Technology Vision 2024

Aprimore sua base de dados

Novas tecnologias e técnicas podem ajudar as empresas a reforçar sua base de dados e se preparar para o futuro dos negócios data-driven. Onde quer que as empresas comecem, os consultores de LLM exigirão uma base de dados mais acessível e contextual do que nunca.

O gráfico de conhecimento é uma das tecnologias mais importantes aqui. É um modelo de dados estruturado em grafo, incluindo entidades e as relações entre elas, que codifica mais contexto e significado. Um gráfico de conhecimento não só pode agregar informações de mais fontes e oferecer suporte a uma melhor personalização, mas também melhorar o acesso a dados por meio da pesquisa semântica.

Embora não usassem LLMs, eles dependiam do processamento de linguagem natural para criar uma ontologia e um serviço de machine tagging para atribuir metadados de documentos, que eram então armazenados em um banco de dados gráfico. Agora, encontrar informações leva metade do tempo, e a Cisco economiza a seus vendedores mais de quatro milhões de horas por ano com recursos aprimorados de gerenciamento de conhecimento.

Além dos gráficos de conhecimento, data mesh e data fabric são duas maneiras de ajudar a mapear e organizar as informações que as empresas devem considerar ao atualizar a arquitetura geral. 

Explore LLMs como sua nova interface de dados

Por si só, gráficos de conhecimento, data fabric e data mesh seriam um grande passo para os sistemas de gerenciamento de conhecimento corporativo. Mas há muito a se ganhar em dar o próximo passo e mudar do modelo de bibliotecário para conselheiro. Imagine se, em vez de usar uma barra de pesquisa, os funcionários pudessem fazer perguntas em linguagem natural e obter respostas claras em todos os sites e aplicativos da empresa. Com uma base de dados acessível e contextual, as empresas podem começar a criar isso - e há algumas opções.

Primeiro, as empresas podem treinar seu próprio LLM do zero, embora essa abordagem seja rara, dados os recursos significativos necessários.

Uma segunda opção é refinar um LLM existente. Essencialmente, isso significa pegar um LLM mais geral e adaptá-lo a um domínio, treinando-o ainda mais em um conjunto de documentos específicos do domínio. Essa opção é melhor para casos específicos de domínio em que informações em tempo real não são necessárias, como para ações criativas em design ou marketing.

As empresas estão começando a ajustar modelos de linguagem menores (SLMs) para casos de uso especializados. Esses SLMs não são apenas mais eficientes, funcionando a um custo mais baixo com pegadas de carbono menores, como podem ser treinados mais rapidamente e usados em dispositivos menores e de borda.

Por fim, uma das abordagens mais populares para a construção de um LLM-advisor tem sido "aterrar" LLMs pré-treinados, fornecendo-lhes informações mais relevantes e específicas de casos de uso, geralmente por meio da geração aumentada de recuperação (RAG). 

O campo de IA generativa e LLMs se move rapidamente, mas qualquer que seja a maneira que você escolha explorá-lo, uma coisa permanecerá constante: sua base de dados precisa ser sólida e contextual, ou seu consultor de LLM nunca cumprirá sua promessa.

Compreensão e mitigação de riscos

Em primeiro lugar, e mais importante, à medida que as empresas começam a explorar as novas possibilidades que os LLM-advisors trazem, elas precisam entender os riscos associados.

Tomemos as "alucinações", uma característica quase intrínseca dos LLMs. Por serem treinadas para entregar respostas probabilísticas com alto grau de certeza, há momentos em que essas plataformas transmitem informações incorretas com confiança. 

E embora as alucinações sejam talvez o risco mais notório dos LLMs, outras questões devem ser consideradas. Se estiver usando um modelo público, os dados proprietários devem ser cuidadosamente protegidos para não vazarem. E para modelos privados também, os dados não podem ser compartilhados com funcionários que não devem ter acesso. O custo da computação é algo que precisa ser gerenciado. Por trás de tudo, poucas pessoas têm a expertise relevante para implementar bem essas soluções. 

Dito tudo isso, esses desafios não devem ser tomados como um impedimento, mas sim como um chamado para implementar a tecnologia com controles apropriados.

Os dados que entram no LLM — seja por meio de treinamento ou prompt — devem ser dados de alta qualidade: atualizados, bem rotulados e imparciais. Os dados de treinamento devem ser compartilhados proativamente pelos clientes ou audiência e coletados diretamente pela companhia. Padrões de segurança devem ser implementados para proteger quaisquer dados pessoais ou proprietários. Finalmente, as permissões de dados também devem estar em vigor para garantir que o usuário tenha permissão para acessar todos os dados recuperados para aprendizado contextual.

