Casos de uso de IA: como se preparar para seu primeiro projeto-piloto de IA

16 de dezembro de 2024Deb Richardson6 minutos (tempo de leitura)

Em nosso artigo anterior, analisamos seis coisas que você deve fazer antes de iniciar seu primeiro projeto de inteligência artificial (IA), desde avaliar se sua organização está pronta para a IA, até desenvolver uma cultura de inovação. Veja algumas maneiras de se preparar e lançar seu primeiro projeto-piloto de IA generativa (gen AI).

Faça o download do e-book "Open the future"

Quando você achar que está pronto para embarcar no seu primeiro projeto de desenvolvimento de aplicações de IA, primeiro precisará identificar, selecionar e priorizar alguns casos de uso de IA. Para fazer isso de maneira eficaz, siga essas recomendações:

Comece com um problema, não com uma solução de IA.
Troque ideias sobre problemas que a IA generativa pode ajudar a resolver.
Escale verticalmente o que você já sabe fazer bem.
Aplique a IA a tarefas pequenas e específicas.
Certifique-se de que você tem os dados de que precisa.

Vejamos mais de perto como eles podem auxiliar no sucesso dos seus projetos de IA.

Comece com um problema, não com uma solução de IA

À medida que o interesse pela inteligência artificial aumenta e todos buscam maneiras de aproveitar essas novas tecnologias em suas organizações, muitos projetos de IA falham porque acabam sendo soluções em busca de um problema.

Digamos que alguém queira testar algumas ferramentas de IA e iniciar um experimento que parece útil. Algumas pessoas ficam empolgadas com o projeto e acabam gastando muito tempo, dinheiro e recursos desenvolvendo uma aplicação de IA completa. No entanto, a realidade aparece no lançamento, porque o projeto não começou com um problema bem definido e com escopo claro. A aplicação de IA não tem um propósito específico e acaba sendo abandonada.

Essa pode ser uma armadilha fácil de cair, mas muitas vezes pode ser evitada por meio da identificação clara de problemas de negócios reais ou pontos problemáticos do usuário que a IA generativa pode ajudar a resolver.

Troque ideias sobre problemas que a IA generativa pode ajudar a resolver

Agora que você criou uma equipe de inteligência artificial multifuncional, peça que eles se reúnam para debater algumas maneiras sobre como a IA poderia causar um impacto real na sua organização.

Aqui estão algumas perguntas que eles podem fazer para começar:

Como a IA generativa pode nos ajudar a aumentar a produtividade, reduzir custos ou melhorar a experiência do cliente?
Que tarefas ou processos repetitivos, ou demorados, podemos usar a IA generativa para automatizar?
Como a IA generativa pode personalizar as experiências dos nossos clientes?
Existem oportunidades não exploradas que a IA generativa pode nos ajudar a aproveitar?
Temos dados coletados há anos que a IA generativa poderia nos ajudar a aproveitá-los de melhor forma?
Há riscos ou incógnitas que a IA generativa poderia nos ajudar a entender ou mitigar melhor?
Que valor de negócio ou pontos fortes organizacionais a IA generativa poderia nos ajudar a aumentar, ou expandir?

Escale o que você já sabe fazer bem

É claro que, ao pensar em modelos de IA, você precisa pensar no que realmente quer modelar.

Por exemplo, se o seu atendimento ao cliente é excelente e os clientes adoram isso, tente descobrir como moldá-lo para a inteligência artificial poder ajudá-lo a escalar a qualidade do serviço. Você consegue usar a inteligência artificial para automatizar tudo e oferecer aos clientes o melhor atendimento possível sempre, independentemente de como ou quando eles entrem em contato com sua organização? Existem bases de conhecimento na sua empresa que podem ser modeladas para auxiliar os agentes de atendimento ao cliente a responder às consultas?

De que outras maneiras sua organização se destaca e como a IA poderia ajudar a automatizar e ampliar o alcance?

Use a IA para tarefas pequenas e específicas

Muitos projetos de IA falham porque a tecnologia de IA precisa fazer muitas coisas ao mesmo tempo. As aplicações de IA generativa são mais eficazes quando têm limites e objetivos claramente definidos.

Tarefas mais simples e específicas também reduzem a chance de a IA produzir erros ou anomalias. A inteligência artificial não consegue entender o contexto (sem prompts específicos ou sem o aumento dos dados treinados do modelo) e é fraca em fazer generalizações amplas, o que pode levar a dificuldades ao tentar gerenciar saídas ou tarefas mais complexas.

Por exemplo, em vez de tentar usar a IA para gerar conteúdo original novo e longo, talvez seja melhor desenvolver um modelo de IA específico e treinado no guia de estilo corporativo para ajudar os escritores a editarem o trabalho com mais eficiência.

