Um dos aspetos-chave a considerar é o processo de treino dos modelos de IA, que determina em grande medida a qualidade e a fiabilidade das suas respostas.
Neste artigo, analisaremos quais são os problemas atuais que os sistemas de inteligência artificial generativa enfrentam e ver como uma abordagem cuidadosa e metódica no treino pode ser a chave para garantir que os seus resultados sejam precisos, relevantes e éticos.
Óscar Barba
Cofundador e CTO da Coinscrap Finance
As dificuldades da inteligência artificial em aceder a dados ilimitados
Um dos principais problemas da IA generativa é a iminente escassez de dados disponíveis para o seu treino. Os especialistas alertam que modelos como o ChatGPT e o Gemini ficarão sem a informação necessária para o seu desenvolvimento em pouco tempo.
A razão é simples: o crescimento exponencial da IA gerou uma procura sem precedentes de informação digital para se alimentar. Empresas como a OpenAI, Google e Meta, líderes neste campo, enfrentam o problema de alimentar os seus modelos de IA generativa. Isto pode travar drasticamente o seu avanço.
Segundo o The New York Times, quando um destes gigantes tecnológicos ficou sem informação para treinar, criaram uma ferramenta com reconhecimento de voz e transcreveram nada menos que um milhão de horas de vídeos do YouTube, violando claramente as regras da plataforma.
💡 Sabia que...
Antes do Chat GPT, houve um jogo de xadrez em 1997 que foi considerado o início da inteligência artificial.
A importância do treino responsável da IA generativa
Perante este cenário, é mais relevante do que nunca prestar especial atenção à forma como os modelos de inteligência artificial são treinados. A seguir, recomendo alguns aspetos a ter em conta ao desenvolver uma abordagem responsável e metódica que garanta respostas de qualidade:
Diversidade e representatividade dos dados
Um dos pilares do treino responsável é assegurar que os dados utilizados sejam diversos e representativos da realidade. Isto implica incluir uma ampla gama de perspetivas, experiências e contextos, evitando preconceitos e limitações que possam refletir-se nas saídas do sistema.
Validação e verificação constante
Além disso, é crucial implementar processos rigorosos de validação e realizar uma monitorização contínua das respostas geradas. Isto permite detetar e corrigir erros da IA, bem como inconsistências ou tendências indesejadas à medida que o modelo evolui.
Incorporação da ética na inteligência artificial
Outro aspeto fundamental é a integração de princípios éticos no treino da IA generativa.
Isto implica estabelecer linhas vermelhas claras e mecanismos de proteção para evitar que os sistemas gerem conteúdos prejudiciais, discriminatórios ou que atentem contra os direitos humanos.
Abordagens inovadoras para o treino de IA
Para enfrentar estes e outros desafios, os especialistas em inteligência artificial estão a explorar diversas estratégias para o treino dos modelos. Dada a capacidade limitada dos humanos para gerar conteúdo, estão a ser consideradas outras opções para ajudar a "alimentar a besta".
Aprendizagem contínua e adaptativa
Uma destas propostas é o desenvolvimento de sistemas de aprendizagem contínuae adaptativa, capazes de se atualizarem e melhorarem as suas capacidades à medida que interagem com novos dados e utilizadores.
Isto permitiria manter a relevância e a exatidão das respostas geradas, resolvendo alguns dos problemas da IA generativa.
Utilização de dados sintéticos
Outra alternativa é a geração de informação artificial criada especificamente para complementar e enriquecer os conjuntos de dados existentes. Isto significa que seja a própria inteligência artificial a gerar mais informação à medida que vai aprendendo.
Colaboração e transparência
Além disso, defende-se a necessidade de uma maior colaboração e transparência entre as organizações que desenvolvem IA generativa. A partilha de conhecimentos, boas práticas e recursos pode contribuir para melhorar os processos de treino e garantir modelos mais robustos e fiáveis.
O papel do COCO no treino responsável da IA
Na Coinscrap Finance, desenvolvemos o nosso próprio motor de inteligência artificial, COCO, que se destaca pela sua grande precisão na análise, categorização e enriquecimento dos dados transacionais bancários. Este sucesso deve-se, em grande medida, à nossa abordagem rigorosa e responsável no treino do modelo.
