática para a criação de aplicativos corporais inteligentes e, até certo ponto, esperar que a lacuna entre as atuais tecnologias de IA para assumir uma automação cada vez mais complexa provavelmente diminua a cada ano. Elas também devem considerar até que ponto a automação pode ser realizada em uma base de caso de uso por caso de uso nos próximos 12 meses. O caminho/trajetória evolutiva de tais projetos pode ser mais bem-sucedido em tais empreendimentos.

Em 2025, espera-se que a adoção de inteligências de IA autônomas e inteligentes nas empresas se acelere devido à crescente necessidade de automatizar tarefas repetitivas e melhorar a experiência do cliente. Essas inteligências aumentarão as capacidades humanas e permitirão que nos concentremos em trabalhos criativos, estratégicos e complexos.

Elas estendem a automação a tarefas que exigem altos níveis de pensamento, raciocínio e solução de problemas - tarefas que atualmente exigem um envolvimento humano significativo. Por exemplo, as inteligências podem realizar pesquisas de mercado, analisar dados ou responder a consultas de suporte ao cliente. Elas também podem automatizar fluxos de trabalho complexos e de várias etapas que antes eram considerados impraticáveis devido à complexidade, ao custo ou a ambos.

Uma inteligência de IA é um programa ou sistema que percebe seu ambiente, raciocina, divide uma determinada tarefa em uma série de etapas, toma decisões e executa ações para concluir autonomamente essas tarefas específicas, assim como um trabalhador humano.

Atualmente, estamos testemunhando o surgimento de ferramentas orientadas por IA, como co-pilotos de desenvolvedores que podem ser usados por cerca de US$ 20 por mês, e ferramentas como a Devin As inteligências em estágio inicial, como essas, custam US$ 500 (o que ainda representa uma solução de automação de nível 2). As inteligências de IA de nível 2 são aquelas que podem executar determinadas tarefas de forma autônoma, mas ainda exigem supervisão e intervenção humanas significativas.

Entretanto, em 2025, esperamos ver inteligências mais avançadas com preços correspondentemente mais altos para refletir o valor que elas oferecem. Por exemplo, um corpo inteligente especializado que possa superar o desempenho de um profissional de marketing júnior no desenvolvimento de uma estratégia de marketing de entrada e saída no topo do funil de um departamento poderia custar até US$ 20.000.

sistema de inteligência múltipla

Os sistemas multiagentes (MAS) permitem que várias inteligências autônomas trabalhem juntas, comunicando-se e colaborando para solucionar desafios complexos que seriam intransponíveis para uma única inteligência. Essa especialização dentro do MAS permite que cada inteligência se concentre em sua área de especialização, aumentando assim a eficiência geral do sistema, pois as inteligências contribuem com suas habilidades e conhecimentos exclusivos para solucionar problemas complexos. Essas inteligências interagem umas com as outras, muitas vezes usando diferentes modos e canais de comunicação, para atingir suas metas individuais ou as metas gerais do sistema.

A Figura 3 ilustra como as inteligências múltiplas podem colaborar para aprimorar a geração de conteúdo em uma organização.

Figura 3: Um sistema de inteligência múltipla composto por três inteligências que se concentram em tarefas de pesquisa, criação e distribuição de conteúdo, trabalhando de forma colaborativa para atender às necessidades do departamento de marketing.

O MAS pode demonstrar diferentes níveis de controle e diferentes padrões arquitetônicos para comunicação e coordenação por meio de padrões arquitetônicos comuns:

1. Equipes em camadas:Em geral, esse tipo de MAS usa um gerente central ou um delegador de tarefas para mediar a comunicação. As inteligências do trabalhador dentro do sistema se comunicam somente por meio dessa inteligência central, impedindo assim a comunicação direta entre as inteligências.
2. Paridade:No MAS ponto a ponto, as inteligências se comunicam diretamente umas com as outras sem depender de uma agência centralizada.
3. Colaboração em grupo:Esse tipo de MAS é semelhante aos bate-papos em grupo (por exemplo, Slack, Microsoft Teams), nos quais as inteligências se inscrevem em canais relevantes e são coordenadas por meio de uma arquitetura de publicação e assinatura.

