Quando usar IA generativa ou IA tradicional

Este documento ajuda a identificar quando a IA generativa, a IA tradicional ou uma combinação de ambas podem adequar-se ao seu exemplo de utilização empresarial.

Neste documento, a IA tradicional refere-se às capacidades e aos exemplos de utilização da IA que podem não exigir a utilização de capacidades de IA generativa, como alguns exemplos de utilização da IA de classificação e preditiva. Os modelos de IA tradicionais destacam-se na aprendizagem a partir de dados existentes para classificar informações ou prever resultados futuros com base em padrões do histórico. Os modelos de IA generativa expandem estas capacidades para criar resumos, descobrir correlações ocultas complexas ou gerar novo conteúdo, como texto, imagens ou vídeos, que refletem o estilo e os padrões nos dados de preparação.

Quando usar a IA generativa

Em geral, as soluções de IA generativa destacam-se em tarefas como as seguintes:

  • Criar e recomendar conteúdo.
  • Potenciar a pesquisa conversacional e os chatbots.
  • Escalar e automatizar o fluxo de trabalho para tarefas repetitivas.
  • Usar o raciocínio associativo para encontrar estatísticas e relações em documentos e dados.
  • Gerar código e ajudar os programadores a escrever, explicar e documentar código.

As secções seguintes fornecem exemplos destes exemplos de utilização comuns e gerais de IA generativa que podem ser personalizados para diferentes setores.

Criação e recomendação de conteúdo

  • Gerar conteúdo relacionado com marketing, como imagens de produtos, publicações nas redes sociais e emails com imagens relevantes.
  • Traduzir conteúdo, como documentos, conteúdo de Websites e conversas de chatbot multilingues.
  • Resumir conteúdo de texto, incluindo documentos, artigos, feedback dos clientes e relatórios, para ajudar a tomar decisões mais informadas com base em dados.
  • Criar resumos de informações de várias fontes que podem incluir componentes de texto, imagens e vídeo ou áudio.
  • Legendas automáticas em vídeos.
  • Criar conteúdo multimédia criativo, como criar novas imagens a partir de descrições de comandos de texto, modificar ou corrigir imagens através de comandos de texto (por exemplo, remover um objeto ou alterar o esquema de cores) e gerar vídeos curtos ou animações a partir de comandos de texto ou scripts.
  • Gerar vozes sintéticas realistas para áudio, como faixas de narração e música.
  • Analisar e compreender o comportamento, as preferências, as críticas e as interações anteriores dos utilizadores para fornecer recomendações de conteúdo personalizadas. A análise pode ser combinada com fatores em tempo real, como a localização, para personalizar as recomendações de conteúdo, como produtos, artigos e vídeos.

Pesquisa conversacional e bots de chat

  • Criar assistentes virtuais para interações do utilizador, como apoio ao cliente e vendas online.
  • Ativar a pesquisa conversacional através de grandes bases de conhecimentos com consultas de linguagem natural.
  • Encontrar respostas a perguntas complexas que combinam consultas textuais com imagens relacionadas.

Interpretação de documentos e dados

  • Extrair dados e analisar conteúdo de texto, como relatórios, faturas, recibos, transações financeiras ou contratos, para realçar possíveis erros ou problemas de conformidade, identificar potenciais riscos ou detetar anomalias indicativas de fraude.
  • Analisar o sentimento do conteúdo gerado pelo utilizador, como publicações nas redes sociais e críticas sobre produtos.
  • Analisar conversas transcritas do centro de chamadas para extrair estatísticas, como os motivos mais comuns pelos quais os clientes atribuem uma classificação baixa às interações com o centro de chamadas.

  • Analisar dados de cibersegurança, como relatórios de ameaças, artigos e repositórios, para extrair indicadores de ameaças importantes. Esta análise permite uma defesa proativa de cibersegurança para resumir e dar prioridade a estratégias de mitigação com recomendações para uma resposta mais rápida.

    A análise pode traduzir gráficos de ataque complexos em explicações de texto simples da exposição. Também pode simular possíveis caminhos de ataque para realçar os recursos afetados e recomendar mitigações antes que os recursos possam ser explorados.

