Novidades em inteligência artificial do Gartner Hype Cycle 2023

17 de agosto de 2023

Elaborado por: Lori Perri

As inovações em torno da IA generativa dominam as novas tecnologias e têm um impacto transformador.

O Gartner Hype Cycle™ 2023 para inteligência artificial (IA) identifica inovações e técnicas com benefícios significativos e transformadores, e aborda as limitações e os riscos dos sistemas falíveis. As estratégias de IA devem levar em conta quais delas oferecem os casos mais confiáveis para investimento. 

“O Hype Cycle para IA apresenta muitas inovações que merecem atenção especial dentro do período de dois a cinco anos para a adoção generalizada, as quais incluem IA generativa e inteligência de decisão,” diz Afraz Jaffri, Diretor Analista da Gartner. “A adoção precoce dessas inovações levará a uma vantagem competitiva significativa e à redução dos problemas associados à utilização dos modelos de IA nos processos de negócios.”

Dois tipos de inovações de IA generativa dominam

A IA generativa está dominando as discussões sobre inteligência artificial, aumentando a produtividade para desenvolvedores e profissionais do conhecimento de maneiras muito concretas, utilizando sistemas como o ChatGPT. Isso fez com que as organizações e os setores repensassem seus processos de negócios e o valor dos recursos humanos, levando a IA generativa ao auge das expectativas infladas no Hype Cycle.

A Gartner agora identifica dois lados no movimento da IA generativa em direção a sistemas de IA mais potentes:

  • Inovações impulsionadas pela IA generativa;

  • Inovações que impulsionarão avanços na IA generativa.

Inovações que serão alimentadas pela IA generativa

A inteligência artificial generativa impacta os negócios porque se relaciona à descoberta de conteúdo, criação, autenticidade e regulamentações. Ela também tem a capacidade de automatizar o trabalho humano, bem como as experiências do funcionário e do cliente. 

Entre as tecnologias essenciais desta categoria, destacamos: 

  • Inteligência artificial geral (AGI) é a inteligência de uma máquina (atualmente hipotética) que pode realizar qualquer tarefa intelectual que uma pessoa realiza;

  • Engenharia de IA é fundamental para o fornecimento empresarial de soluções de IA em escala. A disciplina cria desenvolvimento empresarial, entrega e sistemas operacionais baseados em inteligência artificial coerentes;

  • Sistemas autônomos, sistemas físicos ou de software autogerenciáveis que desempenham tarefas vinculadas ao domínio com três características fundamentais - autonomia, aprendizagem e ação; 

  • Serviços de IA na nuvem fornecem ferramentas de construção de modelos de IA, APIs para serviços pré-construídos e middleware associado que possibilitam a construção/treinamento, implementação e consumo de modelos de aprendizado de máquina executados em infraestrutura pré-construída como serviços na nuvem;

  • IA composta se refere à aplicação combinada (ou fusão) de diferentes técnicas de IA para melhorar a eficiência da aprendizagem e ampliar o nível de representações de conhecimento. Ela soluciona uma variedade mais ampla de problemas de negócios de maneira mais eficaz;

  • Visão computacional é um processo que pode capturar, processar e analisar imagens do mundo real para permitir que máquinas extraiam informações contextuais e significativas do mundo físico;

  • IA orientada a dados é uma abordagem que se concentra em aprimorar e enriquecer o treinamento de dados para gerar melhores resultados. A inteligência artificial centrada em dados também aborda a qualidade, a privacidade e a escalabilidade dos dados;

  • Edge AI se refere ao uso de técnicas de inteligência artificial integradas a produtos não relacionados a TI, endpoints da Internet das Coisas, gateways e servidores de borda. Ela abrange casos de uso para aplicativos de consumo, comerciais e industriais, por exemplo, veículos autônomos, recursos aprimorados de diagnósticos médicos e análise de streaming de vídeo;

  • Aplicativos inteligentes utilizam a adaptação aprendida para responder de forma autônoma a pessoas e máquinas;

  • Operacionalização de modelos (ModelOps) se concentra principalmente na gestão do ciclo de vida e da governança de ponta a ponta de modelos de decisão, de inteligência analítica e de inteligência artificial; 

  • Sistemas operacionais de IA (OAISys) permitem a orquestração, a automação e a escala de inteligência artificial de nível empresarial pronta para produção, englobando aprendizado de máquina, DNNs e IA generativa;

  • Engenharia de comandos é a disciplina que fornece informações, na forma de texto ou imagens, aos modelos de IA generativa para especificar e confinar o conjunto de respostas que o modelo pode produzir; 

  • Robôs inteligentes são máquinas com tecnologia de IA quase sempre móveis desenvolvidas para executar uma ou mais tarefas físicas de forma autônoma;

  • Dados sintéticos correspondem a uma categoria de dados gerados artificialmente, e não obtidos a partir de observações diretas do mundo real.