Certifique-se de que você tem os dados necessários

Um modelo de inteligência artificial é tão bom quanto os dados usados para treiná-lo. Ter a ideia para uma app de inteligência artificial incrível é ótimo, mas de nada adiantará se os dados que você precisa não existirem ou forem de baixa qualidade.

Se você tiver um caso de uso específico de IA em mente, trabalhe com sua equipe multifuncional de inteligência artificial para discutir quais dados seriam necessários para treinar efetivamente um modelo para esse caso de uso. Em seguida, avalie as fontes de dados disponíveis para ver se eles existem, são facilmente acessíveis e têm qualidade alta o suficiente para serem úteis.

Diretrizes para iniciar um projeto piloto de IA

Nosso e-book "Open the future: An executive's guide to navigating the era of constante Innovation" é mais detalhado, mas quando você estiver pronto para lançar seu primeiro projeto-piloto de IA, aqui estão algumas coisas que você deve ter em mente.

Escolha sua plataforma de IA com sabedoria

Com a velocidade das mudanças e do desenvolvimento no setor de IA, você pode ajudar a preparar seus projetos de IA para o futuro selecionando soluções de IA criadas em plataformas open source que oferecem flexibilidade e possibilidade de escolha.

Comece com um projeto de IA pequeno

Já discutimos a importância de ter um caso de uso de inteligência artificial claramente definido e com escopo estabelecido, mas vale a pena repetir: até que sua equipe ou organização tenha mais experiência no desenvolvimento de modelos de IA e aplicações de IA generativa, é sensato começar com pequenos e focados.

Medir, iterar e monitorar

Certifique-se de definir suas condições de sucesso com antecedência para saber o que está realmente tentando fazer e se está tendo êxito. Certifique-se de ter métricas para poder medir o impacto do seu projeto e verificar o progresso com frequência. À medida que você aprende o que está e o que não está funcionando, isso ajudará você a tomar decisões conscientes sobre como melhorar sua aplicação de IA à medida que o desenvolvimento continua.

Além disso, fique de olho nos "desvios de dados" e certifique-se de que os dados em que seu modelo foi treinado são consistentes com os dados vistos na produção. Esse tipo de dados inconsistentes pode fazer com que o comportamento do seu modelo mude ao longo do tempo.

Saiba escolher seus parceiros

Como nós da Red Hat gostamos de dizer, "Ninguém inova sozinho." Dedique tempo para identificar e selecionar parceiros de confiança que aumentarão suas chances de sucesso e com os quais você poderá crescer no futuro.

Como a Red Hat pode ajudar

A longa história da Red Hat na liderança open source e nas contribuições upstream continua em ritmo acelerado nesta nova era da inteligência artificial. Além de estarmos na vanguarda das plataformas de IA open source, continuamos oferecendo soluções independentes de fornecedor que auxiliam os clientes a aproveitar ao máximo a nuvem híbrida para implantar, hospedar e escalar suas aplicações de IA.

Você pode ler mais sobre as vantagens da Red Hat neste e-book, mas veja um resumo do que oferecemos:

Uma história de liderança em open source
Liberdade e flexibilidade para inovar sem restrições
IA acessível e adaptável para todos
Raízes na comunidade open source e no ecossistema de parceiros
Know-how e experiência líderes do setor
Suporte e segurança de nível empresarial

Red Hat AI

Quando combinados, a IA do Red Hat Enterprise Linux (RHEL) e o Red Hat OpenShift AI oferecem uma plataforma completa de desenvolvimento, ajuste e hospedagem de modelos de IA que pode ser implantada, gerenciada e escalada da mesma maneira que você implantar, gerenciar e escalar qualquer aplicação em containers.

O RHEL AI inclui:

LLMs com licença open source do Red Hat Open Source distribuídos sob a licença do Apache 2.0 com transparência líder do setor em conjuntos de dados de treinamento e pesos de modelos.
Uma distribuição de ciclo de vida com suporte do InstructLab que fornece uma solução escalável e econômica para aprimorar e ajustar os recursos de LLM.
Uma imagem inicializável do RHEL que inclui bibliotecas de IA populares, como PyTorch, e uma série de aceleradores otimizados para hardware.
Suporte técnico de nível empresarial fornecido pela Red Hat.
Open Source Assurance proteções legais disponíveis para todos os clientes Red Hat com subscrições ativas de software Red Hat.

Saiba mais sobre a IA do RHEL aqui: RHEL em relação ao RHEL AI: qual a diferença?

Fale com um especialista da Red Hat

Com a base tecnológica do Linux, contêineres e automação, a estratégia de nuvem híbrida aberta da Red Hat oferece a flexibilidade de executar seus aplicativos de IA em qualquer ambiente de sua preferência.

Se quiser saber mais, entre em contato conosco e fale diretamente com um especialista da Red Hat.