Além da precisão, os resultados do chatbot de IA generativa também devem ser explicáveis e alinhados com a marca. Redes de proteção podem ser colocadas em prática para que o modelo não responda com dados sensíveis ou palavras prejudiciais e para que recuse perguntas fora de seu escopo. Além disso, as respostas podem transmitir incerteza e fornecer fontes para verificação.

Por fim, os chatbots de IA generativa devem estar sujeitos a testes contínuos e supervisão humana. As empresas devem investir em IA ética e desenvolver padrões mínimos a serem seguidos. E elas devem coletar feedback regularmente e fornecer treinamento para os funcionários também.

Entre as muitas outras implicações de segurança já discutidas nessa tendência, as empresas também devem pensar em como os LLM-advisors podem mudar a dinâmica dos dados do usuário.

Temos a oportunidade de reinventar o caráter de busca e restaurar a confiança entre empresas e consumidores.

As companhias agora podem atuar como guardiãs das próprias informações, armazenando, protegendo, analisando e disseminando seus dados e conhecimento institucional diretamente aos clientes por meio de consultores digitais. Essa é uma grande responsabilidade: sua empresa deve garantir que os dados permaneçam seguros, ao mesmo tempo em que gera respostas de alta confiança em seus serviços de consultoria. É uma oportunidade ainda maior: sem provedores de pesquisa mediando a troca de informações, as empresas podem servir como fonte direta de insights confiáveis e reconquistar a confiança dos clientes.

À medida que os assistentes de IA amadurecem em proxies que podem agir em nome dos humanos, as oportunidades de negócios resultantes dependerão de três recursos principais: acesso a dados e serviços em tempo real; raciocínio por meio de cadeias complexas de pensamento; e a criação de ferramentas – não para uso humano, mas para uso dos próprios agentes.

Começando com o acesso a dados e serviços em tempo real: quando o ChatGPT foi lançado, um erro comum que as pessoas cometeram foi pensar que o aplicativo estava procurando ativamente informações na web. Na realidade, o GPT-3.5 (LLM sobre o qual o ChatGPT foi inicialmente lançado) foi treinado em um conjunto de conhecimento extremamente amplo e se baseou nas relações entre esses dados para fornecer respostas.

Mas novos plug-ins que permitem o acesso do ChatGPT à internet logo foram criados e podem transformar modelos básicos de motores que trabalham isoladamente em agentes com capacidade de navegar no mundo digital atual. Embora os plug-ins tenham um poderoso potencial inovador por si só, eles também desempenharão papel crítico no surgimento de ecossistemas de agentes.

O segundo passo na evolução do agente é a capacidade de raciocinar e pensar logicamente – porque mesmo as ações mais simples do dia a dia para as pessoas exigem uma série de instruções complexas para as máquinas.

A pesquisa de IA está começando a quebrar barreiras ao raciocínio de máquina. O prompting chain-of-thought (linha de raciocínio) é uma abordagem desenvolvida para ajudar os LLMs a entender melhor as etapas de uma tarefa complexa.xi

Entre o raciocínio chain-of-thought e os plugins, a IA tem o potencial de assumir tarefas complexas usando uma lógica mais rígida e a abundância de ferramentas digitais disponíveis na web. Mas o que acontece se a solução necessária ainda não estiver disponível?

Quando os seres humanos enfrentam esse desafio, adquirimos ou construímos as ferramentas de que precisamos. A IA costumava depender exclusivamente de humanos para aumentar suas capacidades. Mas a terceira dimensão da agência que vemos emergir é a capacidade da IA de desenvolver ferramentas para si mesma.

O ecossistema de agentes pode parecer avassalador. Afinal, além das três principais capacidades dos agentes autônomos, também estamos falando de um desafio de orquestração incrivelmente complexo e uma reinvenção massiva de sua força de trabalho humana para tornar tudo possível. É o suficiente para deixar os líderes se perguntando por onde começar.

A boa notícia é que os esforços de transformação digital existentes ajudarão muito a dar às empresas uma vantagem.

O que acontece quando o ecossistema de agentes começa a funcionar? Seja como nossos assistentes ou como nossos representantes, o resultado será uma produtividade explosiva, inovação e a renovação da força de trabalho humana.

Como assistentes ou copilotos, os agentes poderiam multiplicar drasticamente a produção de funcionários individuais. 