Geração de código e assistência para programadores

A IA generativa pode ajudar com os seguintes tipos de tarefas em todas as fases do ciclo de vida de desenvolvimento de software (SDLC):

  • Gerar especificações e documentação de APIs através de comandos de linguagem natural.
  • Criar recursos como código, funções, comandos de linha de comandos e scripts do Terraform a partir de comandos de linguagem natural.
  • Gerar testes e explicações de código, incluindo comentários e documentação para explicar o código.

Para mais informações sobre como a IA generativa pode transformar as operações empresariais, como o serviço de apoio ao cliente, a produtividade dos funcionários e a automatização de processos, consulte os exemplos de utilização empresarial na secção "IA generativa no Google Cloud".

Quando usar a IA tradicional

Normalmente, os exemplos de utilização da IA tradicional focam-se na previsão de resultados futuros ou na classificação de uma categoria com base num modelo de IA preparado com origens de dados históricos existentes, como dados tabulares e imagens. As soluções de IA tradicionais são frequentemente suficientes para abordar vários exemplos de utilização de IA preditiva e de classificação, como os seguintes:

  • Exemplos de utilização da classificação:
    • Filtrar spam de email classificando emails como spam ou não é spam, com base num modelo de IA de classificação tradicional preparado com dados do histórico.
    • Preparar um modelo de classificação de imagens tradicional em imagens específicas de produtos bons e defeituosos para ajudar eficazmente na inspeção em tempo real e na deteção de defeitos na produção.
  • Exemplos de utilização de regressão:
    • Prever valores numéricos contínuos, como prever os preços das casas com base em funcionalidades e na localização específicas da casa.
    • Prever a receita que um cliente de uma plataforma de comércio eletrónico vai gerar durante a respetiva relação com a empresa com base nos dados de compras do histórico.
  • Exemplos de utilização da previsão de séries cronológicas: previsão de vendas e procura.
  • Exemplos de utilização da agrupamento: realizar a segmentação de clientes.

Para mais informações sobre a utilização da IA tradicional, consulte o artigo Usos e exemplos de estatísticas preditivas em "O que são estatísticas preditivas?"

Decida entre a IA tradicional e a IA generativa

A seguinte árvore de decisão simplificada fornece uma referência de nível superior para alguns caminhos de decisão baseados em exemplos de utilização. Em alguns casos, pode ser melhor usar a IA tradicional e a IA generativa, conforme descrito na secção seguinte, "Quando combinar a IA generativa com a IA tradicional".

Uma árvore de decisão mostra quando usar IA generativa, classificação tradicional ou IA preditiva, ou um modelo de IA pré-preparado.

A árvore de decisão inclui as seguintes perguntas e respostas orientadas por exemplos de utilização:

  • Se o seu exemplo de utilização estiver relacionado com a classificação ou a deteção, verifique se um modelo de IA tradicional pré-preparado pode satisfazer os requisitos do seu exemplo de utilização. Os modelos tradicionais pré-preparados incluem APIs de IA, como a Document AI, a Vision AI, a Natural Language API e a Video Intelligence API.

    • Se um modelo pré-preparado cumprir os seus requisitos, use o modelo pré-preparado.
    • Se um modelo pré-preparado não conseguir cumprir os seus requisitos, verifique se existem dados de preparação suficientes para preparar um modelo personalizado.
      • Se estiverem disponíveis dados de preparação suficientes, o que deve ser prioritário: ter mais controlo da preparação do modelo ou alcançar um lançamento no mercado (GTM) mais rápido?
        • Se precisar de um controlo elevado da preparação do modelo com personalizações, como usar qualquer algoritmo de modelo preferido, desenvolver as suas próprias funções de perda, usar funcionalidades específicas da explicabilidade do modelo, o número de camadas no modelo, a taxa de aprendizagem e outros hiperparâmetros do modelo, use uma preparação personalizada de um modelo de IA tradicional. Para obter informações sobre as diferenças entre a preparação personalizada ou a preparação de um modelo no Vertex AI através do AutoML, consulte o artigo Escolha um método de preparação.
        • Se a prioridade da sua empresa for um GTM mais rápido, use a IA generativa. Se o seu exemplo de utilização for especializado, pode melhorar o desempenho de um modelo através do ajuste de modelos, como o ajuste supervisionado para classificação, análise de sentimentos ou extração de entidades.
      • Se não estiver disponível um conjunto de dados de preparação ou se os conjuntos de dados disponíveis não forem suficientemente grandes para preparar um modelo personalizado, use modelos de IA generativa com engenharia de comandos. Estes modelos podem ser ainda mais ajustados para realizar tarefas especializadas através de exemplos de dados.

