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 ser adequadas para seu caso de uso comercial.

Neste documento, IA tradicional se refere a recursos e casos de uso de IA que podem não exigir o uso de recursos de IA generativa, como alguns casos de uso de classificação e previsão de IA. Os modelos tradicionais de IA são ótimos para aprender com dados atuais, classificar informações ou prever resultados futuros com base em padrões históricos. Os modelos de IA generativa ampliam esses recursos para criar resumos, revelar correlações ocultas complexas ou gerar novos conteúdos, como textos, imagens ou vídeos, que reflitam o estilo e os padrões dentro dos dados de treinamento.

Quando usar a IA generativa

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

  • Criar e recomendar conteúdo.
  • Potencializar a pesquisa conversacional e os chatbots.
  • Escalonamento e automatização do fluxo de trabalho para tarefas repetitivas.
  • Usar o raciocínio associativo para encontrar insights e relações em documentos e dados.
  • Gerar código e ajudar os desenvolvedores a escrever, explicar e documentar o código.

As seções a seguir mostram exemplos desses casos de uso gerais e comuns da IA generativa que podem ser personalizados para diferentes setores.

Criação e recomendação de conteúdo

  • Gerar conteúdo relacionado a marketing, como imagens de produtos, postagens em mídias sociais e e-mails com imagens relevantes.
  • Tradução de conteúdo, como documentos, conteúdo de sites e conversas com chatbots multilíngues.
  • Resumir o conteúdo de texto, incluindo documentos, artigos, feedback de clientes e relatórios, para ajudar em decisões mais informadas com base em dados.
  • Criar resumos de informações de várias fontes que podem incluir texto, imagens e componentes de vídeo ou áudio.
  • Legendagem automática de vídeos.
  • Criar conteúdo multimídia criativo, como criar novas imagens com base em descrições de comandos de texto, modificar ou corrigir imagens usando comandos de texto (por exemplo, remover um objeto ou mudar o esquema de cores) e gerar vídeos curtos ou animações de comandos ou scripts de texto.
  • Geração de vozes sintéticas realistas para áudio, como faixas de narração e música.
  • Analisar e entender o comportamento, as preferências, as avaliações e as interações anteriores dos usuários para oferecer recomendações personalizadas de conteúdo. A análise pode ser combinada com fatores em tempo real, como localização, para personalizar recomendações de conteúdo, como produtos, artigos e vídeos.

Pesquisa por conversa e chatbots

  • Criar assistentes virtuais para interações do usuário, como suporte ao cliente e vendas on-line.
  • Possibilitar a pesquisa conversacional em grandes bases de conhecimento com consultas de linguagem natural.
  • Encontrar respostas para perguntas complexas que combinem consultas textuais com imagens relacionadas.

Compreensão de dados e documentos

  • Extração de dados e análise de conteúdo de textos, como relatórios, faturas, recibos, transações financeiras ou contratos, para destacar possíveis erros ou problemas de conformidade, identificar riscos em potencial ou descobrir anomalias que indicam fraude.
  • Analisar o sentimento do conteúdo gerado pelo usuário, como postagens em mídias sociais e avaliações de produtos.
  • Analisar conversas transcritas de call center para extrair insights, como os motivos mais comuns pelos quais os clientes dão uma nota baixa às interações com o call center.

  • Analisar dados de segurança cibernética, como relatórios de ameaças, artigos e repositórios, para extrair os principais indicadores de ameaças. Essa análise permite que a defesa proativa de segurança cibernética resuma e priorize estratégias de mitigação com recomendações para respostas mais rápidas.

    A análise pode converter gráficos de ataque complexos em explicações de exposição em texto simples. Ela também pode simular possíveis caminhos de ataque para destacar os recursos afetados e recomendar mitigações antes que os recursos possam ser explorados.

