A IA generativa está mudando a forma como as organizações trabalham, mas implantar modelos é apenas o começo. À medida que as empresas passam da experimentação à execução, precisam de uma IA que tome decisões de forma consistente e alinhada à maneira como os negócios realmente funcionam.
Em um novo episódio do The AI Forecast, "Lógica de decisão: a camada que falta na IA corporativa," Darlene Newman, líder de inovação da Duczer East, conversa com o apresentador Paul Muller para explicar por que a IA corporativa precisa de mais do que dados e prompts para gerar resultados confiáveis. Com base em sua experiência liderando iniciativas de IA e transformação digital, Newman explica por que as organizações precisam capturar o conhecimento sobre tomada de decisões que os funcionários aplicam todos os dias e torná-lo acessível à IA.
Continue lendo para descobrir por que a lógica de decisão pode se tornar um elemento fundamental da IA empresarial.
O que é lógica de decisão?
Paul: Vamos falar sobre lógica de decisão. Quando vi o tema pela primeira vez, tive um daqueles momentos em que dá vontade de assentir e fingir que entendeu. Mesmo depois de dar uma olhada rápida, percebi que não fazia ideia do que significava lógica de decisão como disciplina. Então, me ajude. O que é isso e por que eu deveria me importar?
Darlene: Um LLM gera resultados incríveis, mas está apenas identificando padrões no texto da internet com o qual foi treinado. Isso não é inteligência de verdade, mas mudará a forma como trabalhamos no dia a dia. Para que ele saiba e compreenda, é preciso ajudá-lo a entender.
Passei muito tempo trabalhando com gestão de contratos e acho que esse é um caso de uso fenomenal para LLMs. Se eu perguntar se um contrato tem uma cláusula de renovação automática, expressões como poderá ser renovado, será renovado, renovação automática ou renovação tácita podem significar a mesma coisa. Quando alguém diz, "Este é um contrato com renovação automática," a pergunta passa a ser: "Como você sabe?"
É isso que quero dizer com lógica de decisão. É o porquê do que você faz, o conhecimento tácito que as pessoas aplicam instintivamente todos os dias. Você precisa ensinar esse conhecimento ao LLM. Caso contrário, ele tomará sua própria decisão, que talvez não seja a correta.
A “bibliotecária” por trás da IA empresarial
Paul: O que estou entendendo é que a lógica de decisão nos oferece uma maneira de capturar parte desse conhecimento tácito e incorporá-lo ao sistema para casos de uso definidos, reduzindo a necessidade de intervenção humana constante. Então, de que tipo de talento ou habilidades as organizações precisam para desenvolver essa capacidade?
Darlene: Eu a comparo a uma bibliotecária, alguém que organiza informações. Eu sempre digo que há duas habilidades essenciais necessárias para criar um agente: entender o processo de negócios e entender os dados. Combine essas habilidades, e você terá alguém capaz de fazer o design do conhecimento. Não são engenheiros puros, mas a pessoa que projeta a camada de conhecimento precisa entender como os dados são estruturados e como o negócio realmente funciona. Ainda são necessárias pessoas técnicas para implementar o agente, mas projetar o conhecimento é, na verdade, uma combinação de expertise em negócios e compreensão dos dados.
Acho que o que costuma acontecer é que, se a pessoa que está projetando isso tiver uma formação puramente técnica, ela estruturará seu vocabulário em torno do que já existe no sistema. As pessoas dirão, "Temos o Collibra. Temos definições de dados para todos os nossos campos e mapeamos a linhagem." Minha resposta é: "Isso não é um vocabulário controlado."
Ter definições dos campos é ótimo, mas a verdadeira questão é: o que o conceito realmente significa? Uma definição por si só não diz como ela deve ser interpretada nem como uma IA deve identificá-la. É preciso ir um passo além. Você não quer que seus conceitos e sua compreensão simplesmente espelhem o que consta em um modelo de dados relacional. Esse é o risco de adotar uma abordagem técnica demais ao definir a camada semântica.
Incorpore lógica de decisão à IA desde o primeiro dia
Paul: Vamos terminar com uma chamada para ação. Para pessoas como eu, que talvez ouçam o termo lógica de decisão e apenas concordem com a cabeça, o que deveríamos realmente estar fazendo a respeito? É algo em que conselhos e executivos deveriam estar pensando e em que momento de um projeto de IA a lógica de decisão deve se tornar parte da conversa?
Darlene: Você começa a pensar na lógica de decisão no início do projeto, quando está projetando o agente. Com agentes, não é mais possível se contentar com requisitos mínimos. Toda tarefa tem possíveis casos extremos, então é preciso decidir se o agente os trata ou os encaminha a uma pessoa.
Eu sempre digo às pessoas para começar pelo fluxo do processo. Não tente projetar todo o processo em torno do agente. Em vez disso, identifique as atividades críticas desse processo. Mapeie o trabalho que você faz hoje e diga: "Aqui estão todas as coisas que fazemos neste fluxo. Quais fazem mais sentido para você fazer? " E, nesse ponto, quais são os testes? Qual é a entrada? Qual é a saída e como você toma essa decisão para essa saída? E você começa a documentar como faz isso.
O desafio é que as camadas semânticas ainda não são algo que os conselhos entendam com facilidade ou financiem. Os conselhos entendem prontamente data lakes e APIs, mas as camadas semânticas ainda não alcançaram esse nível de compreensão.
Com alguns clientes, tivemos que comprovar o valor. Começamos com um único agente, e os resultados foram ruins. Criamos um vocabulário controlado simples para servir de referência ao agente, e os resultados melhoraram. À medida que adicionávamos mais regras e definições, estávamos essencialmente construindo uma camada semântica básica. Hoje, estamos formalizando isso por meio do design do conhecimento e de padrões abertos, mas, na época, tivemos que fazer essa construção nos bastidores, porque as organizações não estavam solicitando isso. É um conceito difícil porque as pessoas não pensam naturalmente dessa forma. Descobri que é mais fácil mostrar como é um grafo de conhecimento do que explicá-lo.
Ouça a conversa completa com Darlene Newman no podcast The AI Forecast no Spotify, Apple Podcasts e YouTube.