Ouça agora: IA Hype Cycle 2023: Novas tecnologias sobre o gatilho de inovações

Inovações que alimentarão os avanços na inteligência artificial generativa

“A exploração da IA generativa está acelerando, graças à popularidade de Stable Diffusion, Midjourney, ChatGPT e grandes modelos de linguagem.” Na maioria dos setores, organizações de usuários finais fazem experimentos intensos com a IA generativa,“ diz Svetlana Sicular, Vice-Presidente Analista da Gartner. 

“Os fornecedores de tecnologia formam grupos de IA generativa para priorizar a entrega de ferramentas e aplicativos habilitados para IA generativa. Em 2023, surgiram várias startups para inovar com a inteligência artificial generativa, e esperamos que isso cresça. Alguns governos avaliam os impactos da inteligência artificial generativa e preparam-se para introduzir regulamentações.”

Entre as tecnologias essenciais desta categoria, destacamos: 

  • A simulação de IA é a aplicação combinada de IA e tecnologias de simulação para desenvolver conjuntamente agentes de IA e os ambientes simulados nos quais eles podem ser treinados, testados e, às vezes, implementados;

  • A gestão da confiança, risco e segurança de IA (AI TRiSM) assegura a governança do modelo de IA, a confiabilidade, a imparcialidade, a robustez, a eficácia e a proteção de dados;

  • A inteligência artificial causal identifica e utiliza relações de causa e efeito para ir além de modelos preditivos baseados em correlação e caminhar em direção a sistemas de IA que possam prescrever ações de forma mais eficaz e agir de forma mais autônoma;

  • A anotação e etiquetagem de dados (DL&A) é um processo em que os ativos são posteriormente classificados, segmentados, anotados e ampliados para enriquecer os dados e permitir análises e projetos de inteligência artificial aprimorados;

  • First-principles IA (FPAI), também conhecida como IA embasada na física, integra princípios físicos e analógicos, leis vigentes e conhecimento de domínio aos modelos de IA. A FPAI estende a engenharia de IA aos complexos sistemas baseados em modelos e engenharia de sistemas;

  • Os modelos de base são grandes modelos de parâmetros treinados em uma ampla variedade de conjuntos de dados de forma autossupervisionada;

  • Os gráficos de conhecimento são representações legíveis por máquina dos mundos físico e digital. Eles contemplam entidades (pessoas, empresas, ativos digitais) e suas relações, que seguem um modelo de dados de gráficos;

  • O sistema de vários agentes (MAS) é um tipo de sistema de IA composto de vários agentes independentes e interativos capazes de perceber seu ambiente e executar ações. Os agentes podem ser modelos de IA, programas de software, robôs e outras entidades computacionais;

  • A IA neurossimbólica é uma forma de IA composta que combina métodos de aprendizado de máquina e sistemas simbólicos para criar modelos de IA mais robustos e confiáveis. Ela fornece uma infraestrutura de raciocínio para solucionar uma variedade mais ampla de problemas de negócios com mais eficácia.

  • A IA responsável é um termo abrangente para aspectos de fazer escolhas éticas e empresariais adequadas ao adotar a inteligência artificial. Ela engloba responsabilidades organizacionais e práticas que garantem a operação e o desenvolvimento de IA positivo, responsável e ético.

Afraz Jaffri é Diretor Analista na Gartner e se concentra em análise, ciência de dados e inteligência artificial. Ele orienta líderes de dados e análise a aproveitarem ao máximo seus investimentos em ciência de dados moderna, aprendizado de máquina e plataformas de análise.

Svetlana Sicular é Vice-Presidente Analista na Gartner e se concentra na intersecção de dados e IA. Ela está convencida de que humanos, combinados com IA, são mais inteligentes do que qualquer um deles isoladamente. Sicular realmente se preocupa em ajudar organizações a alcançarem a transformação digital com o uso de IA para implementar ideias de negócios inovadoras.

Conferência Gartner Data & Analytics

Transforme o futuro da sua organização! Mergulhe em estratégias de Data & Analytics, tendências emergentes, IA generativa e muito mais. 

Explore o conteúdo detalhado e mantenha-se informado e atualizado

Impulsione o desempenho nas principais prioridades estratégicas das organizações.