Diferentemente dos sistemas de corpo inteligente único, nos quais um corpo inteligente lida com várias funções, os MASs permitem uma especialização eficiente, o que melhora o desempenho de uma ampla gama de aplicativos. Os MASs são essenciais para ampliar a automação de corpos inteligentes complexos; carregar muitas tarefas em um único corpo inteligente introduz complexidade e problemas de escalabilidade/confiabilidade.

Prevemos uma tendência de as empresas desenvolverem inteligências mais especializadas. Essas inteligências devem operar em configurações de equipe, colaborando e coordenando para permitir fluxos de trabalho maiores e mais complexos. Como resultado, o MAS desempenhará um papel fundamental no sucesso geral das iniciativas de automação de fluxo de trabalho orientadas por inteligência.

Sistema de gerenciamento inteligente da carroceria (IBMS)

Um Sistema de Gerenciamento de Inteligência (AMS) facilita o desenvolvimento, a avaliação, a implementação e o monitoramento pós-implementação de inteligências de IA. Ao simplificar a criação e o refinamento dessas inteligências, o AMS permite uma iteração mais rápida e simplifica o gerenciamento do ciclo de vida. Ele também garante que as inteligências atendam às expectativas por meio de testes abrangentes de pré-implantação e monitoramento contínuo da produção.

A Figura 4 mostra os componentes de um AMS representativo.

Figura 4: Componentes de um sistema de gerenciamento de carroceria inteligente (AMS) representativo

Uma AMS representativa contém os seguintes componentes:

1. Construtor de carrocerias inteligente:Os construtores de corpos inteligentes, geralmente chamados de estruturas de corpos inteligentes, ajudam a criar rapidamente novos corpos inteligentes e a aprimorar iterativamente os existentes.
2. Registro de corpo inteligente:O Intelligentsia Registry mantém um catálogo de Intelligentsia disponíveis e facilita o controle de acesso e a governança, o que inclui o controle de versão para garantir o acesso adequado ao público-alvo.
3. Playground de corpos inteligentes:Playground de corpo inteligente para operado manualmente Testar o desempenho das inteligências em uma variedade de tarefas e consultas de usuários oferece uma interface plug-and-play fácil de usar. Esse ambiente permite a avaliação rápida do desempenho da inteligência.
4. Experimentos corporais inteligentes:Suporte experimental Smart Body automação Realizar uma avaliação pré-implantação de inteligências. Essa abordagem estruturada avalia o desempenho das inteligências definindo o conjunto de dados, selecionando métricas apropriadas, configurando o ambiente, analisando os resultados e gerando um relatório de avaliação. Os registros de experimentos executados anteriormente também costumam estar disponíveis.
5. Implementação e monitoramento:A implantação do corpo inteligente envolve a configuração dos recursos necessários para o corpo inteligente em um ambiente de preparação ou produção, enquanto o monitoramento acompanha as métricas relevantes do tempo de execução. Isso garante a confiabilidade e a eficácia das inteligências.
6. IU de bate-papo:A interface de usuário do Chat fornece a interface de usuário necessária para interagir com as inteligências implantadas em um ambiente de produção.

Prevemos que as organizações implantarão um grande número de inteligências específicas para atender a uma ampla gama de tarefas específicas de domínio. A AMS desempenhará um papel fundamental no apoio às organizações na criação, implantação e gerenciamento dessas inteligências em todo o ciclo de vida, levando à Empresa Habilitada para o Corpo Inteligente.

modelo específico da tarefa

(go ahead and do it) without hesitating Antrópica Claude, a família GPT da OpenAI, o Gêmeos e os modelos líderes, como o Nova da AWS, dominam em 2024, mas há algumas tendências dignas de nota no desenvolvimento de modelos específicos de tarefas e domínios que são particularmente relevantes para os casos de uso corporativo.

A Figura 5 ilustra as etapas envolvidas nesse processo de criação de modelos. Esse processo é comumente chamado de alinhamento pós-treinamento.

