{"id":780,"date":"2024-10-30T15:07:02","date_gmt":"2024-10-30T18:07:02","guid":{"rendered":"https:\/\/tachyonix.io\/br\/?p=780"},"modified":"2024-10-30T15:07:44","modified_gmt":"2024-10-30T18:07:44","slug":"desbloqueando-o-potencial-da-ia-para-negocios-melhores-praticas-de-engenharia","status":"publish","type":"post","link":"https:\/\/www.tachyonix.io\/br\/desbloqueando-o-potencial-da-ia-para-negocios-melhores-praticas-de-engenharia\/","title":{"rendered":"Desbloqueando o Potencial da IA para Neg\u00f3cios: Melhores Pr\u00e1ticas de Engenharia"},"content":{"rendered":"\n

Introdu\u00e7\u00e3o<\/strong><\/p>\n\n\n\n

A SAP, est\u00e1 na vanguarda da integra\u00e7\u00e3o da IA em aplicativos e plataformas empresariais. Embora a generative AI tenha um potencial imenso para desbloquear valor sem precedentes, traduzir essa tecnologia inovadora em solu\u00e7\u00f5es de neg\u00f3cios pr\u00e1ticas apresenta desafios. Isso exige uma rigorosa ades\u00e3o a requisitos de confiabilidade, transpar\u00eancia e \u00e9tica para alcan\u00e7ar valor real para o neg\u00f3cio.<\/p>\n\n\n\n

O desenvolvimento de aplica\u00e7\u00f5es de generative AI situa-se na interse\u00e7\u00e3o entre a tecnologia de IA e o conhecimento profundo do dom\u00ednio empresarial. Os desafios de engenharia nesse desenvolvimento diferem do software tradicional devido \u00e0s necessidades exclusivas de dados, exig\u00eancia de m\u00e9tricas de avalia\u00e7\u00e3o especializadas, considera\u00e7\u00f5es \u00e9ticas e processos de desenvolvimento iterativo pr\u00f3prios da generative AI. Trata-se de um processo minucioso que evolui por meio de hip\u00f3teses, experimenta\u00e7\u00e3o, valida\u00e7\u00e3o de resultados e itera\u00e7\u00f5es com feedback \u2014 cada etapa \u00e9 uma pedra angular para a entrega de uma IA corporativa. Por outro lado, compreender o dom\u00ednio empresarial \u00e9 fundamental para melhorar a efici\u00eancia, a experi\u00eancia do usu\u00e1rio e o valor global para os usu\u00e1rios de neg\u00f3cios.<\/p>\n\n\n\n

Este artigo foca nas melhores pr\u00e1ticas de engenharia que sustentam o desenvolvimento de casos de uso de IA empresarial na SAP. Para ilustrar a abordagem, destacamos a integra\u00e7\u00e3o da generative AI nos aplicativos empresariais do SAP SuccessFactors, com a funcionalidade de discuss\u00f5es de compensa\u00e7\u00e3o assistidas por IA como um caso espec\u00edfico.<\/p>\n\n\n\n

Melhores pr\u00e1ticas de engenharia para generative AI<\/strong><\/p>\n\n\n\n

Na SAP, as equipes est\u00e3o desenvolvendo uma ampla gama de casos de uso, incluindo question answering, gera\u00e7\u00e3o de texto, classifica\u00e7\u00e3o, sumariza\u00e7\u00e3o, gera\u00e7\u00e3o de c\u00f3digo, e explorando o potencial de paradigmas emergentes, como os workflows agentic. Ao conduzir processos cr\u00edticos para os clientes, as equipes da SAP seguem um conjunto comum de melhores pr\u00e1ticas de engenharia para garantir qualidades de n\u00edvel empresarial, discutidas a seguir.<\/p>\n\n\n\n

    \n
  1. Pilares fundamentais para melhores pr\u00e1ticas<\/strong><\/li>\n<\/ol>\n\n\n
    \n
    \"\"<\/figure>\n<\/div>\n\n\n

    A Figura 1 apresenta os pilares centrais das melhores pr\u00e1ticas, cujas especificidades ser\u00e3o exploradas com profundidade no caso de uso da pr\u00f3xima se\u00e7\u00e3o. Por exemplo, as discuss\u00f5es sobre qualidade de dados incluir\u00e3o a an\u00e1lise contrafactual, enquanto os testes de desempenho ser\u00e3o examinados por meio de benchmarks de prompt e modelo. Al\u00e9m disso, quest\u00f5es de seguran\u00e7a e \u00e9tica ser\u00e3o abordadas por meio de revis\u00f5es de \u00e9tica em IA.<\/p>\n\n\n\n

