Na linha da pesquisa, é importante entender que a evolução da inteligência artificial tem demandado, cada vez mais, enormes conjuntos de dados para treinar e testar modelos mais complexos, o que consome grandes quantidades de tempo e dinheiro, diminuindo a velocidade de treino teste e refino de modelos. Além disso, as ferramentas de treinamento atuais são manuais e dependem do ser humano para colocar rótulos, grandes volumes de esforço e tempo, além do risco de introduzir viés nos modelos.

Esse movimento de acumular dados para depois aplicar a IA para gerar insights aumenta a complexidade de explicar os modelos. Isso traz um dos maiores desafios atuais que é entender qual é o volume adequado das amostras de dados para que os algoritmos consigam ser mais eficientes e ao mesmo tempo confiáveis. “Assim, os pesquisadores passaram a pensar em dois caminhos para otimizar a inteligência artificial partindo da construção dos seus modelos: o aprendizado não supervisionado e o small data, com menor intervenção humana e que deem às empresas insights mais confiáveis”, afirmou Fabricio Lira, Executivo de Data & AI da IBM Brasil.

Para tirar maior proveito dos dados e se destacar nesse cenário as empresas no futuro começarão a pensar no uso de uma quantidade menor, porém mais assertiva, de informação para obter o mesmo desempenho alcançado com datasets maiores. Ter esse novo modelo de utilizar menos dados para treinar a inteligência artificial força o desenvolvimento de novas tecnologias que ajudam no gerenciamento desses dados. Assim, teremos mais preocupação em detalhar o que queremos em vez de montar um datalake genérico.

Por fim, a inteligência artificial suportará menos dados, porque os sistemas cognitivos conseguem aprender tarefa
s corriqueiras e analíticas.

É utilizando dados mais assertivos e com mais qualidade que as empresas encontram as causas e possíveis resoluções para problemas para pensar e desenvolver iniciativas direcionadas.