Figura 5: Técnicas usadas para criar o modelo de domínio

1. ajuste fino supervisionado

O ajuste fino supervisionado (SFT) envolve o treinamento de um modelo básico (geralmente um modelo básico pré-treinado ou uma variante ajustada por comando) usando um conjunto de dados de preferência. No cadeia de pensamento (CoT), cada registro nesse conjunto de dados normalmente contém uma tripla (prompt, CoT, output) em que o CoT faz referência explícita à especificação de segurança relevante.

O processo de refinamento contextual cria um conjunto de dados, começando com um modelo treinado apenas para ser útil e solicitando a ele uma especificação de segurança e dicas relevantes. O resultado desse processo é Modelo SFT.

2. ajuste fino da aprendizagem aprimorada

A segunda fase usa o aprendizado por reforço (RL) altamente computacional. Essa fase usa o LLM de julgamento para recompensar sinais com base na adesão do modelo à especificação de segurança, melhorando ainda mais a capacidade do modelo de raciocinar com segurança. O mais importante é que todo o processo requer intervenção humana mínima além da criação da especificação inicial e da avaliação de alto nível.

O raciocínio da CoT permite que o LLM expresse explicitamente seu processo de raciocínio, tornando suas decisões mais transparentes e interpretáveis. No alinhamento da fase de RL, a CoT inclui referências à especificação de segurança que descreve como o modelo chegou à sua resposta. Isso permite que o modelo considere cuidadosamente as questões relacionadas à segurança antes de gerar uma resposta. A inclusão da CoT nos dados de treinamento permite que o modelo aprenda a usar essa forma de raciocínio para obter uma resposta mais segura, melhorando assim a segurança e a interpretabilidade. O resultado dessa fase é geralmente chamado de "Modelos de raciocínio"

3. ajuste fino contínuo

O ajuste fino contínuo permite que os engenheiros de IA e os cientistas de dados adaptem os modelos a casos de uso específicos. Os engenheiros de aprendizagem profunda e os cientistas de dados agora podem fazer o ajuste fino de modelos de ponta e de código aberto usando de 10 a 1.000 exemplos, melhorando significativamente a qualidade do modelo para aplicativos específicos. Isso é fundamental para as organizações que buscam melhorar a confiabilidade de seus modelos específicos para casos de uso sem precisar investir em uma ampla infraestrutura pós-treinamento.

A maioria dos modelos de ponta agora oferece APIs de ajuste fino contínuo para ajuste de preferências e ajuste fino de aprendizagem por reforço (RLFT), reduzindo o limite para a criação de modelos específicos de tarefas ou domínios.

A saída desse estágio pode ser chamada de "Modelagem específica de tarefa ou domínio".

As estruturas de ajuste fino de código aberto (por exemplo, Hugging Face Transformers Reinforcement Learning (TRL), Unsloth etc.) oferecem recursos de ajuste contínuo semelhantes para modelos OSS. Por exemplo, os primeiros usuários do modelo Llama fizeram o ajuste fino mais de 85.000 vezes desde o seu lançamento.

À medida que continuamos a implementar a adoção da IA na empresa, observamos duas tendências distintas:

1. As organizações com recursos de capital significativos (que chamamos de "Fronteiras") podem adotar uma estratégia de pós-treinamento de modelos de código aberto, personalizando-os amplamente para domínios e casos de uso específicos por meio de um ajuste fino contínuo.
2. Para aqueles com orçamentos limitados, mas com grande foco em casos de uso confiáveisNegócio ambiciosoUma estratégia econômica é escolher LLMs prontos para uso e priorizar o alinhamento específico da tarefa por meio de um ajuste fino contínuo.

Tendências em dados, operações e manutenção

Os dados são essenciais para implementações bem-sucedidas de IA e exigem práticas recomendadas de gerenciamento de dados. A Figura 6 ilustra as principais tendências de dados e O&M para 2025.

Figura 6: Principais dados e tendências de O&M

Vamos nos aprofundar em cada tendência.

Plataforma de dados inteligente

Para acelerar a inovação em dados e IA e reduzir a sobrecarga operacional, propomos uma plataforma unificada de dados inteligentes e IA (IDP) em 2024. Esse esforço de unificação e simplificação ganhou força significativa entre os principais fornecedores de software, resultando na arquitetura mostrada na Figura 7.

