Escale os casos de uso de gerenciamento de conhecimento com a IA generativa

A inteligência artificial está revolucionando diversas áreas dos negócios. O potencial da tecnologia é particularmente evidente no atendimento ao cliente, gerenciamento de talentos e modernização de aplicações. De acordo com o Institute of Business Value (IBV) da IBM, a IA pode conter casos de contact centers, melhorando a experiência do cliente em 70%. Além disso, a IA pode impulsionar a produtividade em 40% em RH e em 30% na modernização de aplicações. Um exemplo disso é a redução da carga de trabalho ao automatizar a assistência de tickets por meio de operações de TI. Embora esses números indiquem oportunidades de transformação para as empresas, escalar e operacionalizar a IA tem sido historicamente desafiador para as organizações.

A IA é tão boa quanto os dados que a informam, e a necessidade da base de dados certa nunca foi maior. 

Com os dados armazenados em nuvens e ambientes no local, torna-se difícil acessá-los e, ao mesmo tempo, gerenciar a governança e controlar os custos. Para complicar ainda mais as coisas, os usos dos dados tornaram-se mais variados, e as empresas se deparam com o gerenciamento de dados complexos ou de baixa qualidade.

A Precisely realizou um estudo que descobriu que, dentro das empresas, os cientistas de dados passam 80% do tempo limpando, integrando e preparando dados, lidando com muitos formatos, incluindo documentos, imagens e vídeos. Ênfase geral no estabelecimento de uma plataforma de dados confiável e integrada para IA.

Com acesso aos dados certos, fica mais fácil democratizar a IA para todos os usuários, usando o poder dos modelos de base para viabilizar uma ampla gama de tarefas. No entanto, é importante levar em conta as oportunidades e os riscos dos modelos de base, em particular a confiabilidade dos modelos para implementar a IA em escala.

A confiança é um fator preponderante para que os stakeholders não implementem a IA. Na verdade, o IBV descobriu que 67% dos executivos estão preocupados com as possíveis responsabilidades da IA. As ferramentas de IA responsável existentes carecem de habilidade técnica e estão restritas a ambientes específicos, o que significa que os clientes não podem usar as ferramentas para governar modelos em outras plataformas. Isso é alarmante, considerando que os modelos generativos frequentemente produzem saídas que contêm linguagem tóxica — incluindo ódio, abuso e profanidade (HAP) — ou vazam informações pessoalmente identificáveis (PII). As empresas recebem cada vez mais críticas negativas sobre o uso da IA, o que prejudica sua reputação. A qualidade dos dados impacta fortemente a qualidade e a utilidade do conteúdo produzido por modelos de IA, ressaltando a importância de lidar com os desafios dos dados.

Uma aplicação emergente de IA generativa é o gerenciamento de conhecimento. Com o poder da IA, as empresas podem usar ferramentas de gerenciamento de conhecimento para coletar, criar, acessar e compartilhar dados relevantes para insights organizacionais. Os aplicativos de software de gerenciamento de conhecimento geralmente são implementados em um sistema centralizado, ou base de conhecimento, para dar suporte a domínios e tarefas de negócios, incluindo talentos, atendimento ao cliente e modernização de aplicações.

RH, talento e IA

Os departamentos de RH podem colocar a IA em ação por meio de tarefas como geração de conteúdo, geração aumentada de recuperação (RAG) e classificação. A geração de conteúdo pode ser utilizada para criar rapidamente a descrição de uma função. A geração aumentada de recuperação (RAG) pode ajudar a identificar as habilidades necessárias para uma função com base em documentos internos de RH. A classificação pode ajudar a determinar se o candidato é adequado para a empresa dada sua candidatura. Essas tarefas agilizam o tempo de processamento desde o momento em que uma pessoa se candidata até o recebimento de uma decisão sobre sua candidatura.

Atendimento ao cliente e IA

As divisões de atendimento ao cliente podem aproveitar a IA usando RAG, sumarização e classificação. Por exemplo, as empresas podem incorporar um chatbot para atendimento ao cliente em seu site, que usaria a IA generativa para ser mais conversacional e específico do contexto. A geração aumentada de recuperação pode ser usada para pesquisar documentos internos de conhecimento organizacional para responder à consulta do cliente e gerar uma saída personalizada. A sumarização pode ajudar os funcionários, ao fornecer a eles um resumo do problema do cliente e das interações anteriores com a empresa. A classificação de texto pode ser utilizada para classificar o sentimento do cliente. Essas tarefas podem reduzir o trabalho manual e, ao mesmo tempo, melhorar o suporte ao cliente e, com sorte, a satisfação e a retenção de clientes.

