Uma estrutura para avaliar quando as soluções de IA superam os métodos tradicionais

Perguntas: Quais produtos são adequados para aprendizado de máquina?
Resposta do gerente de projeto: Sim.

Brincadeiras à parte, o surgimento da IA generativa reformulou drasticamente nossa perspectiva sobre quais casos de uso são mais adequados para o aprendizado de máquina. Tradicionalmente, o aprendizado de máquina tem sido aplicado a padrões repetitivos e previsíveis nas experiências dos clientes. Hoje, no entanto, é possível até mesmo usar certas formas de AM sem precisar de um conjunto de dados de treinamento massivo.

Mesmo assim, a resposta para "Essas necessidades do cliente exigem uma solução de IA?" nem sempre é afirmativa. Os modelos de linguagem de grande porte (LLMs) ainda podem ser muito caros para alguns projetos e, como todos os modelos de AM, eles não têm garantia de precisão. Sempre haverá situações em que a implementação do ML não é a melhor abordagem. Então, como os gerentes de projetos de IA devem avaliar se as necessidades de um cliente justificam uma solução de AM?

Os principais fatores para orientar essa decisão incluem:

1. Entradas e saídas necessárias para atender às necessidades do cliente: Um cliente fornece uma entrada para seu produto, que, por sua vez, fornece uma saída. Por exemplo, uma lista de reprodução do Spotify gerada pelo AM (o resultado) pode depender de entradas como preferências do usuário, músicas curtidas, artistas favoritos e gêneros preferidos.
2. Combinações de entradas e saídas: Os requisitos dos clientes diferem dependendo do fato de eles esperarem os mesmos resultados ou resultados diferentes dos mesmos inputs ou de inputs diferentes. À medida que o número de possíveis combinações de entrada-saída aumenta, especialmente em escala, o caso do AM em relação aos sistemas baseados em regras se torna mais forte.
3. Padrões em entradas e saídas: O reconhecimento de padrões na forma como as entradas e saídas se relacionam ajuda a determinar o tipo certo de modelo de AM. Se houver padrões claros - como a análise do feedback do cliente para determinar o sentimento - os modelos supervisionados ou semissupervisionados podem ser mais econômicos do que os LLMs.
4. Custo e precisão: Em escala, as chamadas de LLM podem ser caras e seus resultados nem sempre são precisos, mesmo com ajustes finos e engenharia imediata. Em alguns casos, modelos supervisionados ou redes neurais que classificam as entradas usando um conjunto fixo de rótulos - ou até mesmo um sistema baseado em regras - podem ser uma opção melhor do que um LLM.

Para ajudar os gerentes de projeto a avaliar as necessidades do cliente e decidir se o ML é a direção certa, resumi as considerações acima em uma tabela simples.

A principal conclusão: Não use um sabre de luz quando uma tesoura for suficiente. Use a matriz acima para avaliar as necessidades do cliente, considerando os custos de implementação e a precisão do resultado, para criar produtos dimensionáveis, precisos e econômicos.

Sharanya Rao é gerente de produtos do grupo fintech. As opiniões expressas neste artigo são do autor e não refletem necessariamente as de seu empregador ou de organizações afiliadas.