Figura 7: Arquitetura da plataforma de dados inteligentes

O IDP otimiza a integração do ciclo de vida dos dados (armazenamento, processamento, análise e aprendizado de máquina), reduzindo assim a necessidade de ferramentas e mão de obra fragmentadas. Ele também fornece uma estrutura centralizada para a estratégia e a execução da governança de dados.

Embora as principais ofertas de empresas de tecnologia estabelecidas e startups continuem a aprimorar a funcionalidade em 2024, a adoção generalizada de plataformas de dados e IA para inteligências de IA ainda é um trabalho em andamento.

Em 2025, os provedores de plataformas de dados continuarão a integrar seus serviços para criar uma base essencial para inteligências de IA e sistemas com várias inteligências, fornecendo a esses aplicativos as informações necessárias para operar e tomar decisões. Essas plataformas extraem três funções principais:

1. Harmonização dos planos de dados:O Unified Data Plane suporta o carregamento, o armazenamento, o gerenciamento e a governança de vários formatos de dados, incluindo texto (por exemplo, PDF), imagens (por exemplo, PNG, JPEG) e áudio/vídeo (por exemplo, MP3). Uma subtendência importante nesse Plano de Dados Unificado é a adoção de formatos de tabela abertos, como Apache Iceberg, Delta Lake e Apache Hudi.
2. Plano de metadados unificado:Os metadados fornecem aos aplicativos de IA informações contextuais básicas sobre os dados que eles processam. Por exemplo, se os dados contiverem um documento de política de RH, os metadados relevantes poderão incluir o número da versão do documento, a data da última revisão e o autor. Sem metadados ricos que forneçam essas nuances, será difícil para as inteligências estabelecerem contexto suficiente e fornecerem a funcionalidade pretendida.
3. Orquestrador de vários mecanismos:O IDP também fornece uma camada de orquestração extensível projetada para gerenciar e orquestrar vários mecanismos de computação, incluindo aqueles usados para processamento analítico, transformação de dados e execução de modelos de IA.
4. Plano de governançaO IDP também atua como middleware de controle de acesso, governança e personalização, permitindo que as inteligências compreendam melhor as funções do usuário (incluindo funções, acesso a dados e histórico de consultas) e personalizem as respostas.

ETL para IA

ETL (Extract, Transform and Load) é um processo fundamental de integração de dados usado para preparar dados brutos para modelos de IA e aprendizado de máquina. O processo envolve a extração de dados de várias fontes, sua transformação por meio de limpeza e formatação e, em seguida, seu carregamento em um sistema de gerenciamento ou armazenamento de dados, como um IDP, data warehouse ou armazenamento vetorial, conforme descrito anteriormente.

Embora as organizações já estejam familiarizadas com o ETL para dados estruturados (extração, transformação e carregamento de dados de bancos de dados operacionais em armazéns ou lagos de dados), o ETL para IA amplia esse processo para abranger uma grande variedade de formatos de dados, incluindo texto (.pdf, .md, .docx), áudio/vídeo (mp3, mpeg) e imagens (jpeg, png).

Essas fontes de dados não estruturados podem incluir uma variedade de repositórios de conteúdo, aplicativos e recursos da Web usados pela empresa. De fato, o próprio processo de ETL pode aproveitar a IA para tarefas de extração, como a extração de entidades (imagens, tabelas e entidades nomeadas) de PDFs usando modelos multimodais de LLM (Large Language Models) ou OCR (Optical Character Recognition).

ETL para dados não estruturados Suporte para vários casos de uso downstream:

• Insights orientados por IA:Geração aprimorada de pesquisa (RAG) permite que os aplicativos facilitem a interação do usuário com documentos, extraiam resumos importantes e ofereçam suporte a casos de uso semelhantes. A extração e a transformação de dados de fontes tão diversas como SharePoint, Dropbox, Notion e vários repositórios e aplicativos em nuvem serão um facilitador essencial para insights orientados por IA. Prevemos que os fornecedores continuarão a extrair o RAG e a integrá-lo como um recurso prontamente acessível em plataformas unificadas de dados, análises e IA.
• Pesquisa de IAAcessibilidade e inteligência aprimoradas do conteúdo corporativo em comparação com as pesquisas tradicionais por palavras-chave.
• Automação orientada por IAFornecimento da camada de conhecimento necessária a partir de dados não estruturados para fornecer informações contextuais básicas às inteligências.
• Alinhamento pós-treinamento e ajuste fino contínuoFacilite a disponibilidade de dados novos e atualizados para permitir a personalização contínua e sem interrupções dos modelos para uma variedade de casos de uso departamental.