Modernização de aplicativos e IA

A modernização de aplicativos também pode ser alcançada com a ajuda de tarefas de sumarização e geração de conteúdo. Com um resumo do conhecimento e dos objetivos de negócios da empresa, os desenvolvedores podem gastar menos tempo aprendendo essas informações necessárias e mais tempo em programação. Os funcionários de TI também podem criar uma solicitação resumida de ticket para lidar e priorizar rapidamente os problemas encontrados em um ticket de suporte. Outra forma pela qual os desenvolvedores podem usar a IA generativa é comunicando-se com grandes modelos de linguagem (LLMs) em linguagem humana e solicitando que o modelo gere código. Isso pode ajudar o desenvolvedor a traduzir linguagens de código, resolver bugs e reduzir o tempo gasto na programação, permitindo uma ideação mais criativa.

As organizações precisam de um data lakehouse para enfrentar os desafios de dados que vêm com a implementação de um sistema de gerenciamento de conhecimento impulsionado por IA. Ele oferece a combinação de flexibilidade de um data lake e desempenho de um data warehouse para ajudar a escalar a IA. Um data lakehouse é um armazenamento de dados adequado para o propósito.

Para preparar os dados para a IA, os engenheiros de dados precisam ter a capacidade de acessar qualquer tipo de dados em vastas quantidades de fontes e ambientes de nuvem híbrida a partir de um único ponto de entrada. Um data lakehouse, com múltiplos mecanismos de consulta e armazenamento, pode possibilitar que os membros da equipe compartilhem dados em formatos abertos. Além disso, os engenheiros podem limpar, transformar e padronizar dados para modelagem de IA/ML sem duplicar ou criar pipelines adicionais. Além disso, as empresas devem considerar soluções de lakehouse que incorporem a IA generativa para ajudar engenheiros de dados e usuários não técnicos a descobrir, ampliar e enriquecer dados com facilidade com linguagem natural. Os data lakehouses melhoram a eficiência da implementação da IA e da geração de pipelines de dados.

Os sistemas de gerenciamento de conhecimento impulsionados por IA armazenam dados confidenciais, incluindo automações de e-mails de RH, traduções de vídeos de marketing e análise de dados de transcrição de centrais de atendimento. Quando se trata dessas informações confidenciais, ter acesso a dados seguros se torna cada vez mais importante. Os clientes precisam de um data lakehouse que ofereça governança centralizada integrada e imposição automatizada de políticas locais, apoiada por catalogação de dados, controles de acesso, segurança e transparência na linhagem de dados.

Por meio dessas fundações de dados definidas por uma solução de data lakehouse, os cientistas de dados podem usar dados governados para criar, treinar, ajustar e implementar modelos de IA, garantindo confiança e segurança.

Conforme mencionado anteriormente, os chatbots são uma forma popular de sistema de gerenciamento de conhecimento impulsionado por IA generativa usado para a experiência do cliente. Essa aplicação pode gerar valor para uma empresa, mas também representa riscos.

Por exemplo, um chatbot para uma empresa de saúde pode reduzir a carga de trabalho dos enfermeiros e melhorar o atendimento ao cliente, ao responder a perguntas sobre tratamentos usando detalhes conhecidos de interações anteriores. Entretanto, se a qualidade dos dados for ruim ou se um viés foi inserido no modelo durante o ajuste fino ou ajuste de prompts, é provável que o modelo não seja confiável. Como resultado, o chatbot pode oferecer uma resposta a um paciente que inclui linguagem inadequada ou vaza as PII de outro paciente.

Para evitar que essa situação aconteça, as organizações precisam de detecção proativa e mitigação de vieses e desvios ao implementar modelos de IA. Ter um recurso automático de filtragem de conteúdo para detectar o vazamento de HAP e PII reduziria a carga dos validadores de modelos de validar manualmente os modelos para garantir que eles evitem conteúdo tóxico.

Conforme mencionado, uma estratégia de gerenciamento de conhecimento se refere à coleta, criação e compartilhamento de conhecimento dentro de uma organização. Muitas vezes, é implementada em um sistema de compartilhamento de conhecimento que pode ser compartilhado com os stakeholders para aprender e aproveitar o conhecimento coletivo existente e os insights. Por exemplo, uma tarefa de IA do RAG pode ajudar a identificar as habilidades necessárias para uma função com base em documentos internos de RH ou apoiar um chatbot de atendimento ao cliente para pesquisar documentos internos para responder a uma consulta do cliente e gerar uma saída sob medida.

Ao procurar implementar modelos de IA generativa, as empresas devem unir forças com um parceiro confiável que tenha criado ou adquirido modelos de qualidade a partir de dados de qualidade, um parceiro que permita a personalização com dados e objetivos empresariais. 

Para ajudar nossos clientes a solucionar o gerenciamento de conhecimento, oferecemos o IBM watsonx.ai. Como parte do portfólio IBM watsonx de produtos de IA que reúne novos recursos de IA generativa, o watsonx.ai é impulsionado por modelos de base e aprendizado de máquina tradicional em um poderoso estúdio que abrange o ciclo de vida da IA. Com o watsonx.ai, você pode treinar, validar, ajustar e implementar a IA generativa, modelos de base e recursos de aprendizado de máquina com facilidade e criar aplicações de IA em uma fração do tempo com uma fração dos dados.