Hub de conceitos de computação em nuvem

O prompting de cadeia de pensamento é uma técnica usada para orientar grandes modelos de linguagem (LLMs) para concluir tarefas usando uma sequência lógica de etapas. Embora os modelos de IA tentem imitar humanos, eles exigem instruções detalhadas, conhecidas como prompts, para criar resultados de alta qualidade, precisos e relevantes. A engenharia de prompts é a arte e a ciência de criar prompts de qualidade. O raciocínio de cadeia de pensamento (CoT) é uma técnica de engenharia de prompts que divide tarefas complexas em uma série de etapas mais simples e gerenciáveis para chegar a uma resposta. Ele oferece aos usuários maior controle e visão sobre como o LLM chega às suas respostas. 

Exemplo de cadeia de pensamento

“Resolva os problemas de matemática a seguir passo a passo.

Se você tem 7 bananas, dá 4 bananas para seu amigo e então recebe mais 5 bananas e depois joga fora 3 bananas podres, com quantas bananas você fica?”

Resultado da cadeia de pensamento

Vamos detalhar passo a passo:

1. Você começa com 7 bananas.
2. Você dá 4 bananas para o seu amigo e, consequentemente, passa a ter: 7 - 4 = 3 bananas restantes
3. Você compra mais 5 bananas, então agora você tem: 3 + 5 = 8 bananas

4. Você joga fora 3 bananas. Assim, você tem: 8 - 3 = 5 bananas restantes

Portanto, você tem 5 bananas restantes.

Computação cognitiva é o processo de fazer o software raciocinar e “pensar” como um ser humano. A capacidade de raciocínio avançada natural dos humanos nos permite nos adaptar a novas situações e resolver problemas complexos. Por exemplo, um humano perdido na floresta pode se mover em direção à água para sobreviver ou ao barulho do trânsito para encontrar ajuda. Da mesma forma, a computação cognitiva visa simular processos de pensamento humano em sistemas de software por meio de percepção, atenção e memória.

Os sistemas tradicionais de inteligência artificial (IA) podem resolver os problemas para os quais foram especificamente treinados, como analisar dados, fazer previsões ou gerar texto conforme as instruções do usuário. No entanto, a computação cognitiva visa levar a inteligência artificial adiante, ensinando os sistemas de software a atingir metas predeterminadas por meio de tomadas de decisões independentes em resposta a mudanças ambientais. 

Exemplo de computação cognitiva

Considere uma tarefa de agendamento de consultas para um especialista em sua organização. As novas consultas devem ser feitas somente na parte da tarde, quando o especialista estiver disponível e já houver um relacionamento existente com o cliente. As consultas também devem ser feitas em até 2 semanas após a solicitação. No entanto, existem nuances nessas condições, como 

• Clientes irritados ou chateados recebem consultas antecipadas, inclusive pela manhã.
• As consultas podem ser solicitadas além da janela de duas semanas.
• Alguns clientes mais antigos podem exigir considerações especiais, como um e-mail personalizado quando a reserva for concluída.

Normalmente, a IA pode ser treinada para automatizar a tarefa cumprindo as condições primárias, mas não consegue lidar com as nuances como um profissional humano faria. No entanto, a computação cognitiva é uma tecnologia de IA que pode ajustar as condições conforme necessário para atingir a meta de satisfação do cliente durante a reserva. Por exemplo, ele pode ler o sentimento da mensagem do cliente e priorizar sua reserva ou agendar um horário matinal para atender às necessidades de um cliente antigo.

A compreensão de linguagem natural (NLU) é a capacidade de um sistema de computação ou software de entender a linguagem humana. Ele permite que o software reconheça a intenção e o sentimento do chat e forneça experiências de usuário altamente envolventes por meio de interações conversacionais realistas. Por exemplo, assistentes como a Alexa respondem à voz humana e chatbots com tecnologia de inteligência artificial participam de conversas baseadas em texto. A compreensão de linguagem natural permite que esses sistemas transformem qualquer entrada conversacional gerada por humanos em sintaxe interna de linguagem de computador e ajam de acordo com a entrada. Os usuários podem interagir naturalmente com as máquinas usando a linguagem de sua escolha.

IA multimodal é um sistema de inteligência artificial que processa, interpreta e integra vários tipos de dados, como texto, imagens, áudio e vídeo. Muitos fluxos de trabalho de negócios geram e usam conjuntos de dados complexos com vários tipos de dados relacionados, por exemplo, vídeos com legendas, imagens com currículos ou notas de reuniões em áudio com planos de design relevantes. A IA multimodal pode interpretar um conjunto de informações tão diversificado e rico para análise e automação complexas. As organizações usam análise de vídeo, processamento de documentos, criação de conteúdo e fluxos de trabalho similares para obter insights precisos de fontes de dados multimodais não estruturadas e aprimorar a eficiência do processo.