Preparação de dados para IA

A preparação de dados é fundamental para a implementação bem-sucedida de modelos específicos de tarefas e inteligências de IA.

Essa é a chave para o sucesso de tais programas"condição prévia".

Para que os dados estejam disponíveis para a IA, eles precisam ser preparados de forma abrangente em várias dimensões. Embora a IA possa consumir quase todos os dados disponíveis que uma organização tem, a abordagem correta é derivar os requisitos de preparação de dados dos casos de uso que estão sendo priorizados.

A Figura 8 ilustra algumas das principais dimensões da preparação de dados para IA

Figura 8: Preparação de dados para IA

Qualidade e observabilidade dos dados

Esses dados são aprovados nos indicadores de qualidade estabelecidos? Isso pode significar um ou mais dos seguintes aspectos:

1. confiança
2. frescor
3. correção
4. Integridade dos metadados
5. descidas
6. Legalidade/desvio
7. relevância
8. controle de versão

Como as métricas acima são gerenciadas, rastreadas e apresentadas em tempo real?

1. Dados de observabilidade
2. Linhagem de dados
3. histórico de revisões (de um documento, página da Web etc.)

Produtos de dados para IA

Os produtos de dados são essenciais para o sucesso de modelos específicos de tarefas, benchmarking e testes de modelos de IA e aplicativos de inteligência. Alguns produtos de dados de IA importantes incluem:

1. conjuntos de dados disponíveis para treinamentoOs dados rotulados tornam-se um produto de dados valioso que pode ser usado imediatamente para treinamento de IA.

2. conjunto de dados Chain (CoT):Diferentemente dos conjuntos de dados tradicionais, que normalmente fornecem entradas e saídas para treinamento, os conjuntos de dados CoT também incluem etapas de inferência intermediárias que explicam como as respostas foram obtidas. Essa abordagem passo a passo do raciocínio está intimamente relacionada à maneira como os seres humanos resolvem problemas complexos, o que torna os conjuntos de dados CoT valiosos para o treinamento de modelos de IA para executar tarefas que exigem raciocínio lógico, planejamento e interpretabilidade.

3. conjunto de dados refinado:Fornece um subconjunto representativo menor do conjunto de dados que captura a diversidade e a variabilidade do conjunto de dados completo. Abaixo estão alguns exemplos de conjuntos de dados destilados:

a. Um subconjunto de avaliações de clientes que capturam diferentes níveis de sentimento e categorias de produtos.

b. Conjuntos de dados específicos de tarefas de alta qualidade criados para treinar modelos menores (modelos de alunos) para imitar o desempenho de modelos maiores e mais complexos (modelos de professores).

c. Um subconjunto da documentação técnica refinado para o ajuste fino do modelo de perguntas e respostas técnicas.

4. conjuntos de dados sintéticos:Dados refinados usados para gerar conjuntos de dados sintéticos que imitam os principais atributos do conjunto de dados original. Eles costumam ser usados para aumentar os conjuntos de dados reais onde os dados são escassos ou desequilibrados. Ao gerar variantes, os modelos podem ser treinados em conjuntos de dados mais diversificados.

5. conjuntos de dados de mapeamento de conhecimento:Os produtos de dados alimentados pelo GraphRAG aproveitam os recursos de recuperação e geração de dados baseados em gráficos. Por exemplo, os conjuntos de dados de gráficos de conhecimento da área de saúde que conectam terminologia médica, diagnóstico, tratamento e resultados de pacientes podem ser usados para fornecer orientação médica personalizada, sugerir possíveis opções de tratamento e ajudar os médicos a tomar decisões orientadas por dados.

