Apresentado pela Capital One
As empresas não estão lutando para experimentar a IA; eles estão lutando para fazê-lo funcionar no mundo actual. Passar de protótipos promissores para sistemas confiáveis em escala de produção é onde a maioria dos esforços estagna.
Em minha função na organização AI Foundations da Capital One, vi em primeira mão que a implementação bem-sucedida de IA não envolve apenas a adoção dos modelos ou ferramentas mais recentes. Requer uma abordagem disciplinada de P&D que conecte a pesquisa elementary aos sistemas do mundo actual e responsabilize as ideias à medida que elas passam do conceito à produção.
Isso é mais difícil do que parece. As capacidades de IA estão a evoluir rapidamente, mas os ambientes empresariais podem ser complexos, fragmentados e orientados para o risco. A questão não é apenas o que é possível, mas o que realmente funciona — para um fluxo de trabalho, usuário ou decisão específico — com a tecnologia e as restrições atuais.
O que se segue reflete como as organizações podem transformar a ambição da IA em realidade de produção através de uma abordagem mais deliberada à investigação, avaliação e implementação.
Unindo pesquisa elementary e aplicada
Fornecer IA impactante exige fechar a lacuna entre a pesquisa de ponta e os casos de uso práticos do mundo actual. Quando a pesquisa existe em um vácuo acadêmico, independente da realidade operacional, os modelos que podem funcionar bem em um ambiente off-line geralmente ficam aquém dos requisitos de latência do mundo actual e da complexidade dos dados de produção ao vivo. Sem um ciclo de suggestions rígido, é fácil perder de vista o que realmente transfer a agulha para o usuário closing.
Nossas equipes de IA são projetadas intencionalmente para abranger todo o espectro, desde a pesquisa básica até a solução de problemas altamente aplicados, abordando esses pontos de atrito antes que eles paralisem um projeto. Este modelo integrado reúne pesquisa e aplicação sob o mesmo guarda-chuva, criando espaço para explorar a tecnologia subjacente e, ao mesmo tempo, mantendo-se fundamentado nas necessidades reais do negócio e dos associados. Quando a pesquisa elementary e o desenvolvimento aplicado estão conectados por design, você pode acelerar o aprendizado, evitar becos sem saída e levar em conta as restrições do mundo actual desde o início.
Na Capital One, esta abordagem ajudou-nos a enfrentar desafios que são fundamentais para os serviços financeiros, incluindo a melhoria da deteção de fraudes, a melhoria das experiências digitais dos utilizadores e a melhoria das tecnologias que priorizam o cliente, aproveitando soluções proprietárias de IA.
Por exemplo, nossa pesquisa sobre a combinação de arquiteturas multiagentes vai além do simples raciocínio do LLM; visa permitir que agentes especializados de IA coordenem tarefas distintas, como pesquisar o contexto do cliente e preparar documentação simultaneamente. Esta pesquisa apoiou o lançamento do Concierge de bate-papouma solução de compra de automóveis que imita o raciocínio humano não apenas para fornecer informações, mas também para agir em nome dos clientes com base em suas solicitações. Também estamos inovando no fornecimento de soluções de última geração em atendimento a agentes, personalização de IA e muito mais. Ao manter a pesquisa vinculada ao caso de uso, podemos acelerar avanços de última geração que realmente escalam no mundo actual.
Movendo a IA do conceito à produção
Nem toda ideia de IA deve ir direto para produção. A avaliação rigorosa, desde a prova de conceito até o piloto e a produção, é essencial para determinar o que realmente vale a pena escalar, mas somente se esses estágios forem tratados como obstáculos honestos. Algumas considerações incluem:
UM prova de conceito deve ser funcional e não apenas teórico. Não deveria ser uma apresentação de slides do tipo “aqui está o que poderíamos fazer”. Deve ser uma máquina realmente fazendo algo mensurável. Mesmo nesta fase, é necessário um sinal objetivo de que vale a pena continuar o trabalho.
Um negativo piloto o resultado não é um fracasso. Se os pilotos sempre “têm sucesso” por definição, então eles não funcionam como pontos de decisão – são apenas um compromisso em câmera lenta com a produção. Um piloto deve expandir o escopo e o realismo, fornecendo dados valiosos sobre se uma solução realmente ajuda um ser humano a realizar um trabalho actual.
Produção é um esporte coletivo. Resolver o modelo central ou problema algorítmico é apenas parte do trabalho. A mudança para a produção requer uma realidade multifuncional que envolve engenharia de software program, ciência, produto e design, gerenciamento de programas técnicos, operações e outras disciplinas em uma empresa. O avanço técnico é necessário, mas não é o fim do trabalho.
Ao longo desta jornada, a medição é um insumo importante. Na Capital One, o ROI closing é um cliente satisfeito, por isso nos concentramos em uma série de indicadores-chave de desempenho de IA, como precisão, latência e muito mais, para garantir que estamos atendendo ao momento certo para nossos clientes. Se você não consegue dizer se está melhorando, então não irá. Priorizar a precisão sobre a óptica é o que permite melhoria e progresso contínuos.
Permitir a aprendizagem contínua e a inovação responsável
A inovação sustentável da IA depende tanto da cultura como da tecnologia. Como a pesquisa envolve a exploração do desconhecido, a incerteza é regular. Uma cultura saudável reconhece essa realidade e cria espaço para uma tomada de riscos informada, aliada à responsabilização.
As organizações devem incentivar a correção de curso. Se reconhecer que “isso não está funcionando” for tratado como um desastre, as equipes aprenderão a esconder os problemas em vez de resolvê-los. Mas se as equipes forem incentivadas a avaliar honestamente, a girar quando necessário e a aprender com os falsos começos, a organização poderá avançar com mais rapidez e segurança ao mesmo tempo. Isso significa tratar os pilotos como verdadeiros pontos de decisão – parar, remodelar ou restringir os esforços com base no que os dados mostram, em vez de os impulsionar por defeito. Na Capital One, permitimos que as equipes experimentem coisas ambiciosas, aprendam rapidamente e construam um ecossistema que funcione para garantir que a IA seja útil, confiável e segura.
Considerações finais
Construir uma IA impactante não significa perseguir cada novo avanço. Trata-se de orientar cuidadosamente as ideias da pesquisa para a realidade por meio de avaliação, colaboração e uma cultura que abraça a aprendizagem.
À medida que a IA continua a evoluir, os líderes devem investir não apenas em ferramentas, mas também em processos de I&D e bases culturais que permitam que a inovação seja dimensionada de forma responsável. Ao unir pesquisa e aplicação, priorizar avaliação e medição contínuas e promover ambientes onde as equipes possam aprender e se adaptar, você dá à IA a melhor likelihood de gerar impacto duradouro, em escala empresarial, no mundo actual.
Liz Boschee é vice-presidente de fundações de IA da Capital One.
Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para mais informações, entre em contato vendas@venturebeat.com.
