A capacidade da inteligência artificial de resolver problemas complexos depende de vários fatores que podem tanto melhorar quanto dificultar sua eficácia. Entre as considerações mais críticas estão a disponibilidade de dados de alta qualidade, o escopo das possíveis soluções para o problema, a clareza do objetivo que se deseja alcançar e a necessidade de adaptação a sistemas em constante mudança.
Quando esses elementos estão ausentes ou mal definidos, apresentam desafios que exigem abordagens inovadoras para serem superados.
Confira formas de lidar com os principais desafios trazidos pela IA:
Continua depois da publicidade
1. De onde vêm os dados que alimentam a IA?
Dados são o insumo mais crucial para qualquer modelo de IA, mas muitas vezes o tamanho dos dados recebe muito mais atenção do que sua qualidade. Embora as tendências atuais com grandes modelos de linguagem sugiram que quantidades cada vez maiores de dados são a chave para modelos e resultados de melhor qualidade, ainda é uma questão em aberto na pesquisa se isso continuará sendo verdade.
O que foi comprovado é que dados de alta qualidade são igualmente, se não mais, importantes do que grandes quantidades de dados. Em certos casos, se você tem um conjunto de dados relativamente pequeno, mas de altíssima qualidade como ponto de partida, pode aumentar cuidadosamente o número de pontos de dados gerando dados sintéticos.
2. Avaliar a qualidade das respostas
Quando um problema tem muitas soluções possíveis, resolvê-lo por métodos de “força bruta” — testando exaustivamente todas as combinações — torna-se impraticável. Historicamente, esses problemas foram tratados usando heurísticas — regras simples projetadas para fornecer soluções que são “boas o suficiente” para a maioria dos cenários, embora raramente ótimas.
Continua depois da publicidade
A IA oferece uma alternativa promissora para lidar com a complexidade de problemas com inúmeras soluções potenciais. No entanto, à medida que o número de soluções possíveis aumenta, também aumenta o desafio de verificar sua qualidade.
3. Fazer as perguntas certas à IA
Um objetivo, ou função de recompensa, é a meta ou resultado que o modelo de IA está tentando alcançar. Em outras palavras, é sobre fazer a pergunta certa ao sistema. Formular o que você quer que o modelo faça é uma das partes mais difíceis de qualquer sistema de aprendizado de máquina. Jogos como xadrez têm um objetivo claro e mensurável, como uma pontuação ou um conjunto de regras para determinar o vencedor.
Mas no mundo real, que é frequentemente complexo e confuso, não há uma métrica direta que possamos usar para medir o progresso. Sem um objetivo claro e mensurável, pode ser difícil definir o que é “bom” para o modelo. Quanto mais ambíguo for o objetivo, pior será o desempenho do modelo.
Continua depois da publicidade
4. A importância da colaboração humana
Os problemas que as organizações enfrentam raramente são estáticos. Combinado com a dificuldade de identificar facilmente se uma solução proposta é boa, a IA corre o risco de oferecer soluções que se desviam progressivamente da resposta ótima.
Uma técnica para superar esse desafio que está sendo cada vez mais adotada é o aprendizado por reforço com feedback humano, ou RLHF (Reinforcement Learning with Human Feedback).
Essa técnica com o fator humano no loop permite que o modelo aprenda e incorpore insights humanos além dos dados. O RLHF é particularmente útil em situações onde é difícil codificar uma solução algorítmica, mas onde humanos podem julgar intuitivamente a qualidade da saída do modelo.
Continua depois da publicidade
À medida que a IA continua a evoluir, é crucial que as organizações abordem sua implementação de forma cuidadosa e reflexiva.
Paolo Cervini é cofundador do Walk the Talk Lab. Chiara Farronato é professora associada de administração de empresas na Harvard Business School. Pushmeet Kohli é vice-presidente de ciência e esforços estratégicos no Google DeepMind. Marshall W. Van Alstyne é professor de sistemas de informação na Universidade de Boston.
©2025 Harvard Business School Publishing Corp. Distribuído pela New York Times Licensing
Fonte: Info Money