6. dados do usuário:Os dados do usuário são essenciais para a criação de aplicativos de IA mais inteligentes e personalizados. Esses dados normalmente incluem qualquer informação sobre a função do usuário e as interações ou entradas do usuário que a inteligência ou o aplicativo de IA usa para entender a função do usuário (que a inteligência pode usar para fornecer saídas ou respostas significativas). Aqui estão alguns exemplos de dados do usuário:

a. As inteligências do analista de dados com funções de usuário e informações sobre o histórico de interação do conjunto de dados/consulta/painel do usuário podem personalizar as respostas da consulta filtrando e selecionando o histórico de acesso ao conjunto de dados e as execuções da consulta apropriadas.

b. As inteligências de suporte ao cliente que entendem o status de cliente de um usuário (por exemplo, Premium ou Normal) e a natureza das solicitações de suporte anteriores podem usar ordens de serviço, problemas e soluções anteriores para priorizar respostas, fornecer soluções mais rápidas ou recomendar artigos específicos da base de conhecimento.

c. Ao analisar o histórico de comunicação anterior e os padrões de envolvimento com clientes potenciais e clientes, as inteligências de vendas podem personalizar as estratégias de acompanhamento, recomendar produtos ou serviços específicos e priorizar clientes potenciais com base em seu comportamento histórico.

programa de pouso na lua

Os programas de pouso na Lua são tentativas exploratórias ambiciosas para resolver grandes desafios por meio de soluções inovadoras. Em geral, esses projetos ultrapassam os limites da tecnologia atual e operam na vanguarda da inovação. Embora inerentemente apresentem um alto risco de fracasso, o potencial de resultados transformadores é enorme.

Embora esta seção seja um espaço para exploração criativa, gostaríamos de explorar os conceitos mais especulativos destacados na Figura 9.

Figura 9: Programa de pouso na Lua

agente cognitivo

As inteligências cognitivas aprendem com suas experiências de forma extrema e contínua, além de se adaptarem e se aperfeiçoarem. A Figura 10 mostra as características definidoras das inteligências cognitivas.

Figura 10: Cinco características principais das inteligências cognitivas: aprendizado, memória, autoconsciência, autoaperfeiçoamento e autoescalonamento

Além dos recursos genéricos das inteligências de IA, as inteligências cognitivas normalmente têm vários outros recursos:

1. retenção de memória

A capacidade de retenção de memória mais longa é uma das principais características das inteligências cognitivas. A capacidade de retenção de memória permite que as inteligências se lembrem de conversas anteriores, muitas vezes lembrando-se de eventos específicos, inclusive quando e onde ocorreram, e muitas vezes aprendendo com eles.

Assim, as inteligências cognitivas têm arquiteturas de memória complexas que incluem armazenamento de longo prazo para retenção e formas específicas de memória (por exemplo, memória situacional), que permitem que as inteligências recordem e relembrem eventos específicos no tempo, inclusive quando e onde eles ocorreram.

Um exemplo de uso da memória situacional poderia ser a recordação das etapas realizadas para concluir com êxito uma tarefa em um evento anterior. Se o corpo inteligente for confrontado com a mesma tarefa novamente, ele poderá se lembrar das etapas exatas tomadas na instância anterior bem-sucedida e executar a tarefa com mais eficiência dessa vez.

2. aprender com as interações anteriores

Essas inteligências aprendem com interações passadas e usam esse aprendizado para tomar decisões melhores no futuro.

3. autoconsciência

Essas inteligências também podem estar cientes de seus próprios detalhes e funções de construção.

Eles podem aprender com as interações dos usuários e atualizar sua base de conhecimento para obter novos conteúdos de aprendizagem.

4. autocura

A autocorreção permite que a inteligência amplie sua funcionalidade adicionando novos recursos, como ferramentas para criar conjuntos de dados de preferência a partir de interações recentes e acionar o próximo trabalho de ajuste fino. Ela também pode avaliar novos modelos e registrar novas revisões de modelos no registro de modelos, além de gerar relatórios detalhados de modelos para análise dos engenheiros de IA.

