Transcrição do episódio A transcrição é gerada automaticamente por Podscribe, Sonix, Otter e outros serviços de transcrição eletrônica.
Olá, pessoal! Aqui é o Ricardo Vargas e esse é mais um Five Minutes Podcast. Recentemente eu li um artigo que a Meta, o Laboratório de pesquisa fundamental da Meta lançou um novo modelo que é chamado de Self Thought Evaluation, que é um modelo de linguagem, mas ele é diferente porque a maior parte dos modelos de linguagem eles são baseados em dados produzidos por humanos produzidos por nós. Esse ele usa dados sintético, ou seja, ele faz redes artificiais que competem entre si no sentido de tentar gerar a informação, é mais precisa possível em cima de um dado que não existe. Isso me fez pensar profundamente em um dos principais pilares que a gente tem na área de projetos, que são as lições aprendidas, os nossos conhecimentos prévios. E isso vale não só para a lição aprendida, mas isso vale para risco. Isso vale para você estimar tempos. Isso é prazo. Isso vale para você estimar orçamento. Isso vale para você? Para selecionar Fornecedor. Imagina você fazer uma avaliação de fornecedores que não existe para gerar lições aprendidas. E eu acho que isso é, sem dúvida nenhuma, uma nova fronteira. Eu sempre digo o seguinte onde existe um pain, ou seja, uma dor, uma dificuldade, existe uma oportunidade muito grande para as pessoas usarem uma inovação bem disruptiva para poder resolver esse problema. E esse me chamou muitíssimo a atenção, porque existe uma possibilidade de um futuro próximo, próximo quando eu falo um ano, talvez um ano e meio. Assim, a gente está começando a gerar lições aprendidas em cima de projetos que nunca existiram. E isso eu sei que na hora que eu falo isso, isso parece completamente maluco e sem sentido, porque uma das coisas que a gente mais usa num processo de analogia qualquer é o quê? É o uso da lição aprendida, real.
Ou seja, o que aconteceu no seu projeto. Mas o que acontece com esses modelos, esses modelos? Eles vão eventualmente gerar informações e gerar projetos que não existiram. E esses projetos vão competir entre si e onde um faz uma melhoria e você vai ter o outro avaliando, avaliando isso. Isso é o que a gente chama de competitive networks. Isso me chama muito a atenção, porque eu acho que isso pode ser uma mudança muito brusca, numa vantagem competitiva que muitas organizações têm, por elas terem o domínio do dado. Então, ou seja, eu, muitas vezes o meu grande ativo organizacional são os dados, as experiências passadas que eu tive um projeto. A partir do momento que essas experiências passadas passam a ser sintéticas. Que tipo de vantagem competitiva as pessoas têm? Eu. E eu vou até. Assim sendo super sincero com vocês, eu fico até pensando no meu caso, por exemplo, um dos grandes diferenciais do meu trabalho é lógico, a experiência que eu tive, os projetos que eu fiz, as coisas que deram certo, as coisas que deram errado. Agora imaginem quando isso tudo puder ser sintético. Ou seja, é realmente um divisor de águas em muitas das coisas que a gente vai fazer. Ou seja. E muita das vantagens competitivas que até então existiam, elas vão praticamente ficar niveladas. E o que hoje, por exemplo, esses grandes bancos de linguagem estão fazendo, por exemplo, com várias profissões, Seja a dificuldade que você tinha para traduzir alguma coisa ou para estruturar alguma determinada informação numa determinada linguagem, essa dificuldade praticamente não existe mais.
Hoje, praticamente todo mundo virou poliglota do ponto de vista profissional. Então esse é um exemplo. Como virou designer, como virou escritor? Como virou músico? Então, eu acho que a gente precisa estar muito atento quanto a isso. Eu juro, quando eu falo sempre, eu não sei até que ponto isso é bom, até que ponto que isso é ruim, mas eu acho que é um ponto muito importante. Essa questão dos dados sintéticos, para mim está sendo uma das coisas que mais me chama a atenção e mais me preocupa nessa questão das redes neurais. Isso de um modo em geral, porque pode ser que daqui a pouco, hoje, por exemplo, um GPT está baseado na informação produzida por humanos. Mas pode ser que daqui alguns anos 90% da informação no qual a Large Language Model é treinada vai ser uma informação que não existe. Vão ser livros criados por ai e imagens criadas por ai. Ou seja, você treina um mecanismo de AI como a imagem criada por AI. Então são coisas que nós vamos ter que acostumar e nós vamos ter que perceber. Quem quiser e pode ver o artigo original dessa pesquisa publicada pela Cornell University que fala um pouquinho desses detalhes. Mas assim, são modelos muitíssimo poderosos. E não acredite que o dado sintético é um dado ruim, não? Vocês vão ver que é assustador a precisão e a qualidade dos dados, que os mecanismos como esse tem trazido. Bem pessoal, espero que vocês tenham gostado desse podcast. Até semana que vem com mais um 5 Minutes Podcast.