    Figura 1: Vis\u00e3o geral dos principais pilares abordados pelas melhores pr\u00e1ticas<\/p>\n\n\n\n

    Vamos explorar cada um desses pilares.<\/p>\n\n\n\n

    Qualidade dos dados: No centro de uma IA empresarial relevante, respons\u00e1vel e confi\u00e1vel, est\u00e1 a fidelidade dos dados gerados pelos aplicativos empresariais da SAP. Somente com dados de alta qualidade e ricos semanticamente \u00e9 poss\u00edvel garantir uma sa\u00edda relevante. As pr\u00e1ticas de governan\u00e7a e os padr\u00f5es de dados da SAP asseguram essa qualidade.<\/p>\n\n\n\n

    Avalia\u00e7\u00e3o de vi\u00e9s: \u00c9 essencial identificar e mitigar qualquer vi\u00e9s potencial nos dados ou nas previs\u00f5es dos modelos. Esse cuidado garante que a aplica\u00e7\u00e3o seja tamb\u00e9m \u201crespons\u00e1vel\u201d, um dos tr\u00eas \u201cR\u2019s\u201d destacados pelo CEO Christian Klein em seu blog post.<\/p>\n\n\n\n

    Desempenho e testes: A avalia\u00e7\u00e3o e os testes rigorosos garantem resultados precisos e confi\u00e1veis. As aplica\u00e7\u00f5es devem atender aos crit\u00e9rios de desempenho em seus dom\u00ednios espec\u00edficos, e esses aspectos devem ser inclu\u00eddos no in\u00edcio do desenvolvimento para evitar custos com ajustes posteriores. A sele\u00e7\u00e3o das m\u00e9tricas de desempenho \u00e9 guiada pelos objetivos empresariais e caracter\u00edsticas dos dados.<\/p>\n\n\n\n

    Monitoramento e manuten\u00e7\u00e3o: O monitoramento cont\u00ednuo permite identificar e resolver problemas que possam surgir durante o uso, como degrada\u00e7\u00e3o de desempenho. Com a tecnologia e ferramentas mais recentes, buscamos melhorar continuamente as capacidades com base em feedback e pesquisas com usu\u00e1rios para obter os melhores resultados.<\/p>\n\n\n\n

    Seguran\u00e7a e privacidade: A seguran\u00e7a \u00e9 projetada desde o in\u00edcio. Com os padr\u00f5es rigorosos de seguran\u00e7a e pol\u00edticas de privacidade de dados da SAP, implementamos autentica\u00e7\u00e3o robusta, autoriza\u00e7\u00e3o, modelagem de amea\u00e7as e auditorias regulares para proteger processos e dados empresariais.<\/p>\n\n\n\n

    Explicabilidade: Nosso produto \u00e9 desenvolvido com foco na explicabilidade, promovendo maior confian\u00e7a e engajamento do usu\u00e1rio. Diferente de uma \u201ccaixa preta\u201d que gera resultados sem justificativas, permitimos que usu\u00e1rios autorizados entendam as bases dos resultados, por meio de logs relevantes ou visualiza\u00e7\u00e3o dos dados brutos em chamadas de infer\u00eancia.<\/p>\n\n\n\n

    \u00c9tica: Nosso compromisso de longa data com as diretrizes \u00e9ticas da IA assegura que os casos de uso passem por avalia\u00e7\u00f5es rigorosas de \u00e9tica, incluindo respeito aos direitos humanos, desenvolvimento centrado nas pessoas, esfor\u00e7o por um ambiente empresarial sem vieses, transpar\u00eancia e compromisso com qualidade e seguran\u00e7a. Isso est\u00e1 alinhado com o nosso prop\u00f3sito de ajudar o mundo a funcionar melhor e melhorar a vida das pessoas.<\/p>\n\n\n\n

