IA generativa: ascensão e dúvidas
O lançamento do ChatGPT há menos de dois anos despertou um interesse explosivo em IA generativa. Várias previsões apontavam que essa tecnologia levaria a uma grande revolução e remodelaria o mundo.
Em março de 2023, o Goldman Sachs previu que 300 milhões de empregos seriam perdidos ou rebaixados devido à IA. Isso indicava uma mudança substancial no mercado de trabalho.
Uso de IA em vários campos da indústria (fonte).
Apesar dessas previsões, a IA generativa ainda não transformou significativamente as operações de negócios. Vários projetos com essa tecnologia foram encerrados, incluindo a tentativa fracassada do McDonald’s de automatizar seus pedidos drive-thrus. Ao invés do projeto se tornar um sucesso financeiro, ele acabou ganhando atenção no TikTok devido às falhas humorísticas. Agora, a gigante do fast food está encerrando o projeto. Muitas iniciativas governamentais baseadas em IA tiveram destinos semelhantes.
Recentemente, estas falhas levaram vários analistas a questionarem as reais potencialidades econômicas da IA (aqui, aqui e aqui). Será que eles têm razão? Afinal, o que tem causado essa mudança no impacto percebido da IA generativa?
IA: expectativas e frustrações
Embora muitos protótipos promissores de produtos de IA generativa tenham sido desenvolvidos, sua adoção prática foi menos bem-sucedida. Um estudo recente do think tank americano RAND revelou que 80% dos projetos de IA falham. Essa taxa representa mais que o dobro da taxa de falha de projetos que não são de IA. Segundo a RAND, as razões para as falhas são variadas:
As organizações interessadas muitas vezes entendem mal qual problema pode ser resolvido usando a IA.
Muitos projetos de IA falham porque as organizações não possuem os dados necessários para treinar adequadamente um modelo de IA.
Vários projetos de IA falham porque as organizações se concentram mais em usar a tecnologia mais recente do que em resolver problemas reais.
As organizações muitas vezes não possuem infraestruturas adequadas para implantar modelos de IA concluídos.
Vários projetos de IA falham porque a tecnologia é aplicada a problemas inadequados.
Outro problema óbvio não mencionado no relatório da RAND se refere aos custos. Como já mencionamos antes, o custo energético para realizar consultas diárias a um modelo como o GPT3 equivale ao consumo energético de cerca de 33000 famílias. Aplicativos que usam modelos de IA pagam para executá-los em nuvens, por chamadas a APIs, pelo armazenamento de dados grandes. Portanto, o custo da IA é uma barreira de acesso para pequenas empresas e desenvolvedores. E isso acaba sendo uma grande fonte de frustração.
Para muitos países como o Brasil, outro problema se refere à falta de pessoas capacitadas. Desenvolver, treinar e implantar modelos de IA generativa envolve pessoas com formação técnica avançada.
Comparação da quantidade de profissionais qualificados para trabalhar com tecnologias de IA em diversos países (fonte).
As limitações da técnica
Existem também limitações próprias da tecnologia de IA generativa em si. Frequentemente, vemos casos de sistemas de IA generativa que podem resolver testes de admissão universitária altamente complexos, mas falham em tarefas simples. Tente usar um modelo de LLM para realizar cálculos como raiz quadrada. Eles se saem bem com números simples. Mas, se a solicitação envolver valores grandes, muitos deles têm dificuldades embaraçosas. E isso não é apenas por falta de treinamento.
LLMs, os principais modelos e IA generativa da atualidade, são modelos de linguagem. Embora exista uma grande tentativa de dizer que eles têm habilidades cognitivas inesperadas, não há consenso sobre essas capacidades. Elas são mais marketing do que realidade. Porém, as consequências desse tipo de marketing podem ser muito negativas, pois ele gera expectativas irreais.
A ideia de que modelos de IA possam adquirir habilidades inesperadas como propriedades emergentes também tem sido questionada.
Memorização versus generalização
Outro aspecto polêmico da IA generativa se refere a direitos autorais. LLMs apenas memorizam seus dados de treinamento ou generalizam o que aprenderam para novas tarefas?
A maioria das evidências indica que os LLMs fazem algum grau de ambos. Ou seja, eles memorizam partes dos dados de treinamento. Mas eles também aprendem com os dados e generalizam para novas situações. No entanto, a extensão exata em que eles fazem um ou outro tem implicações enormes para os aspectos práticos e legais de tais modelos. E é devido aos aspectos legais que esse tópico tem se tornado central. Um exemplo ilustrativo disso é a briga entre o New York Times e a OpenAI.
Recentemente, vimos um aumento no número de LLMs sendo liberados com licenças permissivas (aqui e aqui). Porém, se um desses modelos é posto em produção e responde a interações reproduzindo partes de materiais com copyright, pode haver implicações legais. E não há como saber quando e como isso pode ocorrer.
Outra questão que permanece em aberto se refere aos dados usados para o treinamento dos LLMs. O treinamento em dados protegidos por direitos autorais deve ser considerado uso injusto?
A falta de clareza sobre essas questões confere às tecnologias de IA um risco inerente que nem todos estão dispostos a correr.
Futuro Promissor com Realismo no lugar de ilusão
Apesar das limitações descritas acima, as expectativas em torno da IA generativa são muito mais positivas do que negativas. E existem várias razões para isso.
As tecnologias de IA generativa estão melhorando rapidamente. Frequentemente reportamos sobre o surgimento de modelos melhores, mais eficientes e com novas tecnologias (aqui, aqui, aqui e aqui). Portanto, os desempenhos dos modelos de IA devem nos surpreender cada vez mais.
A melhora no desempenho da IA deverá abrir novas possibilidades e campos de implantação.
Também temos visto avanços significativos no desenvolvimento de modelos compactos, especialmente na área de linguagem. Muitas vezes desenvolvidos a partir de reduções em LLMs, os modelos pequenos de linguagem são mais baratos e atuam em domínios específicos. Treinados em dados específicos e implantados localmente, esses modelos prometem reduzir custos sem perder a eficiência.
Com o barateamento do custo de implantação da IA, ela se tornará muito mais acessível para empresas menores e desenvolvedores. Assim, ela poderá sair do controle de poucas empresas e ganhar novas asas e aplicações criativas.
Além disso, está havendo gradativamente uma melhor compreensão sobre riscos e possibilidades da IA por parte das empresas e da população. A familiarização com a IA é a melhor forma de garantir seu uso responsável, ético e produtivo. Conforme compreendemos suas limitações e potencialidades, nos tornamos mais hábeis para usá-la em nosso benefício. Bem empregada, a IA é uma ferramenta extremamente poderosa e capaz de revolucionar nossas vidas.
Portanto, a ilusão inicial está dando lugar a um panorama de adoção de IA mais realista. Para os próximos anos, é provável que tenhamos que aprender e reaprender como usar diferentes tecnologias de IA conforme elas evoluem. Conforme o hype em torno delas passa, a compreensão mais madura sobre suas vantagens, limitações e implicações tornará nossa convivência com elas mais harmônica.