  • Se o seu exemplo de utilização estiver relacionado com exemplos de utilização da IA preditiva, use a IA tradicional. A IA preditiva tradicional é particularmente eficaz com dados estruturados.

  • Se o seu exemplo de utilização estiver relacionado com exemplos de utilização da IA generativa, como o resumo, a geração de conteúdo ou a transcrição avançada, use a IA generativa. A utilização da IA generativa inclui exemplos de utilização que requerem o processamento e a introdução de informações de várias modalidades, como texto, imagens, vídeos ou áudio.

Embora os cientistas de dados e os engenheiros de ML liderem normalmente o processo de seleção de modelos, é importante considerar também o contributo de principais partes interessadas, como líderes empresariais, proprietários de produtos, especialistas de domínio e utilizadores finais. Por exemplo, estes intervenientes podem interagir das seguintes formas:

  • Líderes empresariais e decisores: aprove a seleção quando estiver alinhada com as prioridades da empresa.
  • Proprietários do produto: podem precisar de influência ou ter mais controlo sobre o comportamento do modelo para o alinhar com as prioridades do produto.
  • Especialistas de domínio: aplicam os seus conhecimentos de domínio para melhorar a eficácia do modelo.
  • Utilizadores finais: podem ter de compreender o resultado do modelo e como incorporar o resultado para tomar decisões mais informadas.

Quando combinar a IA generativa com a IA tradicional

A IA tradicional e a IA generativa não são mutuamente exclusivas. Em alguns exemplos de utilização empresarial, podem ser usados em conjunto para atingir o objetivo empresarial final. Por exemplo, pode usar o resultado de um modelo de IA tradicional como parte do comando para um modelo de IA generativa. Seguem-se alguns exemplos de utilização da combinação das capacidades de IA tradicionais e generativas:

  • A IA preditiva tradicional pode analisar dados do histórico para prever a probabilidade de abandono de clientes. Esta análise pode ser integrada com um MDG ou um bot de chat com tecnologia de IA generativa, o que permite à sua equipa de vendas explorar as previsões através de conversas em linguagem natural. Também pode gerar painéis de controlo de business intelligence (BI) através de uma conversa simples com o chatbot.
  • A IA preditiva tradicional pode prever riscos de um caso de utilização específico, enquanto a IA generativa pode simular diferentes cenários para ajudar na formulação de possíveis estratégias de mitigação.
  • A IA preditiva tradicional pode identificar segmentos de clientes para ajudar a criar marketing personalizado e campanhas. Em seguida, pode usar a IA generativa para gerar conteúdo de marketing personalizado e adaptado a cada segmento identificado.
  • A visão computacional de IA tradicional pode detetar e classificar a língua gestual para traduzir a entrada de vídeo em texto. A IA generativa pode adicionar compreensão do contexto e das nuances na língua gestual, o que permite uma tradução mais otimizada para texto escrito, incluindo vários idiomas. A IA generativa também pode gerar saída de voz a partir da tradução de texto, o que permite uma comunicação bidirecional perfeita entre pessoas que usam a língua gestual e pessoas que não a usam.
  • A IA tradicional pode realizar a análise de vídeo e usar capacidades de inteligência de vídeo para extrair estatísticas e funcionalidades importantes dos recursos de vídeo. Por exemplo, pode realizar a deteção de objetos, a deteção de pessoas, a deteção de texto e a extração de recursos de vídeo. Em seguida, a IA generativa pode usar essas estatísticas para criar experiências inovadoras, como chatbots, fichas, relatórios ou artigos.

Para maximizar as vantagens empresariais dos seus investimentos em IA generativa e IA tradicional, priorize os resultados empresariais necessários e as necessidades dos utilizadores (soluções de IA orientadas para a empresa e centradas no utilizador). Esta abordagem garante que as soluções se mantêm relevantes, impulsionam a adoção, melhoram a eficiência e promovem a inovação. Priorizar a experiência do utilizador em soluções com tecnologia de IA ajuda a alinhar as expetativas e a gerar resultados significativos.

O que se segue?