    2. Seguindo uma arquitetura comum para generative AI<\/strong><\/p>\n\n\n\n

    Para que as equipes internas possam seguir as melhores pr\u00e1ticas de forma eficiente, os casos de uso s\u00e3o desenvolvidos com base em uma arquitetura comum, descrita no primeiro post desta s\u00e9rie. Essa arquitetura fornece \u00e0s equipes ferramentas e componentes tecnol\u00f3gicos na SAP BTP, incluindo o generative AI hub no SAP AI Core, o motor vetorial do SAP HANA Cloud e o SAP Joule. O generative AI hub no SAP AI Core oferece acesso confi\u00e1vel a Large Language Models (LLMs), fundamenta\u00e7\u00e3o empresarial para LLMs e uma plataforma de explora\u00e7\u00e3o para LLMs, como explicado detalhadamente em nosso segundo post da s\u00e9rie.<\/p>\n\n\n\n

    An\u00e1lise aprofundada do caso de uso: compensa\u00e7\u00e3o assistida por IA no SAP SuccessFactors<\/p>\n\n\n\n

    Nesta se\u00e7\u00e3o, vamos examinar em profundidade a funcionalidade de compensa\u00e7\u00e3o assistida por IA no SAP SuccessFactors, para ilustrar como as melhores pr\u00e1ticas orientam o desenvolvimento de casos de uso de IA empresarial na SAP. Esse processo inclui uma avalia\u00e7\u00e3o rigorosa que incorpora uma revis\u00e3o \u00e9tica de IA.<\/p>\n\n\n

    \n
    \"\"<\/figure>\n<\/div>\n\n\n

     <\/p>\n\n\n\n

    Figura 2: Foco em tr\u00eas pilares – qualidade dos dados, avalia\u00e7\u00e3o de vi\u00e9s e desempenho\/testes<\/p>\n\n\n\n

    Neste aprofundamento, daremos prioridade a tr\u00eas categorias fundamentais: qualidade dos dados, avalia\u00e7\u00e3o de vi\u00e9s e desempenho\/testes. Dentro dessas categorias, nosso foco ser\u00e1 especialmente voltado para qualidade e imparcialidade, com os t\u00f3picos principais ilustrados na Figura 2. Nas se\u00e7\u00f5es seguintes, vamos explorar essas perspectivas em detalhe, abordando aspectos como precis\u00e3o da solu\u00e7\u00e3o, robustez, mecanismos de redu\u00e7\u00e3o de custos e mitiga\u00e7\u00e3o de vieses.<\/p>\n\n\n\n

    1. Contexto do caso de uso<\/strong><\/p>\n\n\n\n

    As discuss\u00f5es sobre compensa\u00e7\u00e3o entre gerentes e seus subordinados diretos s\u00e3o delicadas e exigem considera\u00e7\u00e3o cuidadosa. Cada conversa sobre remunera\u00e7\u00e3o \u00e9 \u00fanica, demandando a an\u00e1lise de diversos dados, como perfil do cargo, hist\u00f3rico de compensa\u00e7\u00e3o e faixas salariais da organiza\u00e7\u00e3o para entender o perfil de remunera\u00e7\u00e3o do colaborador. Os gerentes precisam dedicar tempo analisando v\u00e1rias fontes de dados e preparando pontos de discuss\u00e3o espec\u00edficos para cada funcion\u00e1rio. O sistema de compensa\u00e7\u00e3o assistido por IA do SAP SuccessFactors facilita uma abordagem equitativa e eficiente, fornecendo aos gerentes insights personalizados sobre a compensa\u00e7\u00e3o de cada colaborador, permitindo conversas sens\u00edveis com acesso simplificado a dados e pontos de discuss\u00e3o direcionados.<\/p>\n\n\n\n

    Os Large Language Models (LLMs) oferecem um potencial significativo para simplificar e tornar esse processo mais eficiente. Com suas capacidades de extrair automaticamente pontos-chave, sumarizar e identificar temas a partir de dados hist\u00f3ricos extensos, os LLMs geram insights valiosos, capacitando usu\u00e1rios de neg\u00f3cios, como os gerentes, a tomar decis\u00f5es rapidamente.<\/p>\n\n\n\n

