As quatro tendências predominantes do Gartner Hype Cycle para IA, 2021

22 de setembro de 2021

Colaborador: Laurence Goasduff

Embora os avanços em machine learning, visão computacional, chatbots e inteligência artificial (IA) de borda impulsionem a adoção, são essas tendências que dominam o Hype Cycle deste ano.

Por meio do uso do processamento de linguagem natural (PLN) e tecnologias emergentes como a IA geradora, gráficos de conhecimento e inteligência artificial composta, as organizações estão cada vez mais usando soluções de IA para criar novos produtos, melhorar os produtos existentes e aumentar a base de clientes. 

No entanto, o foco principal para as organizações é aumentar a velocidade com que as provas de conceito (POCs) são implantadas em produção. Consequentemente, as quatro tendências a seguir dominam o cenário de IA este ano:

  • Operacionalização das iniciativas de inteligência artificial.
  • Uso eficiente de dados, modelos e computação.
  • Inteligência artificial responsável.
  • Dados para inteligência artificial.

Baixar agora: Fortaleça o ecossistema de inteligência artificial (IA)

O Gartner Artificial Intelligence Hype Cycle para 2021 descreve inovações específicas de inteligência artificial que estão nas várias fases de amadurecimento, adoção e publicidade.

1. Operacionalização das iniciativas de inteligência artificial

Para a maioria das organizações, entregar e integrar soluções de inteligência artificial continuamente em aplicativos empresariais e fluxos de trabalho comerciais é uma reflexão complexa a se fazer posteriormente. 

“Em média, leva cerca de oito meses para obter um modelo baseado em inteligência artificial integrado a um fluxo de trabalho comercial e para gerar um valor tangível”, disse Shubhangi Vashisth, analista principal sênior, Gartner. “No entanto, para reduzir falhas em projetos de inteligência artificial, as organizações precisam operacionalizar com eficiência as arquiteturas de IA.”

O Gartner espera que até 2025, 70% das organizações tenham arquiteturas de IA operacionalizadas devido ao amadurecimento rápido das iniciativas de orquestração de inteligência artificial. 

As organizações devem levar em consideração a operacionalização de modelos (ModelOps) para operacionalizar as soluções de inteligência artificial. O ModelOps reduz o tempo necessário para levar os modelos de inteligência artificial do piloto para a produção, usando uma abordagem baseada em princípios que pode ajudar a assegurar um alto grau de sucesso. Ele também oferece um sistema para governança e gestão do ciclo de vida de todos os modelos de decisão e inteligência artificial (sistemas gráficos, linguísticos e baseados em regras e outros). 

Baixar agora: As dez principais tendências estratégicas de tecnologia do Gartner para 2023

2. Uso eficiente de dados, modelos e computação

À medida que as organizações continuam a inovar em IA, elas também precisam usar com eficiência todos os recursos: dados, modelos e computação. 

Por exemplo, atualmente, a IA composta trata-se de combinar abordagens de IA “conexionistas” como aprendizagem aprofundada, com abordagens de IA “simbólicas” como raciocínio baseado em regras, análise gráfica, modelagem baseada em agentes ou técnicas de otimização. O resultado da combinação dessas técnicas, entre outras, é um sistema de IA composta que resolve uma variedade maior de problemas empresariais de forma mais eficiente.

As organizações podem aplicar IA geradora que cria conteúdo genuíno de mídia, dados sintéticos e modelos de objetos físicos. Por exemplo, a IA geradora foi usada para criar em menos de 12 meses, um medicamento para tratar o transtorno obsessivo-compulsivo (TOC). O Gartner estima que até 2025, mais de 30% dos novos medicamentos e materiais serão descobertos sistematicamente usando técnicas de IA geradora.

Ouça agora: Os bastidores da pesquisa: o Gartner Hype Cycle

3. Inteligência artificial responsável

Quanto mais a inteligência artificial substitui as decisões humanas em escala, mais ela amplifica os impactos positivos e negativos dessas decisões. Se não verificadas, as abordagens baseadas em inteligência artificial podem perpetuar o viés, causando problemas e perda de produtividade e receita. 

Embora os algoritmos possam deduzir a raça e o sexo a partir de parâmetros indicatórios, como nomes femininos usuais ou códigos postais com os dados demográficos raciais predominantes, a parcialidade mais implícita é difícil de identificar. Por exemplo, um cientista de dados pode não perceber que uma série de cliques em um site pode ser discriminatório contra idade. A inteligência artificial pode classificar de forma perfeita um casamento ocidental estereotipado, mas não consegue enxergar os casamentos na Índia e na África.

No futuro, as organizações precisarão desenvolver e operar sistemas de inteligência artificial com imparcialidade e transparência e cuidar da segurança, privacidade e da sociedade em geral. 

4. Dados para inteligência artificial

 

30%+

Até 2025, mais de 30% das novas drogas e materiais vão ser sistematicamente descobertas usando técnicas generativas de IA.

Interrupções como a pandemia da COVID-19 estão fazendo com que os dados históricos que refletem condições passadas rapidamente tornem-se obsoletos, quebrando muitos modelos de produção de machine learning e inteligência artificial. 

Os líderes de TI e Design e Análise estão buscando novas técnicas de análise conhecidas como “small data” e “wide data”. Juntos, eles são capazes de usar dados disponíveis mais eficientemente, trabalhando com pequenos volumes de dados ou extraindo mais valor de fontes de dados diversos e não estruturados.

Até 2025, o Gartner espera que 70% das organizações sejam levadas a mudar o foco do big data para o small data e o wide data, fornecendo mais contexto para as análises e tornando a IA menos ávida por dados.

Explore conteúdo detalhado para ajudar a manter-se informado e atualizado

Drive stronger performance on your mission-critical priorities.