Geração de código e assistência ao desenvolvedor

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

  • Gerar especificações e documentações de APIs usando comandos de linguagem natural.
  • Criação de recursos como código, funções, comandos de linha de comando e scripts do Terraform usando 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 comerciais, como atendimento ao cliente, produtividade dos funcionários e automação de processos, consulte Casos de uso empresariais em "IA generativa no Google Cloud".

Quando usar a IA tradicional

Os casos de uso de IA tradicional geralmente se concentram na previsão de resultados futuros ou na classificação de uma categoria com base em um modelo de IA treinado em fontes de dados históricos atuais, como dados e imagens tabulares. As soluções de IA tradicionais geralmente são suficientes para lidar com vários casos de uso de IA preditiva e classificação, como os seguintes:

  • Casos de uso de classificação:
    • Filtrar spam de e-mails classificando-os como spam ou não é spam, com base em um modelo tradicional de IA de classificação treinado com dados históricos.
    • Treinar um modelo tradicional de classificação de imagens em imagens específicas de produtos bons e defeituosos para ajudar efetivamente na inspeção em tempo real e na detecção de defeitos na fabricação.
  • Casos de uso de regressão:
    • Previsão de valores numéricos contínuos, como a previsão de preços de imóveis com base em características e localização específicas das casas.
    • Prever a receita que um cliente de uma plataforma de e-commerce vai gerar durante o relacionamento com a empresa, com base nos dados históricos de compra.
  • Casos de uso da previsão de série temporal: previsão de vendas e demanda.
  • Casos de uso de clustering: segmentação de clientes.

Para mais informações sobre como usar a IA tradicional, consulte Usos e exemplos de análise preditiva em "O que é a análise preditiva?"

Decidir entre a IA tradicional e a IA generativa

A árvore de decisão simplificada abaixo fornece uma referência de alto nível para alguns caminhos de decisão com base em casos de uso. Em alguns casos, pode ser melhor usar a IA tradicional e a IA generativa, conforme descrito na próxima seção, "Quando combinar IA generativa com IA tradicional".

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

A árvore de decisão inclui as seguintes perguntas e respostas orientadas a casos de uso:

  • Se o caso de uso estiver relacionado à classificação ou detecção, verifique se um modelo de IA tradicional pré-treinado pode atender aos requisitos do seu caso de uso. Os modelos tradicionais pré-treinados incluem APIs de IA como Document AI, Vision AI, API Natural Language e API Video Intelligence.

    • Se um modelo pré-treinado atender aos seus requisitos, use o modelo pré-treinado.
    • Se um modelo pré-treinado não atender aos seus requisitos, verifique se há dados de treinamento suficientes disponíveis para treinar um modelo de maneira personalizada.
      • Se houver dados de treinamento suficientes disponíveis, o que deve ser priorizado: mais controle sobre o treinamento de modelos ou uma entrada mais rápida no mercado (GTM, na sigla em inglês)?
        • Se você precisar de alto controle do treinamento do modelo com personalizações, como usar qualquer algoritmo de modelo preferido, desenvolver suas próprias funções de perda usando recursos específicos da explicabilidade do modelo, o número de camadas no modelo, a taxa de aprendizado e outros hiperparâmetros do modelo, use um treinamento personalizado de um modelo de IA tradicional. Para informações sobre as diferenças entre o treinamento personalizado ou o treinamento de um modelo na Vertex AI usando o AutoML, consulte Escolher um método de treinamento.
        • Caso sua prioridade de negócios seja um GTM mais rápido, use a IA generativa. Caso seu caso de uso seja especializado, é possível melhorar o desempenho de um modelo usando ajustes, como o ajuste supervisionado, para classificação, análise de sentimento ou extração de entidade.
      • Se não houver um conjunto de dados de treinamento disponível ou se os conjuntos de dados disponíveis não forem grandes o suficiente para treinar um modelo de maneira personalizada, use modelos de IA generativa com engenharia de comando. Esses modelos podem ser ajustados para realizar tarefas especializadas usando exemplos de dados.