    No entanto, conforme mencionado anteriormente, usar LLMs para analisar dados de compensa\u00e7\u00e3o apresenta desafios. Embora sejam treinados com grandes volumes de dados e consigam gerar textos de aspecto humano, os LLMs enfrentam dificuldades para entender o contexto espec\u00edfico e podem produzir conte\u00fado incorreto ou enganoso. A falta de compreens\u00e3o completa do contexto de compensa\u00e7\u00e3o dificulta a captura de faixas salariais espec\u00edficas de uma empresa, pa\u00eds ou setor. Al\u00e9m disso, os LLMs n\u00e3o s\u00e3o habilidosos em c\u00e1lculos matem\u00e1ticos complexos, o que pode resultar em erros na apresenta\u00e7\u00e3o de aumentos e m\u00e9tricas quantitativas. O SAP SuccessFactors tamb\u00e9m utiliza dados tabulares extensos. Diferentemente de texto e c\u00f3digo, que s\u00e3o unidimensionais, dados tabulares s\u00e3o bidimensionais, o que amplia a complexidade para LLMs com dificuldades de compreender essa estrutura. Garantir imparcialidade tamb\u00e9m \u00e9 um desafio significativo, pois vieses podem estar embutidos no treinamento do modelo ou nas entradas dos usu\u00e1rios, levantando quest\u00f5es \u00e9ticas importantes.<\/p>\n\n\n\n

    Seguindo as melhores pr\u00e1ticas, implementamos um m\u00e9todo baseado em LLM para revis\u00e3o de compensa\u00e7\u00e3o de funcion\u00e1rios, combinando pr\u00e9-processamento de dados tabulares e t\u00e9cnicas avan\u00e7adas de prompt. Utilizamos serializa\u00e7\u00e3o de tabelas para reduzir a contagem de tokens e tornar os dados mais compreens\u00edveis para o LLM. Avaliamos amplamente precis\u00e3o, robustez e vieses, assegurando que a solu\u00e7\u00e3o seja relevante e respons\u00e1vel. Veja a Figura 3 para um exemplo de insights de compensa\u00e7\u00e3o assistida por IA.<\/p>\n\n\n\n

    <\/p>\n\n\n

    \n
    \"\"<\/figure>\n<\/div>\n\n\n

     <\/p>\n\n\n\n

    Figura 3: Ilustra\u00e7\u00e3o dos insights de compensa\u00e7\u00e3o assistida por IA<\/p>\n\n\n\n

    2. Aumentando a relev\u00e2ncia com prompting avan\u00e7ado e sele\u00e7\u00e3o de modelo<\/strong><\/p>\n\n\n\n

    A precis\u00e3o das previs\u00f5es de IA \u00e9 essencial para gerar valor para nossos usu\u00e1rios de neg\u00f3cios. Em diversos casos de uso, as equipes aplicam uma variedade de pr\u00e1ticas recomendadas de engenharia de prompt e ajuste fino para incorporar conhecimentos de dom\u00ednio e informa\u00e7\u00f5es espec\u00edficas dos clientes. Esse m\u00e9todo \u00e9 personalizado para garantir que cada caso de uso atenda aos requisitos empresariais e alcance a qualidade de solu\u00e7\u00e3o desejada. Por exemplo, t\u00e9cnicas avan\u00e7adas de prompting, como o Chain of Thought (CoT), facilitam a gera\u00e7\u00e3o de respostas mais controladas, precisas e relevantes por meio de um processo de orienta\u00e7\u00e3o passo a passo. Outra estrat\u00e9gia, como o ReAct, capacita os LLMs a utilizar ferramentas para aprimorar a precis\u00e3o.<\/p>\n\n\n\n

    Vamos ilustrar como as melhores pr\u00e1ticas para t\u00e9cnicas avan\u00e7adas de prompting com contextos de instru\u00e7\u00f5es longas e curtas aumentam a precis\u00e3o na funcionalidade de compensa\u00e7\u00e3o assistida por IA do SAP SuccessFactors.<\/p>\n\n\n\n

    Para criar insights de compensa\u00e7\u00e3o, o contexto com instru\u00e7\u00f5es e dados de refer\u00eancia sobre o colaborador \u00e9 fundamental. A fim de que a an\u00e1lise de compensa\u00e7\u00e3o realize opera\u00e7\u00f5es aritm\u00e9ticas precisas, as instru\u00e7\u00f5es dos prompts devem ser espec\u00edficas e bem alinhadas com os dados contextuais pertinentes.<\/p>\n\n\n\n

