Caso de Urso 1

Em minhas reflexões sobre tecnologia, costumo dizer que o “novo” (problema) frequentemente já nasce velho. Constantemente surgem soluções mágicas para os desafios atuais, mas essas teorias partem do pressuposto de que o legado está “redondo”. E aí que começam as gambiarras, já que na prática, a realidade das empresas são bem diferentes dos exemplos.

Estou organizando meus top 7 casos de ursos — isso, ursos, em uma analogia ao “bearish” do mercado financeiro, onde as coisas ficam mais difíceis.

Caso de urso 1: “Ué, coloca uma IA Generativa para fazer qualidade e enriquecimento de dados do legado, DW ou Lake”

Bom ponto, essa ideia parece simples e eficiente, mas será que faz sentido? Depende do ponto de vista.

Para corrigir palavras ou textos, por exemplo, é necessário considerar diferentes dimensões de qualidade, como por exemplo a semântica (se as palavras fazem sentido no contexto), o domínio (se o conteúdo reflete as regras ou terminologias do negócio) e o conhecimento contextual (se os dados exigem um entendimento prévio do negócio).

Essas tarefas variam entre abordagens determinísticas, com regras bem definidas, e probabilísticas, que dependem de inferências baseadas em padrões. É aí que surgem os desafios.

IA Generativa não é indicada para usos determinísticos, pois sua natureza é criativa e baseada em probabilidades, o que pode gerar respostas inesperadas. Mesmo em contextos probabilísticos, a IA depende de dados confiáveis para ser útil.

Isso nos leva de volta ao dilema do ovo ou a galinha:

IA Generativa precisa de dados com qualidade para funcionar bem, mas como garantir dados limpos e confiáveis para ela, se ela for o “filtro” desta fonte?

Ela pode ser usada como um “filtro” de fonte, mas quando há uma estratégia clara para aproveitar seus resultados sem comprometer a integridade do pipeline de dados.

Associando ao desenho, se a IA for o imã esperando do caminhão, dados de qualidade ligado ao braço, dados que ela mesma gera, tudo indica que este sistema não sairá do lugar, as forças se anulam. Agora, se houver “energia” externa, e um braço fora do sistema, a inércia será vencida.

Bom, na física não sairia do lugar, em dados o problema é maior, ir para o lado errado.

Trabalhar com legado e com contexto próprio, é o grande desafio atual, em muitos use cases com amostras td é perfeito, a sacada é, como faço isso para o todo. Costumo dizer que medicar amostra em tubo de ensaio não cura o dono.

A IA Generativa não substitui processos tradicionais de qualidade e governança. Ela precisa deles como base para entregar valor. Quando bem planejada e implementada, pode complementar essas práticas, agregando inovação e eficiência, mas não é (ainda) uma solução mágica por si só.