  • Se o caso de uso estiver relacionado a casos de uso de IA preditivo, use a IA tradicional. A IA preditiva tradicional é particularmente eficaz com dados estruturados.

  • Se o caso de uso estiver relacionado a casos de uso de IA generativa, como resumo, geração de conteúdo ou transcrição avançada, use a IA generativa. O uso da IA generativa inclui casos de uso que exigem o processamento e a entrada de informações de várias modalidades, como texto, imagens, vídeos ou áudio.

Os cientistas de dados e engenheiros de ML geralmente lideram o processo de seleção de modelos, mas é importante considerar também a contribuição das principais partes interessadas, como líderes de negócios, proprietários de produtos, especialistas em domínio e usuários finais. Por exemplo, essas partes interessadas podem se envolver das seguintes maneiras:

  • Líderes de negócios e tomadores de decisões: aprove a seleção quando ela estiver alinhada com as prioridades da empresa.
  • Proprietários do produto: podem exigir influência ou ter mais controle do comportamento do modelo para alinhá-lo às prioridades do produto.
  • Especialistas em domínio: aplicar a própria experiência em domínio para melhorar a eficácia do modelo.
  • Usuários finais: podem precisar entender a saída do modelo e como incorporá-la para uma tomada de decisão mais informada.

Quando combinar IA generativa com IA tradicional

A IA tradicional e a IA generativa não são mutuamente exclusivas. Em alguns casos de uso comerciais, eles podem ser usados para se complementarem para atingir a meta de negócios final. Por exemplo, é possível usar a saída de um modelo de IA tradicional como parte do comando para um modelo de IA generativa. Confira abaixo alguns exemplos de casos de uso para combinar recursos tradicionais e generativos de IA:

  • A IA preditiva tradicional pode analisar dados históricos para prever a probabilidade de desistência dos clientes. Essa análise pode ser integrada a um LLM ou chatbot com tecnologia de IA generativa, que capacita sua equipe de vendas a explorar as previsões usando conversas de linguagem natural. Também é possível gerar painéis de Business Intelligence (BI) por meio de conversas simples com o chatbot.
  • A IA preditiva tradicional pode prever os riscos de um caso de uso específico, enquanto a IA generativa pode simular diferentes cenários para ajudar a formular possíveis estratégias de mitigação.
  • A IA preditiva tradicional pode identificar segmentos de clientes para ajudar a criar marketing personalizado e criação de campanhas. É possível usar a IA generativa para gerar conteúdo de marketing personalizado, adaptado a cada segmento identificado.
  • A visão computacional tradicional de IA pode detectar e classificar a língua de sinais para traduzir entradas de vídeo em texto. A IA generativa pode adicionar a compreensão do contexto e das nuances da linguagem de sinais, possibilitando uma tradução mais otimizada em texto escrito, incluindo vários idiomas. A IA generativa também pode gerar saída de voz a partir da tradução de texto, permitindo uma comunicação bidirecional perfeita entre signatários e não signatários.
  • A IA tradicional pode realizar análises de vídeo e usar recursos de inteligência de vídeo para extrair insights e recursos vitais de recursos de vídeo. Por exemplo, ela pode realizar detecção de objetos, detecção de pessoas, detecção de texto e extração de recursos de vídeo. A IA generativa pode usar esses insights para criar novas experiências, como chatbots, listagens, relatórios ou artigos.

Para maximizar os benefícios comerciais dos investimentos em IA generativa e em IA tradicional, priorize os resultados de negócios e as necessidades do usuário necessários (soluções de IA orientadas para negócios e centradas no usuário). Essa abordagem garante que as soluções permaneçam relevantes, impulsionem a adoção, aumentem a eficiência e promovam a inovação. Priorizar a experiência do usuário em soluções com tecnologia de IA ajuda a alinhar expectativas e entregar resultados significativos.

A seguir