    A Figura 4 compara a precis\u00e3o das quantidades obtidas com prompts CoT de contextos longos e curtos e uma combina\u00e7\u00e3o de CoT e ReAct. Para garantir a precis\u00e3o das respostas espec\u00edficas de cada prompt, verificamos manualmente a exatid\u00e3o das quantidades. Os resultados mostram que todas as tr\u00eas t\u00e9cnicas de prompting atingiram pontua\u00e7\u00f5es altas de precis\u00e3o para extra\u00e7\u00e3o de quantidades. O prompt CoT com contexto curto obteve a melhor precis\u00e3o em c\u00e1lculos aritm\u00e9ticos, demonstrando que o uso de t\u00e9cnicas avan\u00e7adas de prompting resulta em alta acur\u00e1cia para extra\u00e7\u00e3o de n\u00fameros e c\u00e1lculos aritm\u00e9ticos.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 4: Aumentando o desempenho ao aplicar conhecimento de dom\u00ednio com t\u00e9cnicas avan\u00e7adas de prompting<\/p>\n\n\n\n

    Ap\u00f3s a otimiza\u00e7\u00e3o da vers\u00e3o do prompt, selecionamos o modelo mais adequado a partir de uma variedade de modelos pr\u00f3prios da SAP e de parceiros. No nosso caso de uso, realizamos uma s\u00e9rie de experimentos para comparar o desempenho dos modelos. Continuando com o prompt CoT de contexto curto, conduzimos testes adicionais para avaliar a capacidade do LLM de categorizar funcion\u00e1rios em \u201csub-remunerados\u201d, \u201csuper-remunerados\u201d e \u201cremunera\u00e7\u00e3o justa\u201d com base em seus hist\u00f3ricos de compensa\u00e7\u00e3o (Figura 5). Entre os cinco LLMs anonimizados mostrados abaixo, o Modelo A apresenta um desempenho significativamente superior aos outros, alcan\u00e7ando maior precis\u00e3o em todas as tr\u00eas categorias.<\/p>\n\n\n\n

    A combina\u00e7\u00e3o das t\u00e9cnicas mencionadas acima d\u00e1 suporte a um processo assistido por LLM que \u00e9 bem especializado e preciso na an\u00e1lise de dados de compensa\u00e7\u00e3o de funcion\u00e1rios. Essa abordagem tamb\u00e9m pode ser adaptada para outros cen\u00e1rios.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 5: Compara\u00e7\u00e3o da capacidade de classificar \u201csub-remunerado\u201d, \u201csuper-remunerado\u201d e \u201cremunera\u00e7\u00e3o justa\u201d a partir dos dados de compensa\u00e7\u00e3o de funcion\u00e1rios<\/p>\n\n\n\n

    3. Testes espec\u00edficos de cen\u00e1rio para resultados confi\u00e1veis e robustos<\/strong><\/p>\n\n\n\n

    Para garantir que os resultados atendam aos padr\u00f5es de precis\u00e3o e relev\u00e2ncia, realizamos testes espec\u00edficos para cada cen\u00e1rio. Esses testes ajudam a avaliar a confiabilidade e robustez da solu\u00e7\u00e3o em diferentes situa\u00e7\u00f5es, ajustando o modelo e os prompts de acordo com as necessidades exclusivas de cada caso de uso.<\/p>\n\n\n\n

    Vamos prosseguir nesse tema na pr\u00f3xima semana! Aguarde!<\/p>\n","protected":false},"excerpt":{"rendered":"

    Introdu\u00e7\u00e3o A SAP, est\u00e1 na vanguarda da integra\u00e7\u00e3o da IA em aplicativos e plataformas empresariais. Embora a generative AI tenha um potencial imenso para desbloquear valor sem precedentes, traduzir essa tecnologia inovadora em solu\u00e7\u00f5es de neg\u00f3cios pr\u00e1ticas apresenta desafios. Isso exige uma rigorosa ades\u00e3o a requisitos de confiabilidade, transpar\u00eancia e \u00e9tica para alcan\u00e7ar valor real […]<\/p>\n","protected":false},"author":1,"featured_media":787,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-780","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sem-categoria"],"_links":{"self":[{"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/posts\/780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/comments?post=780"}],"version-history":[{"count":3,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/posts\/780\/revisions"}],"predecessor-version":[{"id":790,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/posts\/780\/revisions\/790"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/media\/787"}],"wp:attachment":[{"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/media?parent=780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/categories?post=780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.tachyonix.io\/br\/wp-json\/wp\/v2\/tags?post=780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}