Fivetran é um cliente do Business Reporter.
Desde aplicativos de carona até câmeras CCTV e tecnologias cotidianas aprimoradas com recursos avançados de reconhecimento de padrões e aprendizado de máquina (ML) para melhorar as experiências, a IA já está em toda parte.
É também a próxima fronteira para desbloquear a agilidade e a inovação dos negócios. Mas a IA é tão boa quanto os dados que consome – e com o surgimento de grandes modelos de linguagem (LLMs) e ferramentas como o ChatGPT acelerando a adoção da IA, as empresas enfrentam uma pressão crescente para garantir que dados incorretos não prejudiquem a sua vantagem competitiva.
O problema é que a maioria das organizações ainda enfrenta problemas generalizados de qualidade de dados que dificultam estes avanços – e 87% delas acreditam que aquelas que não adotarem a IA ficarão no esquecimento. Na verdade, nove em cada dez organizações ainda não possuem o tipo de capacidades de automação que permitiriam que dados limpos e oportunos fossem alimentados em programas vitais de ML. Estas foram as principais descobertas em Pesquisa recente de IA da Fivetran.
O que é IA generativa e o que não é
Embora as ferramentas generativas de IA possam parecer intuitivas, a educação deve vir antes da adoção. As empresas precisam de estar particularmente conscientes das limitações da IA generativa e dos nossos preconceitos humanos, tais como a susceptibilidade de perceber inteligência semelhante à humana em locais onde ela não existe.
A IA é definida por um poder de processamento ultrarrápido e uma compreensão profundamente complexa de associações. Sem o contexto da existência humana, os LLMs só têm dados nos quais confiar. Portanto, a primeira pergunta que os líderes empresariais precisam fazer para começar a usar qualquer tipo de IA é se confiam nos próprios dados.
Os dados estão no centro do sucesso da IA
Os resultados da IA só serão tão confiáveis quanto os dados que lhes são fornecidos. Processos de dados falhos serão mais aparentes no uso de IA generativa do que na maioria das outras áreas, mas embora os humanos possam separar o sentido do absurdo, as máquinas não conseguem – levando potencialmente a tomadas de decisões de negócios equivocadas.
A investigação da Fivetran mostra que os intervenientes técnicos seniores não confiam na IA – e, de facto, estão a perder receitas devido a modelos de IA de baixo desempenho baseados em dados incorrectos. No entanto, quando questionados sobre a eficácia dos seus processos de dados subjacentes, os problemas mais comuns citados são alguns dos mais fundamentais: dados inacessíveis e talentos de topo atolados em tarefas manuais e repetitivas.
Para utilizar com sucesso os dados num contexto de IA generativo, as empresas devem tornar os dados vitais acessíveis, ao mesmo tempo que criam um quadro de governação forte para quais os dados que podem ser incluídos na análise, como podem ser processados e como podem ser acedidos.
Tornando os dados acessíveis
A falta de acesso a dados oportunos e relevantes é um dos maiores inibidores de crescimento das equipes de dados. Engenheiros de dados, analistas e cientistas desperdiçam vastos recursos todos os dias tentando desenterrar manualmente os dados de que precisam – e nessa altura, os insights estão muitas vezes desatualizados. Só os analistas de dados estimam que perdem um terço de cada dia de trabalho devido a processos de dados ineficazes. Se os principais talentos lutam para fazer os dados funcionarem, que chances têm os grandes modelos de linguagem?
A automação é fundamental para resolver o desafio da confiabilidade dos dados. A automação da movimentação de dados pode fornecer acesso em tempo real a todos os dados de uma organização, independentemente de qual departamento os criou ou se residem em aplicativos de software ou bancos de dados locais. Desta forma, as empresas podem garantir que todos os funcionários e modelos de IA utilizem apenas os dados mais recentes e, consequentemente, que todos os resultados também sejam confiáveis. Melhor ainda, através da automação, eles podem pré-definir as regras de utilização dos dados.
Aplicar uma boa governança de dados
Da mesma forma que você não daria a cada visitante de sua casa o código do seu cofre, também deve haver limitações sobre quais dados as empresas dão acesso à IA. As empresas têm a responsabilidade de proteger dados confidenciais, como informações de identificação pessoal (PII), e ocultá-los quando conjuntos de dados são usados para análise. Eles também devem ser capazes de rastrear a linhagem dos dados: qual sistema acessou quais dados, quando e como. Isto são metadados – os dados sobre dados.
Este nível de visibilidade e controlo sobre a utilização de dados é crucial para que as organizações possam estabelecer políticas e processos de governação de dados estanques que os reguladores esperam cada vez mais e que os clientes exigem abertamente. Felizmente, a tecnologia já fornece uma resposta para estes problemas modernos. Com o compartilhamento de metadados e a integração com ferramentas de automação, as empresas não precisam começar do zero para aproveitar as vantagens da revolução da IA.
Seus dados estão prontos para fazer o trabalho pesado?
A IA generativa está em ascensão meteórica e parece que todas as empresas querem uma fatia da ação. Mas no meio desta rápida adoção, há também uma pressão crescente sobre as organizações para que utilizem novas ferramentas de forma responsiva e de uma forma que ajude os humanos a realizar o seu trabalho de forma mais eficaz. As organizações que já aproveitam a movimentação automatizada de dados e bases sólidas de governança de dados não precisarão frear os projetos de IA. Para outros, a velha sabedoria se mantém: corra antes de caminhar e reforce sua estratégia de dados primeiro – então sua empresa estará pronta para fazer progressos em sua jornada de IA generativa.
Reescreva o texto para BR e mantenha a HTML tags