Em outros cenários, confiaremos cada vez mais nos agentes para agir em nosso nome. Como nossos representantes, eles poderiam lidar com trabalhos atualmente realizados por humanos, mas com uma vantagem gigantesca: um único agente poderia usar todo o conhecimento e as informações da sua empresa.

As empresas precisarão pensar nas abordagens humanas e tecnológicas de que precisam para apoiar esses agentes. Do lado da tecnologia, uma consideração importante será como essas entidades se identificam.

E os impactos sobre os trabalhadores humanos – suas novas responsabilidades, papéis e funções – exigem uma atenção ainda mais profunda. Para ser claro, os humanos não vão a lugar nenhum. Os humanos farão e aplicarão as regras para os agentes.

Repense o talento humano

Na era dos ecossistemas de agentes, seus funcionários mais valiosos serão aqueles mais bem equipados para definir as diretrizes para os agentes.

O nível de confiança de uma empresa nos agentes autônomos determinará o valor que esses agentes podem criar, e seu talento humano é responsável por construir essa confiança.

Mas os agentes também precisam entender seus limites. Quando um agente tem informações suficientes para agir sozinho e quando deve buscar apoio antes de agir? Os humanos decidirão quanta independência oferecer aos sistemas autônomos.

O que as empresas podem fazer agora

O que você pode fazer agora para preparar sua força de trabalho humana e de agentes para o sucesso? Dê aos agentes a chance de aprender sobre sua empresa e dê à sua empresa a chance de aprender sobre os agentes.

As empresas podem começar tecendo a malha conectiva entre os predecessores dos agentes, LLMs, e seus sistemas de suporte. Ao ajustar os LLMs nas informações da sua empresa, você dá aos modelos de base uma vantagem inicial no desenvolvimento de conhecimento.

Também é hora de apresentar os humanos aos seus futuros colegas de trabalho digitais. As empresas podem estabelecer as bases para a confiança com os futuros agentes, ensinando a força de trabalho a raciocinar com as tecnologias inteligentes existentes. Desafie seus funcionários a descobrir e transcender os limites dos sistemas autônomos existentes.

Por fim, que não haja ambiguidade sobre as prioridades da sua empresa. Cada ação que seus agentes tomarem precisará ser rastreada até seus valores fundamentais e uma missão, portanto, nunca é cedo demais para operacionalizar seus valores de cima para baixo na organização.

Do ponto de vista da segurança, os ecossistemas de agentes precisarão fornecer transparência em seus processos e decisões. Considere o crescente reconhecimento da necessidade de uma lista de materiais de software – uma lista clara de todos os componentes de código e dependências que compõem um aplicativo de software – de modo a permitir que empresas e agentes fiquem nos bastidores. Da mesma forma, uma lista de materiais do agente poderia ajudar a explicar e acompanhar a tomada de decisão desse agente.

Que lógica o agente seguiu para tomar uma decisão? Qual agente fez a ligação? Que código foi escrito? Quais dados foram usados e com quem esses dados foram compartilhados? Quanto melhor pudermos rastrear e entender os processos de tomada de decisão dos agentes, mais poderemos confiar neles para agir em nosso nome.

A criação de aplicativos espaciais

Essencialmente, novos padrões, ferramentas e tecnologias estão tornando mais fácil — e mais barato — criar aplicativos espaciais e experiências que pareçam familiares.

Pense nos sites que você frequenta ou em seus aplicativos favoritos no celular. Mesmo que seus propósitos sejam diferentes, algo parece inegavelmente universal até mesmo nas experiências mais díspares. Por que? Todos usavam a mesma base.

Por muito tempo, a computação espacial não teve esse fundamento. 

Chega então a Descrição Universal da Cena (USD) ou o que pode ser melhor descrito como um formato de arquivo para espaços 3D. Desenvolvido pela Pixar, USD é uma estrutura que permite aos criadores mapear aspectos de uma cena, incluindo ativos e fundos específicos, iluminação, personagens e muito mais. Como o USD é projetado para reunir esses ativos em uma cena, diferentes softwares podem ser usados em cada um, permitindo a construção colaborativa de conteúdo e edição não destrutiva. USD está rapidamente se tornando central para as aplicações espaciais mais impactantes, notadamente dentro de gêmeos digitais industriais.

As empresas precisam entender que não operarão espaços isoladamente. Assim como nenhuma página ou aplicativo existe apenas na internet, a próxima iteração da web promete aproximar ainda mais essas experiências paralelas. 

Senso de lugar

Uma capacidade emergente que diferencia a computação espacial de suas contrapartidas digitais é envolver nossos sentidos. As novas tecnologias permitem que os engenheiros projetem experiências que abordem todos os tipos de sentidos, como tato, olfato e audição.

