O blog da AWS
Transformação e IA
Todos nós estivemos ocupados nos transformando nos últimos anos. Agora existe essa grande coisa de IA. Como isso se relaciona com o resto de nossa transformação? Devemos mudar ou repensar nossos planos de transformação?
A resposta fácil é não, mas há algumas sutilezas. Nós nos transformamos para aumentar nossa agilidade diante das mudanças e aceitamos que o futuro passará por grandes mudanças e disrupções. A atenção repentina exigida pela IA é apenas uma prova dessa crença. Você pode até mesmo testar a si mesmo: sua empresa pode responder de forma rápida e eficaz à intrusão repentina e disruptiva que a IA representa? Nesse caso, você pode estar mais adiantado em sua transformação do que pensava. Como sempre dissemos, responder adequadamente requer a criação de processos de governança ágeis, a capacidade de experimentar, uma cultura de inovação e a automação das boas práticas, da segurança e da resiliência de que você precisa.
Indo um pouco mais fundo, acho que a IA exigirá exercitar alguns desses músculos transformados que talvez ainda não tenhamos usado. Há alguns dias, assisti a uma ótima apresentação sobre as coisas maravilhosas que uma empresa poderia fazer com a IA generativa combinando dados de vários de seus bancos de dados internos e usando-os para ajustar um LLM. Hmmm — eles vêm tentando há anos combinar dados desses bancos de dados para alimentar análises sem sucesso. A IA generativa não vai resolver esse problema magicamente! A IA generativa nos oferece maneiras revolucionárias de usar dados para capturar valor. Mas usá-lo ainda requer a solução dos problemas que sempre tivemos — pelo menos a pré-transformação.
Provavelmente houve vários problemas na forma de combinar os dados. Primeiro, os dados provavelmente estão em silos técnicos e organizacionais — e os silos organizacionais geralmente abraçam seus dados e evitam disponibilizá-los alegremente para integração. Em segundo lugar, a organização pode não ter projetado controles de privacidade, portanto, muito trabalho pode estar envolvido na tomada de decisões de privacidade e no estabelecimento de controles. Em terceiro lugar, os dados podem estar bloqueados em bancos de dados proprietários e legados que dificultam a extração e a combinação. Quarto, a qualidade dos dados pode não ser aceitável ou pode ser impossível combinar registros de uma fonte de dados com outra (falta de identificadores comuns).
A quinta consideração pode ser a maior e mais interessante: uma simples falta de investimento na extração e combinação de dados. Os departamentos de TI estão ocupados criando novas funcionalidades; eles não podem fazer tudo! O trabalho envolvido na combinação de dados diferentes pode simplesmente não estar na lista de tarefas ou pode não ser uma “prioridade”. Pode estar se perdendo por falhas de governança ou priorização.
Com o objetivo de se tornar mais ágil, a transformação já pode ajudar com essas restrições. À medida que a tecnologia antiga é atualizada, pode ficar mais fácil (ou menos demorado) extrair dados e, portanto, não representar um custo de oportunidade devido à capacidade limitada de TI. Tornar os processos de governança mais ágeis pode tornar mais fácil para a empresa redirecionar seu foco para a movimentação dos dados, agora que seu valor potencial é maior devido à IA generativa. A mudança cultural que alinha todos por trás de objetivos de negócio importantes reduzirá o não compartilhamento de dados; uma abordagem de privacidade bem projetada tornará os dados amplamente disponíveis e, ao mesmo tempo, controlará o acesso.
Outro motivo pelo qual a IA realmente não muda a natureza da transformação digital é que a transformação já faz com que as empresas se movam em direção a um melhor gerenciamento da inovação. Ao reduzir o custo e o risco da experimentação e mudar a cultura para incentivá-la, as organizações estão caminhando para possibilitar a inovação contínua. A IA generativa nos oferece muitas novas e poderosas oportunidades de inovação — e é exatamente isso que será necessário para criar valor para o negócio com ela. O sucesso com a IA generativa depende, em última análise, da capacidade de inovação de uma organização.
Uma coisa é diferente: precisamos ver a IA não apenas como um conjunto de ferramentas que podemos usar, mas também como uma abordagem totalmente nova para usar a tecnologia para gerar resultados para o negócio. Sempre soubemos que há tarefas que praticamente não podemos realizar com software e trabalhamos dentro dessas limitações. A IA torna possível e prática uma gama totalmente nova de aplicações. Pegue um exemplo tão simples quanto reconhecer dígitos manuscritos. Nenhum de nós poderia ter criado um algoritmo e escrito um software para fazer isso — pelo menos, não muito bem. Para o aprendizado de máquina, é uma tarefa relativamente fácil. Nenhum de nós poderia ter escrito um software para criar imagens de vacas fumando charutos no estilo de Salvador Dali. Mas a difusão estável pode fazer isso bem.
Portanto, a IA abre uma série de problemas de negócios que a TI não conseguia resolver antes. E isso envolve um modelo completamente diferente de programação e operação. Isso exige uma visão sobre se um problema é passível de soluções de IA e se elas são preferíveis às técnicas tradicionais de TI. Isso requer habilidades diferentes, e as organizações em transformações precisarão tomar providências para desenvolver essas habilidades.
A IA muda o foco das transformações digitais para os dados. Como no exemplo acima, precisamos encontrar maneiras de disponibilizar dados em toda a empresa – eliminando silos, desencorajando o não compartilhamento de dados, garantindo a qualidade dos dados e liberando os dados de tecnologias antigas. Você quase pode pensar em dados desempenhando o papel de código na IA. Costumávamos pensar em agilidade principalmente em termos de código (ser capaz de ajustar o que estávamos codificando rapidamente quando as necessidades dos negócios mudavam); agora podemos pensar em termos de dados e se temos acesso fácil aos fluxos de dados de que precisamos.
Os dados exigem controles de governança diferentes dos códigos. Isso requer uma abordagem bem pensada de privacidade (uma “mudança para a esquerda” no DevOps). Ela exige controles para garantir um comportamento responsável e a precisão (o código é “preciso” quando passa na suíte de testes; e quanto aos dados?). Precisaremos tomar decisões sobre lacunas de dados, seleção de dados para treinamento e as ferramentas que usamos para gerenciamento de dados.
Como profissão, ficamos um pouco preguiçosos em relação aos dados. Permitimos que bancos de dados relacionais armazenassem todos os nossos dados, mesmo nos casos em que não os estávamos usando relacionalmente. Atualmente, faz mais sentido usar bancos de dados de valores-chave, séries temporais, bancos de dados de documentos ou gráficos para determinados tipos de dados ou simplesmente usar dados simples e não estruturados. Os dados vêm em várias mídias — com a IA, podemos fazer bom uso dos dados de imagem e som.
A transformação digital oferece a oportunidade de corrigir muitas de nossas práticas antigas em relação ao gerenciamento de dados. Ao migrar para a nuvem, as empresas geralmente estruturam seus projetos em “cargas de trabalho”. Mas talvez eles precisem orientar suas iniciativas mais em torno dos dados, sua localização e características. Além de refatorar o código ao migrar para a nuvem, a crescente importância da IA sugere que as empresas também devem considerar a refatoração de dados.
Podemos supor que a IA pode estar incorporada em tudo o que fazemos e em todas as ferramentas que usamos. Isso muda nossos planos para a transformação digital? Dificilmente. A transformação consiste em criar agilidade e capacidade de resposta para a mudança na organização. Mas a IA nos lembra que a transformação não se trata apenas de código e infraestrutura, mas também de dados.
Este artigo foi traduzido do Blog da AWS em Inglês.