O banco de dados SQL é uma coleção de dados visualizada como tabelas com linhas e colunas. Os dados são armazenados de maneira semelhante a uma planilha, com colunas indicando atributos de dados e linhas descrevendo a entidade ou o objeto sobre o qual os dados se referem. A maioria dos bancos de dados SQL usa a linguagem de consulta estruturada (SQL) para interação entre usuários e dados — daí o nome. Eles são bancos de dados relacionais porque você pode armazenar relações de dados entre tabelas.

Por exemplo, uma tabela de produtos tem colunas como nome do produto, tipo, custo etc., e uma linha contém valores para os produtos individuais. Uma tabela de clientes tem colunas com nomes de clientes e detalhes de contato. Você pode criar uma terceira tabela que vincula os dados do cliente aos produtos que eles compraram.

A arquitetura de dados é a framework abrangente que descreve e governa a coleta, o gerenciamento e o uso de dados de uma organização. Atualmente, as organizações têm grandes volumes de dados provenientes de várias fontes de dados e equipes diferentes que desejam acessar esses dados para analytics, machine learning, inteligência artificial e outras aplicações. A arquitetura de dados moderna apresenta um sistema coeso que torna os dados acessíveis e utilizáveis, garantindo sua segurança e qualidade. Ela define políticas, modelos de dados, processos e tecnologias que permitem que as organizações movam facilmente os dados entre departamentos e garantam que eles estejam disponíveis sempre que necessário, incluindo acesso em tempo real, ao mesmo tempo em que oferece suporte total à conformidade regulatória.

Um provedor de software independente (ISV) é uma organização que cria e vende produtos de software independentes do hardware e dos sistemas operacionais subjacentes. A solução de software normalmente resolve um problema específico do cliente, como criar e gerenciar dados financeiros ou de vendas. Também pode ser um software de infraestrutura que é compatível com armazenamento, segurança ou autenticação de dados. O provedor garante a compatibilidade do software com várias plataformas de hardware para atingir uma ampla base de clientes.

Os ISVs vendem seu software em diferentes formatos, como licenças perpétuas, contratos a prazo ou software como serviço (SaaS). O software é licenciado para os clientes, mas os direitos de propriedade são retidos pelo ISV.

Um chatbot é um programa ou aplicativo com o qual os usuários podem conversar por voz ou texto. Chatbots foram desenvolvidos pela primeira vez na década de 1960, e a tecnologia que os impulsiona mudou com o tempo. Tradicionalmente, os chatbots usam regras predefinidas para conversar com os usuários e fornecer respostas com script. Os chatbots contemporâneos usam o processamento de linguagem natural (PNL) para entender os usuários e podem responder a perguntas complexas com grande profundidade e precisão. Sua organização pode usar chatbots para escalar, personalizar e melhorar a comunicação em tudo, desde fluxos de trabalho de atendimento ao cliente até gerenciamento de DevOps.

A inteligência artificial empresarial corresponde à adoção de tecnologias avançadas de IA em organizações de grande porte. Transferir sistemas de IA do protótipo para a produção apresenta diversos desafios em termos de escala, desempenho, governança de dados, ética e conformidade regulatória. A IA empresarial inclui políticas, estratégias, infraestrutura e tecnologias para o uso generalizado de IA em uma organização de grande porte. Apesar de requerer investimentos e esforços significativos, a IA empresarial é importante para as organizações de grande porte, pois os sistemas de IA estão se tornando mais populares.

A inteligência artificial (IA) ética é o conjunto de princípios e práticas que promovem o desenvolvimento e a implantação responsáveis de sistemas de IA. Como acontece com qualquer nova tecnologia, os sistemas de IA têm um impacto transformador nos usuários, na sociedade e no meio ambiente. A IA ética significa tomar medidas para aumentar o impacto positivo, bem como priorizar a justiça e a transparência sobre como a IA é desenvolvida e usada. A IA ética garante que as inovações de IA e as decisões baseadas em dados evitem infringir as liberdades civis e os direitos humanos.

Um agente de inteligência artificial (IA) é um programa de software que pode interagir com seu ambiente, coletar dados e usar os dados para realizar tarefas autodeterminadas para atingir metas predeterminadas. Os humanos estabelecem metas, mas um agente de IA escolhe de forma independente as melhores ações que precisa realizar para atingir essas metas. Por exemplo, considere um agente de IA da central de atendimento que deseja resolver as dúvidas dos clientes. O agente fará automaticamente perguntas diferentes ao cliente, pesquisará informações em documentos internos e responderá com uma solução. Com base nas respostas do cliente, ele determina se pode resolver a consulta por si só ou passá-la para um ser humano.

A classificação de texto é o processo de atribuir categorias predeterminadas a documentos de texto abertos usando sistemas de inteligência artificial e machine learning (IA/ML). Muitas organizações têm grandes arquivos de documentos e fluxos de trabalho de negócios que geram continuamente documentos em grande escala, como documentos legais, contratos, documentos de pesquisa, dados gerados por usuários e e-mails. A classificação de texto é a primeira etapa para organizar, estruturar e categorizar esses dados para análises adicionais. Ela permite a etiquetagem e marcação automáticas de documentos. Isso economiza à sua organização milhares de horas que, de outra forma, precisariam ler, entender e classificar documentos manualmente.