Em tentativas anteriores de Realidade Virtual (RV), adicionar hápticos, ou toque, poderia ser pesado ou decepcionante. Mas pesquisadores da Universidade de Chicago propuseram recentemente o uso de eletrodos para imitar melhor o toque.

Os aromas também podem tornar os espaços digitais realistas, evocando memórias ou desencadeando a importantíssima resposta de luta ou fuga. A Scentient, empresa que tenta trazer sentidos olfativos para o metaverso, vem experimentando a tecnologia para treinar bombeiros e socorristas, para quem cheiros, como a presença de gás natural, podem ser críticos ao avaliar uma emergência.

É claro que o som, ou áudio espacial, também é fundamental para a construção de cenas digitais realistas.

Por fim, os aplicativos espaciais imersivos precisarão responder à forma como nos movemos naturalmente.

A computação espacial não vem para substituir a computação desktop ou móvel, mas está se tornando uma peça importante da malha computacional que compõe a estratégia de TI corporativa.

Já vimos os estágios iniciais. Gêmeos digitais fazem mais sentido quando você os utiliza. O treinamento é mais impactante quando você pode viver a experiência em vez de assistir a um vídeo. Embora estes fossem frequentemente pilotos independentes, uma consideração cuidadosa das vantagens únicas da computação espacial pode ajudar a moldar e orientar a estratégia empresarial. O mercado ainda está amadurecendo, mas rapidamente fica claro que os aplicativos espaciais prosperam quando aplicados de três maneiras: transmitindo grandes volumes de informações complexas; dando aos usuários agência sobre sua experiência; e, talvez contraintuitivamente, permitindo-nos aumentar os espaços físicos.

Quando se trata de transmitir informações complexas, a vantagem do meio espacial sobre as alternativas conhecidas é provavelmente mais clara. Como um espaço pode permitir que os usuários se movam e ajam naturalmente, as informações podem ser transmitidas de maneiras mais dinâmicas e imersivas. Já vimos isso em ação. Alguns dos primeiros exemplos de aplicativos espaciais bem-sucedidos foram gêmeos digitais industriais, cenários de treinamento virtual ou assistência remota em tempo real.

A segunda vantagem que o espaço tem sobre os meios mais antigos é a capacidade de dar aos usuários agência para moldar suas experiências no aplicativo. Como a computação espacial nos permite construir experiências digitais que incorporam um senso físico de espaço, podemos projetar experiências que dão aos usuários mais flexibilidade para se mover e explorar.

Por fim, as aplicações espaciais trazem vantagens para os espaços físicos; eles podem aumentar, melhorar e estender lugares físicos sem alterá-los materialmente. Imagine um futuro escritório onde monitores físicos, projetores e monitores são substituídos por computadores e aplicativos espaciais. As pessoas terão a flexibilidade de projetar espaços mais simples, reduzindo os custos gerais, e mudar o ambiente com mais facilidade.

À medida que o mundo do trabalho se torna espacial, as empresas também precisarão pensar em segurança. Haverá mais dispositivos do que nunca – os funcionários usarão dispositivos espaciais para trabalhar, os clientes os usarão para acessar experiências. E com esse ecossistema de dispositivos em constante expansão, haverá mais pontos de entrada para os invasores também. Então, como colocar fronteiras no que nasce sem fronteiras? As estratégias espaciais das empresas terão de ser concebidas com princípios de confiança zero.

Além disso, as empresas devem reconhecer que o espaço é um território desconhecido, portanto, tanto fornecedores quanto usuários devem esperar ter pontos cegos. Uma linha de defesa não será suficiente, mas estratégias de Defesa em Profundidade que aproveitem várias camadas de segurança (como administrativa, técnica e física) podem ser implantadas para proteger essa nova fronteira.

Tentar entender as pessoas – como indivíduos, público-alvo ou populações – é um desafio de negócios centenário. E nas últimas décadas, usar a tecnologia digital para fazer isso tem sido o grande diferencial. As plataformas e dispositivos digitais permitiram que as empresas rastreassem e quantificassem os comportamentos das pessoas com um impacto extremamente valioso. Agora, a "interface humana" muda o jogo novamente, tornando possível entender as pessoas de maneiras mais profundas e centradas no ser humano.

Tecnologias recentes usadas para entender as pessoas têm se baseado em rastrear e observar padrões que ainda carecem de especificidade. As pessoas podem ler ou assistir a conteúdos familiares, mas podem realmente querer algo novo. Somos muito bons em reconhecer o que as pessoas fazem, mas nem sempre entendemos por que elas fazem isso.

