O que são cargas de trabalho de IA?
Cargas de trabalho de IA são conjuntos de processos computacionais individuais, aplicações e recursos computacionais em tempo real usados para concluir tarefas específicas de inteligência artificial, aprendizado de máquina e deep learning.
Mais especificamente, o termo "cargas de trabalho de IA" refere-se a tarefas que exigem muitos recursos e grandes volumes de processamento de dados, relacionadas ao desenvolvimento, treinamento e implementação de modelos de IA.
Nos bastidores, cargas de trabalho individuais de IA permitem que aplicações de IA simulem características humanas, como compreensão, tomada de decisão, resolução de problemas, criatividade e autonomia, associadas às formas como os seres humanos aprendem, pensam e concluem.
A diferença entre cargas de trabalho de IA e cargas de trabalho tradicionais
No setor de TI, o termo carga de trabalho evoluiu, carregando diferentes conotações conforme o contexto. De modo geral, uma carga de trabalho refere-se à demanda total do sistema — o tempo e os recursos necessários — para alcançar um resultado desejado. As cargas de trabalho podem variar de tarefas relativamente simples, como um único cálculo ou uma aplicação isolada, até operações complexas, como o processamento de análise de dados em larga escala, nuvem híbrida ou serviços de nuvem pública, ou ainda a execução de um conjunto de aplicativos e fluxos de trabalho interconectados.
Como subconjunto, as cargas de trabalho de IA estão associadas a tarefas relacionadas a aplicações de IA, como IA generativa, grandes modelos de linguagem (LLMs), processamento de linguagem natural (PLN) e execução de algoritmos de IA. As cargas de trabalho de IA diferenciam-se da maioria das outras por sua alta complexidade e pelo tipo de dados processados. Comparadas a outros tipos de cargas, as de IA geralmente processam dados não estruturados, como imagens e textos.
As últimas notícias e insights sobre IA
Descubra insights selecionados por especialistas e notícias sobre IA, nuvem e outros assuntos no boletim informativo semanal Think.
Em termos gerais, as cargas de trabalho de IA podem ser divididas em duas categorias principais, sendo o treinamento e a inferência de modelos as mais abrangentes:
As cargas de trabalho de treinamento de modelos são usadas para ensinar frameworks de IA a identificar padrões e fazer previsões precisas.
Cargas de trabalho de inferência de modelos são compostas por tarefas (e sua respectiva capacidade computacional) necessárias para que os modelos de IA interpretem e respondam a novos dados e solicitações.
Aprofundando, alguns tipos adicionais e mais específicos de cargas de trabalho de IA incluem:
Essas cargas de trabalho envolvem a preparação de dados para análise aprofundada ou para o treinamento de modelos. Como etapa crítica no treinamento de modelos de IA, o processamento garante que os dados estejam de acordo com os padrões de qualidade e formatação definidos. Essas cargas de trabalho incluem tarefas como extrair e reunir dados de diferentes fontes em um formato consistente e, em seguida, carregar esses dados em um sistema de armazenamento para facilitar o acesso pelo modelo de IA. Esses processos também podem incluir operações mais avançadas, como a extração de características, em que pontos de dados específicos ou atributos desejados são identificados em conjuntos menos estruturados.
Cargas de trabalho de aprendizado de máquina (ML) estão diretamente relacionadas ao desenvolvimento, treinamento e implementação de algoritmos de ML usados para aprendizado e previsões. Essas cargas processam grandes volumes de dados, ajustando iterativamente os parâmetros do modelo para melhorar a precisão. Modelos de ML são valiosos para tarefas de inferência, como a previsão de eventos futuros com base em padrões históricos. Esse tipo de carga de trabalho pode ser particularmente exigente durante a fase de treinamento, exigindo processadores especializados como GPUs (unidades de processamento gráfico) e TPUs (unidades de processamento tensorial) para acelerar as operações por meio de computação paralela.
Cargas de trabalho de deep learning (DL) são usadas para treinar e implementar redes neurais que imitam o modo como o cérebro humano pensa, aprende e resolve problemas. Como um subconjunto do aprendizado de máquina, os sistemas de DL são definidos por uma profundidade maior, envolvendo múltiplas camadas de neurônios artificiais, ou nós, que utilizam hierarquias de dados cada vez mais complexas para estabelecer conexões e abstrações. Modelos de DL são especialmente úteis para tarefas de reconhecimento de imagem e reconhecimento de fala, mas esse tipo de carga de trabalho pode ser ainda mais exigente do que as de ML, exigindo aceleradores de IA potentes, como os usados em computação de alto desempenho (HPC).