5. autoescalada

(Opcional) A Intelligentsia pode fazer o autoatualização para a nova revisão de modelo criada acima.

inteligência incorporada

As inteligências incorporadas são tipos de inteligências de IA que têm uma presença física (por exemplo, robôs). Essa "incorporação" é fundamental porque permite que a inteligência perceba e atue no mundo físico como um ser humano faria, possibilitando que ela aprenda e execute tarefas que exigem que a inteligência desenvolva uma compreensão profunda do espaço físico e execute as tarefas atribuídas. Espera-se que a IA generativa revolucione a robótica, indo além da programação tradicional baseada em regras para operar em ambientes mais complexos e dinâmicos.

A Figura 11 mostra como as organizações podem usar essas novas inteligências para uma variedade de aplicações.

Figura 11: Exemplo de uma empresa que usa inteligências incorporadas.

Vamos explorar como os bancos estão usando as inteligências incorporadas. As inteligências incorporadas de suporte ao cliente em suas agências podem iniciar a primeira interação com um cliente que chega, fornecer consultoria financeira personalizada e ajudar a processar transações.

No varejo, as inteligências incorporadas podem assumir a forma de assistentes de compras na loja que fornecem informações sobre o produto e orientação sobre a loja. Na manufatura, essas inteligências podem lidar com tarefas que exigem mobilidade e destreza que são perigosas para a segurança humana.

rede inteligente

A comunicação eficaz entre várias inteligências de IA para atingir objetivos comuns ou resolver problemas complexos é atualmente prejudicada pela falta de formatos de mensagens padronizados, protocolos e mecanismos de resolução de conflitos. As futuras abordagens de rede devem ser dimensionáveis, de baixa latência e seguras, criando confiança entre as inteligências e protegendo as redes de comunicação contra ataques maliciosos.

Isso nos leva à última tendência esperada com relação ao aprimoramento das redes corporais inteligentes.

Redes eficazes de inteligência podem revolucionar a maneira como a inteligência se comunica, colabora, coordena, trabalha e aprende, tanto dentro quanto fora da empresa. Essa tendência é semelhante aos primeiros dias da Internet e à padronização dos protocolos da Internet, bem como à evolução das comunidades e dos fóruns na era da Web 2.0. Essas tendências aumentaram significativamente a colaboração entre as pessoas além das fronteiras físicas.

A Figura 12 mostra quatro opções para criar uma rede eficaz de inteligências.

Figura 12: Exemplos de possíveis padrões de rede de corpos inteligentes

Os benefícios de todas as tendências do programa de pouso na Lua são enormes. As inteligências cognitivas podem aprender por meio dessas interações, analisando os dados trocados, atualizando sua própria base de conhecimento, analisando os dados trocados, aprimorando a comunicação semelhante à humana e acelerando a inovação dentro dos limites da empresa.

chegar a um veredicto

Em resumo, a tendência de IA aplicada é aquela que acelera a adoção significativa de inteligências e aplicativos de IA na empresa, enquanto as tendências de dados e operações fornecem uma base sólida para dar suporte e acelerar esses aplicativos de inteligência. Além disso, o programa Moon Landing abrange tópicos que podem parecer radicais hoje, mas que podem ter o próximo impacto transformador.

Como de costume, o objetivo desta pesquisa é focar em soluções tecnológicas em vez de impactos organizacionais. As inteligências autônomas naturalmente levantam preocupações sobre a perda de empregos, já que se espera que as inteligências de IA assumam tarefas repetitivas. As organizações precisam redescobrir a sinergia/coordenação entre as pessoas e as inteligências de IA, redefinindo criticamente as funções de trabalho e criando novas funções relacionadas à criação, ao gerenciamento e à colaboração com a IA. Essa transformação, portanto, cria outra tarefa importante, pois a maioria das organizações precisará aprimorar e retreinar de forma crítica sua força de trabalho juntamente com a transformação da IA.

Por fim, qualquer avanço na arquitetura do modelo LLM, soluções que possam introduzir a injeção de conhecimento adaptável de maneira econômica ou melhorias significativas nos recursos de compreensão e raciocínio têm o potencial de impactar ainda mais a realidade potencial dos aplicativos de IA.