Como a "interface humana" mede a intenção

A "interface humana" não é uma tecnologia única. Em vez disso, engloba um conjunto de tecnologias que aprofundam a forma como os inovadores veem e dão sentido às pessoas.

Alguns estão usando dispositivos vestíveis para rastrear biosinais que podem ajudar a prever o que as pessoas querem ou entender seu estado cognitivo.

Outros estão construindo maneiras mais detalhadas de entender a intenção das pessoas em relação aos seus ambientes.

Outra abordagem para a intenção humana é por meio da IA. Considere as colaborações humano-robô. O estado de espírito das pessoas, como se elas estão se sentindo ambiciosas ou cansadas, pode afetar a forma como abordam uma tarefa. Mas enquanto os humanos tendem a ser bons em entender esses estados mentais, os robôs não. Mas há tentativas no momento para ensinar os robôs a identificar esses sentimentos.

Por fim, talvez uma das tecnologias de "interface humana" mais empolgantes seja a neurotecnologia: neurossensoriamento e interface cérebro-computador (BCI). Muitas novas empresas de neurotecnologia surgiram na última década, e o campo tem um claro potencial para ler e identificar a intenção humana.

Neurotech destaca o ritmo dos avanços da "interface humana"

Muitos podem pensar que o sensoriamento neural e o BCI estão a anos de distância do uso comercial generalizado, mas os avanços recentes contam uma história diferente. 

Os céticos tendem a afirmar que a neurotecnologia permanecerá limitada ao setor de saúde. Mas novos casos são identificados todos os dias.

Dois avanços importantes impulsionam isso. O primeiro é a decodificação de sinais cerebrais. Os avanços na detecção de padrões de IA, bem como a maior disponibilidade de dados cerebrais, fazem grande diferença.

A segunda área a observar é o neuro-hardware – especificamente, a qualidade dos dispositivos externos. Historicamente, EEG (eletroencefalograma) e fMRI (ressonância magnética funcional) têm sido duas das técnicas de detecção externa do cérebro mais amplamente utilizadas. No entanto, até recentemente, a captura de qualquer tipo de sinal cerebral exigia um ambiente de laboratório. Mas isso está começando a mudar.

Como mais empresas começam a construir estratégias de "interface humana", elas devem começar por definir as diferentes áreas de negócios e desafios que podem ser transformados.

O escopo da "interface humana"

Primeiro, considere como as tecnologias de "interface humana" elevam o nível quando se trata de antecipar as ações das pessoas. Alguns dos casos de uso mais promissores estão em áreas onde pessoas e máquinas operam em espaços compartilhados. Por exemplo, as empresas poderiam criar sistemas de fabricação mais seguros e produtivos se os robôs pudessem antecipar o que as pessoas estivessem prestes a fazer.

Outra área que pode ser transformada é a colaboração direta homem-máquina: como usamos e controlamos a tecnologia. Como exemplo, pense em como a neurotecnologia está nos permitindo explorar nossas mentes e nos conectar com a tecnologia de maneiras novas, potencialmente mais naturais.

Por fim, a "interface humana" poderia impulsionar a invenção de novos produtos e serviços. O sensoriamento cerebral, por exemplo, pode ajudar as pessoas a se "conhecerem" melhor. A L'Oréal está trabalhando com a EMOTIV para ajudar as pessoas a entender melhor suas preferências de fragrâncias.

Outros ainda pensam na "interface humana" como medida de segurança. A Meili Technologies é uma startup que trabalha para melhorar a segurança veicular. Ela usa deep learning, inputs visuais e sensores na cabine para detectar se um motorista foi incapacitado por um ataque cardíaco, convulsão, derrame ou outra emergência.

A concorrência empresarial está mudando — e a confiança é mais importante do que nunca

Se os chapéus de papel alumínio não impediram a leitura da mente, o que impedirá? Mais do que qualquer outra tendência deste ano, a segurança determinará o sucesso ou fracasso da adoção da “interface humana” por empresas e consumidores.

A aceitação de ferramentas mais perceptivas e conectadas depende da capacidade dos humanos de serem os principais guardiões das informações compartilhadas, no mínimo. Essa prática precisa ser integrada ao design da próxima geração de ferramentas de interface humano-computador, permitindo que as pessoas optem por compartilhar dados ou telemetria relevantes para a tarefa em questão, ou optem por não compartilhar informações alheias ou confidenciais.