Episode 130 Put the title Right Here

Neste episódio, Darren Pulsipher, Arquiteto Chefe de Soluções do Setor Público na Intel, entrevista seu filho Matthew Pulsipher, Gerente de Produto, sobre a productization da IA Decisória. Matthew explica que a IA Generativa é construída em cima de conjuntos de dados gerais e é boa para perguntas de conhecimento geral, mas falta previsibilidade e determinismo, o que torna difícil automatizar processos. Por outro lado, a IA Decisória é mais simples em escopo, mas mais focada em contexto, permitindo tomar decisões baseadas em dados específicos da empresa. Matthew compartilha sua experiência na integração da IA Decisória em produtos e destaca a importância do contexto na IA.

Tipo de IA

Existem diferentes tipos de IA, e cada um tem uma habilidade única para ajudar organizações a automatizar processos, tomar decisões de negócios e aprimorar o trabalho humano. A IA decisória é usada principalmente para tomar decisões e é baseada em modelos gerados a partir de dados anteriores. Por outro lado, a IA preditiva gera valores previstos com base em modelos personalizados e conjuntos de dados. Treinar modelos é fundamental para a implementação e implementação de soluções de IA. A chave é identificar um problema real que seja operacionalmente relevante e alcançável em um prazo razoável.

IA para otimizar processos

A inteligência artificial (IA) pode ser usada para agilizar os processos de tomada de decisão nas empresas. É importante delimitar as capacidades da IA a um conjunto específico de opções, para não sobrecarregar o sistema e tornar o processo de tomada de decisão mais eficiente. A IA é mais adequada para processos que são repetitivos, envolvem decisões baseadas em dados e requerem revisões humanas subjetivas. Por exemplo, uma instituição financeira pode usar a IA para validar carteiras de motorista usando dados extraídos. O treinamento contínuo por meio do feedback do usuário para a IA pode melhorar suas habilidades de tomada de decisão e eventualmente substituir a necessidade de revisão humana completamente. O projeto de indexação da Ancestry.com é um exemplo de como o aprendizado reforçado pode reduzir a necessidade de envolvimento humano ao longo do tempo.

Humano no Loop

Ao construir um backend de aprendizado de máquina, é essencial ter em mente as necessidades do usuário. O objetivo é simplificar o processo atual deles e fornecer uma ajuda para que possam desempenhar seu trabalho de forma mais eficiente. Para alcançar isso, é crucial entrevistar e observar os usuários em seu ambiente atual para compreender seu comportamento, identificar ineficiências e documentar quaisquer inferências que eles façam e que não estejam documentadas. Ao fazer isso, você pode selecionar os dados para extrair inferências antes de enviá-los para o modelo, o que resultará em resultados mais precisos com base na replicação do comportamento humano. É importante lembrar que as inferências muitas vezes são mais importantes do que os dados brutos, e ao entender o comportamento e as necessidades do usuário, é possível projetar um produto de IA melhor.

Outro fator chave na implementação da IA é o fator humano. Trata-se de estabelecer o contexto certo ao implementar a automação para evitar o medo da perda de empregos. Como lidar com potenciais problemas de IA/humanos, como stakeholders contornando a IA implementada para eles. Uma solução é projetar a interface de forma a deixar claro quando um usuário revisou um ponto de dados específico e fornecer substituições quando necessário. Além disso, perguntar aos stakeholders sobre suas razões para contornar o sistema pode ajudar a melhorar o modelo e prevenir a manipulação da API. Por fim, a IA e os humanos podem trabalhar juntos para alcançar melhores resultados.

A IA pode cuidar de tarefas simples se for bem treinada, e os humanos podem aprender a utilizar a IA melhor com o tempo. Construir interfaces colaborativas que façam da IA um membro da equipe em vez de um algoritmo frio, permitindo interações mais naturais que possam ajudá-la a aprender melhor. A IA se tornará essencial em qualquer trabalho que lide com partes interessadas que processem dados humanos devido à variabilidade envolvida.