Qualidade dos dados
Um dos pilares do COCO é a cuidadosa seleção e depuração dos dados de treino. Asseguramos uma ampla variedade de fontes, cobrindo diferentes perfis de utilizadores, o que se traduz numa maior precisão e relevância das categorias e enriquecimentos gerados.
Melhoria contínua
Os outputs do COCO são submetidos a um processo de validação permanente que nos permite detetar anomalias ou tendências indesejadas. Desta forma, corrigimos e melhoramos o modelo rapidamente. Assim, garantimos que o nosso motor de IA se mantenha atualizado e alinhado com as necessidades dos nossos clientes.
Importância da segurança
Ao lidar com dados bancários, na Coinscrap Finance mantemos protocolos de segurança extremos.
Claro que as entidades com as quais trabalhamos, líderes no seu setor, nos impõem exigências muito altas neste aspeto, mas nós asseguramos a adição de camadas adicionais de encriptação. A segurança dos dados é o mais importante para nós.
Utilização da IA na banca: Uma camada intermediária entre o utilizador e a inteligência artificial generativa
O nosso papel como fornecedores de tecnologia é oferecer um grau de conhecimento profundo aos clientes bancários. Gosto de pensar que somos essa camada intermediária entre o banco e a GenAI. Um passo preliminar que enriquece a informação que a entidade tem disponível e permite nutrir a sua relação com os utilizadores da banca digital.
Graças às nossas ferramentas, o setor financeiro é capaz de oferecer à sua base de clientes uma informação curada e estruturada que os ajuda a tomar as melhores decisões em matéria económica. Com esses dados, os bancos conseguem obter insights valiosos e oferecer recomendações.
Aumentar o engagement e a lealdade do cliente das entidades financeiras com IA
Graças a esta abordagem responsável e rigorosa no treino do COCO, as entidades financeiras obtêm um feedback muito positivo dos seus clientes, que estão mais satisfeitos com a experiência que as suas plataformas digitais proporcionam. Sentem que as suas necessidades individuais são atendidas e que são ouvidos.
Não só isso, os consumidores também se mostram mais abertos a receber conselhos quando percebem que o seu banco se preocupa com o seu bem-estar, o que significa uma maior recorrência e um aumento no tempo de utilização da banca eletrónica. Como indicado pela Pronix Inc. num relatório recente, 72% dos utilizadores bancários classificam a personalização como "crucial".
Os consumidores esperam que qualquer interação leve em consideração um contexto histórico completo, que inclua a sua identidade, necessidades específicas e histórico de transações com a companhia. São dados que os bancos têm à sua disposição e é necessário tirar o máximo partido deles.
Uma reflexão final sobre os problemas da IA generativa
A chegada da GenAI está a causar grande controvérsia em todos os setores, desde a comunidade científica, passando pela indústria e pela população, até aos reguladores. Um uso inadequado destas ferramentas pode ser fatal.
No entanto, se tivermos em conta fatores como a supervisão dos dados e a validação contínua, é possível garantir que as respostas geradas sejam de alta qualidade, fiáveis e alinhadas com os valores que se deseja transmitir.
Na Coinscrap Finance, estamos cientes disso e desenhamos as nossas ferramentas inteligentes seguindo estas premissas. Estamos convencidos de que, graças à nossa abordagem inovadora e responsável, o setor financeiro tem uma conversa mais transparente com a sua comunidade e é capaz de ajudar os seus utilizadores, oferecendo-lhes serviços de grande valor para o seu dia a dia.
Sobre o autor
Óscar Barba é cofundador e CTO da Coinscrap Finance. Ele é um especialista Scrum Manager com mais de 6 anos de experiência na coleta e análise semântica de dados no setor financeiro, classificação de transações bancárias, deep learning aplicado em sistemas de análise de sentimento do mercado de ações e medição da pegada de carbono associada aos dados transacionais.
Com vasta experiência no setor bancário e de seguros, Óscar está finalizando seu Doutorado em Tecnologia da Informação Atualmente está concluindo seu doutorado em Tecnologias da Informação no campo da Inteligência Artificial. É Engenheiro e Mestre em Engenharia da Computação pela Universidade de Vigo, Mestre em Comércio Eletrônico pela Universidade de Salamanca, Certificado Scrum Manager e Gerenciamento de Projetos pelo CNTG, Certificado em Arquitetura SOA e Serviços Web pela Universidade de Salamanca. Recentemente obteve a certificação ITIL Fundamentals, um reconhecimento das boas práticas na gestão de serviços de TI.
