Aprimorar o acúmulo de negócios está emergindo à medida que as empresas buscam uma vantagem tática com a implementação de tecnologias de IA que geram dados de texto e imagem, conhecidos como “IA generativa”. Entre as perspectivas mais intrigantes para as empresas está a mudança de modelos de linguagem grandes (LLM) públicos para LLMs personalizados e operados de forma privada.
Os LLMs públicos são treinados em dados amplamente disponíveis, mas as empresas enfrentam três principais preocupações ao utilizar esses modelos. Em primeiro lugar, há o risco de violações de privacidade dos dados, uma vez que os dados enviados para os LLMs muitas vezes passam por servidores de terceiros. As empresas precisam ter cautela ao alavancar informações sensíveis da empresa ou dados pessoais identificáveis. Além disso, a transparência dos LLMs pode ser questionável, dada sua natureza de ‘caixa preta’ onde o processo de tomada de decisão permanece obscuro. Por fim, a precisão das respostas de um LLM depende muito da qualidade de seu conjunto de dados de treinamento, levantando preocupações sobre a consistência dos dados e o potencial para desinformação ou viés.
Diante desses desafios, algumas empresas impõem restrições ou até proíbem seu uso. O CTO da SAP, Jürgen Müller, reconhece a utilidade dos LLMs, mas aponta a dificuldade em aplicá-los efetivamente aos negócios sem acesso a informações específicas da empresa atualizadas.
As empresas estão cada vez mais interessadas em desenvolver seus LLMs privados para superar os riscos associados aos modelos públicos. Ao combinar esses modelos personalizados com seus dados proprietários, as empresas podem otimizar a precisão das respostas e garantir a implantação segura dos LLMs. Um exemplo dessa inovação vem da PricewaterhouseCoopers (PwC), que personalizou sua ferramenta de assistente de IA fiscal treinada em textos legais, estudos de caso e propriedade intelectual da PwC. Ao atualizar regularmente os dados para refletir mudanças na legislação fiscal, o LLM privado da PwC fornece informações mais precisas, transparentes e confiáveis no campo da tributação em comparação com os LLMs públicos convencionais.
Principais desafios ou controvérsias:
– As implicações éticas da IA e dos LLMs na automatização de tarefas, potencialmente levando a deslocamentos de empregos.
– Equilibrar privacidade e inovação, especialmente quando se trata de treinar modelos com dados sensíveis.
– Abordar e prevenir os vieses nos modelos de IA, que podem propagar e amplificar preconceitos sociais se não forem cuidadosamente verificados.
The source of the article is from the blog elperiodicodearanjuez.es