O futuro das startups de IA: principais tendências e desafios | Colunas

Com um vasto campo de investimento, em que a IA evolui e está cada vez mais integrada em diferentes vertentes do quotidiano e do mundo empresarial, esta tecnologia tem mesmo sido decisiva no desenvolvimento de startups.

Desafios enfrentados pelas startups brasileiras de IA

Segundo dados do Google, o interesse pela inteligência artificial tem sido maior no Brasil do que a média global, tanto que 46% dos brasileiros utilizaram essa tecnologia em 2023. Apesar desse interesse, o país ainda enfrenta muitas barreiras no uso da IA. A falta de acesso à educação tecnológica é, sem dúvida, um dos principais gargalos enfrentados pelos brasileiros. Como consequência disso, a escassez de profissionais qualificados tornou-se um tema recorrente entre as empresas nacionais.

O controlo de dados e a privacidade, apesar de serem um tema sensível a nível mundial, são também motivo de preocupação a nível nacional. Para se ter uma ideia, segundo pesquisa realizada pela NordVPN, uma das maiores empresas globais de proteção virtual, mais de 2 bilhões de informações confidenciais de brasileiros foram expostas na dark web ao longo do último ano.

Por fim, entre os principais desafios enfrentados pelas startups brasileiras de IA, é importante destacar a falta de novos parâmetros que avaliem o avanço da inovação e do capital para investimento em tecnologias disruptivas.

O potencial da IA ​​generativa

Subcampo da inteligência artificial focada na criação de modelos capazes de gerar novos dados que se assemelhem aos dados de treinamento, a IA generativa tem se mostrado uma grande tendência, capaz de transformar diversos setores de negócios. Esses modelos são projetados para aprender padrões complexos em dados de entrada e então gerar novos exemplos semelhantes em termos de distribuição estatística.

Essa tecnologia, por sua vez, pode ser aplicada a diversas abordagens e técnicas, como modelos de linguagem generativa – como GPT e seus derivados – que são modelos baseados em transformadores pré-treinados para produzir texto coerente e semântico, que podem ser usados ​​para conteúdo redação, chatbots e tradução automática; modelos variacionais de autoencoder (VAEs), que tentam aprender uma representação probabilística dos dados de entrada e gerar novas amostras a partir dessa distribuição, que podem ser aplicadas à geração de imagens, recomendação de produtos e análise de anomalias; redes adversárias generativas (GANs), usadas para gerar imagens, textos, músicas e até filmes realistas; entre outras aplicações.

O facto é que a utilização da IA ​​generativa é variada e inclui criação artística, geração criativa de textos, síntese natural de fala, design de produtos, entre outros.

O desafio de aplicar IA a novos produtos e serviços

A adoção dessa tecnologia, porém, ainda é um desafio para grande parte das startups brasileiras, principalmente quando levamos em conta a falta de clareza sobre como mensurar os resultados do uso da IA ​​generativa.

A IA generativa, apesar do seu enorme potencial, enfrenta vários desafios significativos que precisam de ser enfrentados para garantir a sua utilização ética e segura pelos empreendedores no desenvolvimento dos seus produtos e serviços. Dentre esses desafios, vale destacar a possibilidade de vieses nos dados de treinamento, uma vez que os modelos generativos de IA são treinados em grandes volumes de dados, e se esses dados contiverem vieses, os modelos tendem a reproduzi-los. Entre os efeitos, é possível gerar conteúdos com estereótipos, discriminação e preconceito. Por exemplo, um modelo de linguagem treinado em textos com preconceitos raciais ou de género pode gerar respostas que refletem esses mesmos preconceitos.

O desafio é que os empreendedores que utilizam essa tecnologia precisam aplicar técnicas avançadas de curadoria de dados, além de métodos de treinamento que busquem neutralizar tais distorções. Além disso, a geração de conteúdos nocivos também é um gargalo. A capacidade dos modelos generativos de criar conteúdos novos e realistas pode ser mal utilizada para gerar desinformação, falsificações profundas, spam e outros tipos de conteúdo malicioso.

Além desses casos, a falta de controle e transparência sobre o funcionamento dos modelos pode gerar incerteza por parte dos desenvolvedores sobre o conteúdo criado e como os modelos estão utilizando as informações acessíveis. Modelos generativos, especialmente aqueles baseados em técnicas avançadas como GANs e transformadores, podem ser vistos como “caixas pretas”. A complexidade desses modelos dificulta a compreensão de como funcionam, como tomam decisões ou geram determinados tipos de conteúdo. A falta de transparência e explicabilidade pode dificultar a identificação e resolução de problemas, dimensionar a tecnologia e reduzir a confiança entre os seus utilizadores.

Um ponto que também é frequentemente questionado na indústria e que se torna um problema principalmente para startups que atuam como negócios de impacto está relacionado aos recursos computacionais e à sustentabilidade de suas aplicações. Treinar modelos generativos grandes e complexos pode exigir uma quantidade significativa de recursos computacionais, o que pode ser ambientalmente insustentável e economicamente proibitivo para muitas organizações, além de ir contra a cultura e o propósito das startups de impacto socioambiental. A procura de modelos mais eficientes e métodos de formação sustentáveis ​​é uma área de investigação e discussão recorrente.

Por fim, não podemos deixar de destacar que a segurança e a privacidade tornam-se pontos-chave na utilização desta tecnologia e que, se mal aplicadas, podem colocar em risco não só os utilizadores, mas também a saúde do negócio e a sua credibilidade. . O uso de dados reais para treinar modelos está constantemente na agenda quando se trata de privacidade, especialmente se dados confidenciais forem usados ​​sem o devido consentimento. Portanto, a expectativa é que esse mercado seja cada vez mais explorado, tornando essa tecnologia parte do nosso dia a dia e transformando diversos segmentos de mercado nos próximos anos.

*Felipe Araújo é Gerente de PGI – Gestão da Informação – no Hub InovAtiva e Analista de Empreendedorismo e Inovação na Fundação CERTI. Engenheiro Eletricista com MBA em Tecnologia Empresarial, com ênfase em IA, Data Science e Big Data, é especialista em Inteligência Artificial e Machine Learning e possui mais de 10 anos de experiência na área de empreendedorismo inovador e gestão de produtos digitais .