Tarefas de processamento de linguagem natural (PLN) ajudam os seres humanos a interagir com sistemas de IA por meio de prompts conversacionais. Essas cargas de trabalho permitem que os modelos de IA compreendam e interpretem a linguagem natural e, em seguida, gerem respostas fáceis de entender. As tarefas associadas ao PLN incluem análise de sentimento, tradução de idiomas e reconhecimento de fala. Os sistemas de PLN precisam ser capazes de analisar grandes volumes de dados de texto e áudio em busca de contexto, gramática e semântica. CPUs modernas (unidades centrais de processamento) conseguem executar sistemas de IA com PLN, mas modelos linguísticos mais complexos podem sobrecarregar processadores padrão e exigir níveis mais altos de recursos computacionais.
Sistemas de IA generativa são usados para criar novos conteúdos (por exemplo, textos, imagens e vídeos) com base em vastos conjuntos de dados de treinamento e comandos do usuário. Cargas de trabalho de IA generativa interpretam comandos e fazem inferências para gerar saídas coerentes. Grandes modelos de linguagem usam essas cargas para tarefas como prever a melhor próxima palavra em uma frase. Modelos de difusão, usados para geração de imagens e vídeos, utilizam essas cargas para refinar iterativamente ruídos aleatórios até obter visuais coerentes e contextualmente relevantes — quase como um escultor esculpindo um bloco de mármore.
As cargas de trabalho de visão computacional permitem que os computadores usem sensores como câmeras e LiDAR para interpretar dados visuais, identificar objetos e reagir em tempo real. Esse tipo de tarefa é essencial para aplicações como veículos autônomos ou vigilância automatizada. As cargas de trabalho de visão computacional incluem tarefas como classificação de imagens, detecção de objetos e reconhecimento facial.
As cargas de trabalho de IA são úteis para todos os tipos de aplicações de IA. Avanços recentes na tecnologia colocaram a IA em uma nova era de utilidade, com aplicações que abrangem setores como de automação, automotivo, de saúde e manufatura pesada. A cada dia, novas aplicações de IA estão sendo testadas e aplicações anteriores estão sendo aprimoradas, com o potencial de melhorar significativamente uma ampla variedade de serviços e operações.
Experiência do cliente, serviço e suporte
Chatbots e assistentes virtuais impulsionados por IA estão sendo cada vez mais utilizados por empresas que buscam lidar melhor com dúvidas de clientes, tickets de suporte e até vendas. Ferramentas como essas utilizam processamento de linguagem natural e IA generativa para interpretar e responder às perguntas dos clientes, oferecendo respostas rápidas ou encaminhando consultas mais complexas para agentes humanos. Como a IA pode lidar com tarefas de baixo nível, como responder a perguntas frequentes e oferecer suporte contínuo, os agentes humanos podem dedicar mais tempo a tarefas de maior valor, resultando em uma melhor experiência do usuário.
Detecção de fraudes
A IA está se tornando rapidamente uma defesa extremamente poderosa contra as táticas em constante evolução usadas por golpistas e fraudadores. Algoritmos de aprendizado de máquina e deep learning conseguem analisar padrões de transações complexos e sinalizar comportamentos suspeitos por meio da detecção de anomalias. Enquanto especialistas humanos em detecção de fraudes têm uma capacidade limitada, a IA pode revisar exponencialmente mais dados por segundo — uma ferramenta inestimável para setores como o bancário.
Experiências personalizadas
Varejistas, bancos e outras empresas voltadas para o consumidor estão usando IA para criar experiências de compra e entretenimento mais personalizadas, melhorar a satisfação do cliente e evitar a rotatividade. Algoritmos de IA podem utilizar informações dos clientes, como interesses pessoais e histórico de compras, para oferecer recomendações de produtos e serviços adaptadas às preferências do usuário.
