Cofundadora e CPO da Traive, Aline Oliveira Pezente subiu ao palco do Web Summit Rio 2024 com o desafio de explicar por que nem toda Inteligência Artificial é igual. Para materializar a conversa, ela usou como exemplo a aplicação da tecnologia em cenários de análise financeira de crédito agrícola.
Aqui vale lembrar que a audiência do Web Summit é ampla e diversa — tem gente com conhecimento super técnico em tecnologia, mas tem também quem está dando os primeiros passos quando o assunto é IA.
O conteúdo apresentado por Aline foi científico com nuances técnicas para um especialista, mas acessível o suficiente para o público geral. Isso significa que os insights deste post serão úteis independentemente do seu nível de afinidade com o tema.
Vamos às lições:
1. IA é a chave para lidar com as variáveis de risco agrícolas, que são muitas e complexas!
É comum que o analista de crédito, ao avaliar um cliente, enfrente o desafio de tomar decisões financeiras significativas com base em dados frequentemente incompletos, dispersos e inconsistentes.
Quando estamos falando da atividade agrícola, os riscos são ainda mais difíceis de prever. Muitas variáveis independentes interferem na capacidade de pagamento do tomador: condições climáticas, variação cambial, qualidade de insumos, cultura plantada, dentre muitos outros.
E é nesse aspecto que a capacidade computacional de uma máquina treinada é muito eficiente. Ela tem a habilidade de extrair e revisar uma quantidade inimaginável de dados. Isso, é claro, em um tempo humanamente impossível.
Até hoje, o homem não havia construído uma solução capaz de lidar com esse nível de complexidade.
2. Para ser verdadeiramente revolucionária, a IA precisa ser treinada
A não que a análise pretendida seja muito genérica e superficial, é impossível examinar satisfatoriamente o risco de crédito de milhares de produtores rurais com um simples LLM (Large Language Model) — aquele usado pelo Chat CPT, sabe?
É necessário customizar um modelo de IA, o que requer tempo e know-how. Na palestra do vídeo a seguir, Aline Pezente explica o porquê.
Os LLMs tradicionais dependem muito de seus dados de treinamento. Esses dados são vastos, mas frequentemente genéricos e carecem de insights específicos para cada indústria. Com isso, as respostas podem não capturar nuances de setores complexos como o de financiamento agrícola.
Por outro lado, os LLMs aprimorados pelos Knowledge Graphs, representam uma evolução significativa nas análises, porque incorporam relações probabilísticas e dados estruturados.
A integração dos dois modelos fornece melhor entendimento de contexto e gera insights que não apenas são relevantes, mas também estão profundamente enraizados nas realidades específicas do segmento analisado.
Para consolidar o seu entendimento sobre as diferenças entre as IAs e como elas podem ser aplicadas à análise financeira agrícola, assista à apresentação da Aline — são apenas 10 minutos.
Artigos relacionados:
O que é Inteligência Artificial?
Como a Inteligência Artificial aprimora a análise de crédito agrícola?
