Os sistemas que utilizam Inteligência Artificial (AI) generativa, como o ChatGPT, alcançaram uma adoção exponencial em diversos setores do mercado. Na essência, eles são treinados para ajudar os computadores a deduzir, compreender e comunicar informações de forma muito semelhante à maneira como o cérebro humano adquire, armazena, aplica e compartilha conhecimento.
Ferramentas de IA generativa são alimentadas por enormes quantidades de dados que as ajudam a entender os resultados desejados e a criar um conteúdo incrível e intuitivo, projetado para atender às especificações solicitadas pelo usuário.
As soluções de Business Intelligence (BI), por sua vez, ajudam as organizações a entender melhor seu negócio por meio de análise de dados. Quando trabalhando da melhor forma possível, o BI transforma a capacidade da organização de processar e obter significado de todas as fontes de informações comerciais e promove uma melhor tomada de decisões.
Contudo, a IA por si só não pode ser considerada uma solução analítica completa. Ela depende da qualidade dos dados que são inseridos nela. Por isso, para realmente gerar impacto, o BI deve se basear em uma estrutura de informações que reúne dados brutos e suas definições, lógica de negócios, privilégios de segurança e regras de governança.
Esse modelo permite que os usuários encontrem, explorem e interajam com fatos e insights confiáveis sobre seus negócios.
Então, de que forma a IA generativa pode turbinar o BI?
1) Storytelling aprimorado: com IA, as soluções de BI podem explicar o contexto por trás de um painel ou de seus dados subjacentes sem que eles sejam predefinidos ou codificados. Os usuários podem simplesmente fazer uma pergunta e obter uma resposta precisa e uma explicação contextual por meio de uma experiência perfeita, semelhante a um bate-papo.
2) Criação eficiente de conteúdo: as principais ferramentas de BI oferecem flexibilidade em relação ao que os usuários podem extrair informações e preparar relatórios. Porém, por meio da IA, com simples prompts, eles podem criar dashboards sofisticados em segundos, ganhando, assim, mais tempo para fazer análises e interagir com os insights baseados em IA.
3) Dados mais confiáveis: a IA generativa tem melhor desempenho e é mais precisa quando associada ao BI. Quando criada com base no mesmo modelo de dados confiável por trás da análise de dados de uma organização, ela fornece insights precisos, seguros e governados em tempo real com contexto de conversação, algo que a tecnologia de linguagem natural autônoma não consegue.
4) Análise avançada automática: Há muito tempo, o BI permite que os cientistas de dados realizem análises estatísticas profundas e visualizem os resultados, mas isso pode ser complicado e exigir uma grande estrutura de TI. A IA pode aprimorar as integrações de dados e ferramentas de negócio, permitindo análises mais aprofundadas e em pouco tempo.
Eficiência da IA depende da qualidade dos dados
É nítido ver os avanços na tecnologia de linguagem natural, porém, como acontece com qualquer tecnologia emergente, a IA generativa ainda tem desvantagens que é importante entender. Um fato é que ela é probabilística, o que significa que cada resposta é baseada em probabilidade em vez de certeza.
Além disso, a IA por si só não pode ser considerada uma solução analítica completa. Ela depende da qualidade dos dados que são inseridos nela. As inconsistências e interpretações erradas dos dados diminuem a qualidade dos resultados, resultando em modelos de IA menos eficazes ou, pior ainda, em resultados imprecisos que causam mais danos do que benefícios. As mesmas perguntas muitas vezes podem produzir resultados diferentes, fazendo com que os usuários desconfiem das informações disponíveis.
Mesmo a IA mais sofisticada só consegue consultar e compreender os dados com os quais interage. Dados inconsistentes ou de baixa qualidade retornarão resultados falhos. Isto é particularmente evidente em organizações onde a análise de dados acontece por meio de planilhas ou BI de solução pontual.
A ausência de uma versão única da verdade leva a definições não padronizadas e interpretações conflitantes. Tais discrepâncias levam a divergências sobre os resultados que minam a confiança nos dados e nas decisões deles derivadas.
Portanto, para um melhor resultado da integração do BI com IA é necessário que se tenha uma estrutura de dados centralizada e reutilizável, evitando, assim, análises sobre silos de dados.
Aqui estamos falando de um gráfico semântico, que atua como uma camada interpretativa, traduzindo os dados de origem em conceitos e relacionamentos de negócios significativos e unificados. Sua função é padronizar a lógica e as definições de negócios de uma organização, formando relacionamentos de dados que fornecem uma versão única da verdade para toda a empresa. Isso não só ajuda a reforçar a integridade dos dados, mas também serve como um componente vital para a integração da IA, orientando a IA na sua compreensão e interpretação dos dados.
Em suma, o poder combinado da IA generativa com uma base analítica segura é a melhor forma para as organizações tirarem todo o proveito de suas informações de negócio. Mas, fica aqui o alerta: é fundamental cuidar da qualidade de dados que serão utilizadas como base para a IA generativa não cometer erros.
Luis Lombardi, vice-presidente e country manager da MicroStrategy na América Latina.