Recursos humanos e recrutamento
Recrutar e administrar uma força de trabalho qualificada pode ser um grande desafio em qualquer setor. Plataformas de recrutamento com IA estão ajudando a agilizar o processo seletivo ao analisar currículos, combinar bons candidatos com vagas em aberto e até conduzir entrevistas preliminares por meio de análise de vídeo. Ferramentas como essas capacitam os profissionais de RH a reduzir o tempo gasto em tarefas administrativas menores e focar nos candidatos mais promissores. Ao classificar grandes volumes de possíveis contratados, a IA ajuda a minimizar o tempo de contratação e reduzir os prazos de resposta, melhorando a experiência dos candidatos — independentemente de serem ou não contratados.
Desenvolvimento e modernização de aplicações
Ferramentas de IA generativa, que produzem conteúdos detalhados com base em instruções conversacionais, estão demonstrando valor único para programadores e desenvolvedores. Capazes de gerar código executável, essas ferramentas automatizadas de IA agilizam tarefas repetitivas relacionadas à programação, auxiliam no desenvolvimento de aplicações e aceleram iniciativas de migração e modernização de aplicativos. Embora não substituam programadores talentosos, as ferramentas de programação com IA ajudam a reduzir erros e garantir consistência no código.
Manutenção preditiva
Combinados a ferramentas poderosas como virtualização, modelos de aprendizado de máquina podem analisar dados coletados de sensores, dispositivos habilitados para Internet das coisas (IoT) e tecnologias operacionais (OT) para gerar previsões confiáveis de manutenção de equipamentos, prevenindo falhas. A manutenção preditiva habilitada por IA pode reduzir downtimes dispendiosos e ajudar as empresas a proteger sua rentabilidade.
A gestão de cargas de trabalho de qualquer tipo é um componente essencial em qualquer departamento de TI de grande porte. Configurações incorretas podem afetar diretamente o desempenho geral do sistema, resultando em custos elevados, menor estabilidade e experiências negativas para o usuário. Provedores de soluções de IA como IBM, Microsoft Azure, Nvidia e Amazon Web Services (AWS) estão constantemente buscando maneiras econômicas de otimizar o desempenho, reduzir o consumo de largura de banda em grandes pipelines e melhorar o desempenho ao longo do ciclo de vida de todos os tipos de cargas de trabalho.
Embora existam muitos tipos de cargas de trabalho complexas, as cargas de trabalho de IA podem estar entre as mais exigentes. Elas exigem amplas soluções de armazenamento de dados, seja no local ou em data centers remotos, além de hardware poderoso e especializado.
Alguns dos principais desafios para a implementação de cargas de trabalho de IA incluem:
- Alocação de recursos: alcançar cargas de trabalho de IA eficientes e com baixa latência é um desafio para processadores tradicionais, como as CPUs. Algoritmos complexos de IA e o processamento de grandes volumes de dados exigem hardware otimizado para IA, projetado para processamento paralelo. À medida que os sistemas de IA aumentam em complexidade e densidade de dados, a escalabilidade se torna um fator crítico.
- Privacidade e segurança: as cargas de trabalho de IA dependem de (e produzem) grandes volumes de dados. Esses dados podem conter desde informações pessoais sensíveis até segredos comerciais ou dados confidenciais do governo. Quanto maior a complexidade de um sistema, maiores são as potenciais vulnerabilidades de segurança. Ao lidar com quantidades tão grandes e variadas de dados, a importância de controles de segurança rigorosos não pode ser subestimada.
- Manutenção: com o tempo, os modelos de IA ocasionalmente precisam ser treinados novamente e recalibrados para garantir sua precisão. O retreinamento regular de modelos de IA pode ser um processo trabalhoso e deve ser realizado por profissionais qualificados.
- Questões éticas: operar sistemas de IA com cargas de trabalho de IA levanta uma série de novas considerações éticas. Questões como gerenciamento de viés algorítmico, fornecimento de transparência dos modelos e garantia de responsabilização continuam gerando debate. No caso da IA generativa, frequentemente treinada com propriedade intelectual original, preocupações em torno de direitos autorais e atribuição levantam questões importantes e complexas.
IBM z17: o primeiro mainframe totalmente projetado para a era da IA
Use frameworks e ferramentas de código aberto para aplicar IA e aprendizado de máquina aos dados empresariais mais valiosos em mainframes IBM zSystems.
A IBM oferece soluções de infraestrutura para IA que aceleram o impacto em toda a sua empresa com uma estratégia híbrida por design.
Libere o valor dos dados empresariais com a IBM® Consulting, construindo uma organização orientada por insights que proporciona vantagem comercial.