Quando o entusiasmo pela IA generativa desaparece

Por Matt Asay

Colaborador, InfoWorld |

Até agora, você já usou uma ferramenta de IA generativa (GenAI), como o ChatGPT, para criar um aplicativo, criar uma proposta de financiamento ou escrever todas as avaliações de funcionários que estava adiando. Se você fez alguma dessas coisas ou simplesmente brincou fazendo perguntas sobre um modelo de linguagem grande (LLM), sem dúvida ficou impressionado com o quão bem as ferramentas GenAI podem imitar a produção humana.

Você também, sem dúvida, reconheceu que eles não são perfeitos. Na verdade, apesar de todas as suas promessas, as ferramentas GenAI, como ChatGPT ou GitHub Copilot, ainda precisam de colaboração humana experiente para criar os prompts que as orientam, bem como para revisar seus resultados. Isso não mudará tão cedo.

Na verdade, a IA generativa é grande não tanto por todas as provas, resumos jurídicos ou aplicações de software que possa escrever, mas porque aumentou a importância da IA ​​de forma mais geral. Quando todo o entusiasmo em torno da GenAI desaparecer – e irá desaparecer – ficaremos com maiores investimentos em aprendizagem profunda e aprendizagem de máquina, que podem ser a maior contribuição da GenAI para a IA.

É difícil não ficar entusiasmado com a IA generativa. Do lado do desenvolvedor de software, ele promete remover todo tipo de trabalho enfadonho do nosso trabalho, ao mesmo tempo que nos permite focar na codificação de maior valor. A maioria dos desenvolvedores ainda está experimentando levemente ferramentas de codificação GenAI, como AWS CodeWhisperer, mas outros, como o fundador do Datasette, Simon Willison, se aprofundaram e descobriram “enormes saltos à frente na produtividade e na ambição dos tipos de projetos que você realiza”.

Um dos motivos pelos quais Willison consegue ganhar tanto com GenAI é sua experiência: ele pode usar ferramentas como GitHub Copilot para gerar 80% do que precisa e é experiente o suficiente para saber onde a saída da ferramenta pode ser usada e onde ele precisa escrever os 20% restantes. A maioria não tem o seu nível de experiência e conhecimento e pode precisar ser menos ambicioso no uso do GenAI.

Passamos por um ciclo de entusiasmo semelhante para cada onda de IA, e cada vez temos que aprender a separar a esperança realista do exagero. Veja o aprendizado de máquina, por exemplo. Quando o aprendizado de máquina chegou, os cientistas de dados o aplicaram a tudo, mesmo quando existiam ferramentas muito mais simples. Como argumentou certa vez o cientista de dados Noah Lorang: “Há um subconjunto muito pequeno de problemas de negócios que são melhor resolvidos pelo aprendizado de máquina; a maioria deles só precisa de bons dados e uma compreensão do que isso significa.” Em outras palavras, por mais legal que pareça desenvolver algoritmos para encontrar padrões em petabytes de dados, consultas matemáticas simples ou SQL costumam ser uma abordagem mais inteligente.

Da mesma forma, o CEO da Diffblue, Mathew Lodge, sugeriu recentemente que GenAI é muitas vezes a resposta errada para uma série de perguntas, com a aprendizagem por reforço oferecendo maior probabilidade de sucesso: “Modelos de aprendizagem por reforço pequenos, rápidos e baratos de operar superam facilmente centenas de milhares de pessoas. LLMs de bilhões de parâmetros em todos os tipos de tarefas, desde jogar até escrever código.” Lodge não está argumentando que a IA generativa é um exagero. Em vez disso, ele está sugerindo que precisamos reconhecer a GenAI como uma ferramenta útil para resolver alguns problemas da ciência da computação, não todos eles.

Se recuarmos e olharmos para a IA de forma ampla, apesar do impacto descomunal da GenAI no hype da mídia e nos investimentos corporativos, ela ocupa uma área relativamente pequena no cenário geral da IA, como captura o engenheiro da Nvidia, Amol Wagh. “Inteligência artificial” é a forma mais ampla de falar sobre a interação entre humanos e máquinas. Como detalha Wagh, a IA é uma “disciplina tecnológica que envolve emular o comportamento humano, utilizando máquinas para aprender e executar tarefas sem a necessidade de instruções explícitas sobre o resultado pretendido”.

A IA generativa cabe aí? Claro que sim, mas primeiro vem o aprendizado de máquina, um subconjunto da IA, que se refere a algoritmos que aprendem com os dados para fazer previsões com base nesses dados. Em seguida vem o aprendizado profundo, um subconjunto do aprendizado de máquina, que treina computadores para pensar mais como humanos, usando camadas de redes neurais. Finalmente vem o GenAI, um subconjunto de aprendizagem profunda, que vai um passo além para criar novos conteúdos com base em entradas.