IA empresarial: como passar da necessidade à industrialização?

A inteligência artificial abre novas possibilidades para automatizar processos, explorar dados, apoiar os colaboradores ou desenvolver novos serviços. No entanto, entre a identificação de uma necessidade e a implementação de uma solução de IA à escala da empresa, o percurso pode ser complexo.

Avaliação do ambiente existente, análise da necessidade, avaliação dos dados e dos sistemas de informação, escolhas tecnológicas, experimentação, arquitetura, integração, segurança, industrialização… Um projeto de IA não começa necessariamente por um POC.

Desde as primeiras reflexões, é essencial identificar as condições necessárias para o sucesso do projeto e definir uma trajetória adaptada ao ambiente da empresa.

Como passar, então, de uma necessidade para uma IA empresarial fiável, segura, integrada no sistema de informação e capaz de evoluir ao longo do tempo?

O que é uma IA empresarial?

Construir uma IA empresarial não significa necessariamente desenvolver um modelo próprio de inteligência artificial.

Consoante a necessidade, uma organização pode recorrer a modelos existentes, soluções proprietárias ou open source, serviços Cloud, arquiteturas RAG (Retrieval-Augmented Generation), agentes de IA, modelos especializados ou desenvolvimentos à medida.

Várias destas tecnologias podem também ser combinadas numa mesma solução.

O desafio não está tanto na escolha de uma única ferramenta, mas na capacidade de fazer funcionar diferentes componentes num ambiente coerente: modelos, dados, aplicações, infraestrutura, segurança e processos de negócio.

Uma IA empresarial deve conseguir explorar os dados adequados, comunicar com o sistema de informação, respeitar as regras de governação e segurança da organização e oferecer um nível de desempenho compatível com uma utilização real.

Construir uma IA empresarial significa, acima de tudo, criar um ambiente adaptado às necessidades, aos dados e ao sistema de informação da organização.

Antes de construir: avaliar o ambiente existente e analisar a necessidade

Um projeto de IA pode começar muito antes da primeira linha de código.

Quando surge uma necessidade, uma fase de avaliação e análise permite compreender o ambiente no qual a futura solução terá de ser integrada.

Que aplicações estão envolvidas? Que infraestruturas estão disponíveis? Onde se encontram os dados? Estão suficientemente acessíveis e preparados para serem utilizados? Que fluxos terão de ser criados? Que requisitos de segurança, desempenho ou alojamento devem ser considerados?

Esta análise permite também avaliar a viabilidade técnica do projeto e identificar as diferentes opções disponíveis.

Consoante o contexto, a solução pode passar pela utilização de um modelo existente através de uma API, pela implementação de um modelo num ambiente controlado, por uma arquitetura RAG, por um sistema multiagente ou por um desenvolvimento específico.

O objetivo não é escolher a tecnologia antes de compreender a necessidade.

Esta avaliação permite confrontar a ambição do projeto com a realidade dos dados, do sistema de informação e das restrições da organização, de forma a definir uma arquitetura-alvo e uma trajetória de implementação realista.

Os dados: a base de uma solução de IA

Independentemente da tecnologia escolhida, a qualidade de uma solução de IA depende, em grande medida, dos dados que consegue explorar.

Bases de dados, CRM, ERP, documentos internos, aplicações de negócio, Data Lakes, Data Warehouses, APIs… a informação relevante pode estar distribuída por vários ambientes.

É, por isso, necessário determinar quais os dados necessários e de que forma poderão ser acedidos, preparados, atualizados e governados.

No caso de uma aplicação de IA generativa, por exemplo, uma arquitetura RAG pode permitir que um modelo utilize o conhecimento específico da empresa para produzir respostas contextualizadas.

Mas nem todas as necessidades exigem uma arquitetura RAG.

Um caso de uso pode recorrer a um modelo preditivo, um motor de recomendação, um sistema de classificação, visão computacional, um agente capaz de executar determinadas ações ou uma combinação de várias tecnologias.

A arquitetura de Dados e IA deve, por isso, ser construída em função da necessidade, e não em torno de uma tecnologia escolhida por defeito.

Escolher os modelos e as tecnologias adequados

O modelo mais poderoso não é necessariamente o mais adequado.

Qualidade dos resultados, tempo de resposta, custo, confidencialidade, localização dos dados, requisitos de alojamento, capacidade de integração ou especialização setorial são critérios que devem ser considerados.

Uma organização pode optar por modelos de diferentes fornecedores, utilizar modelos open source ou combinar várias tecnologias consoante as tarefas a realizar.

A arquitetura pode também integrar uma camada de orquestração capaz de selecionar diferentes modelos ou serviços em função do contexto.

Esta abordagem permite manter uma maior flexibilidade num mercado em rápida evolução e, sempre que possível, reduzir uma dependência excessiva de uma única tecnologia.

Construir uma IA empresarial não significa, portanto, encontrar “o melhor modelo”, mas selecionar a combinação de tecnologias mais adequada à necessidade.

Do POC à solução de IA

Depois de definida a arquitetura, uma fase de experimentação permite testar as escolhas realizadas em condições concretas.

Uma Prova de Conceito (POC) permite verificar se uma abordagem tecnológica responde efetivamente à necessidade, se os dados necessários podem ser explorados e se os resultados obtidos são suficientemente relevantes.

No entanto, um POC continua a ser uma experiência.

É geralmente desenvolvido num âmbito limitado, com um volume controlado de dados e um número reduzido de utilizadores.

Uma solução destinada a entrar em produção deve responder a requisitos adicionais: disponibilidade, gestão de acessos, desempenho, segurança, monitorização, resiliência, controlo de custos e capacidade para suportar um aumento da utilização.

Por isso, um POC bem-sucedido ainda não é uma solução de IA industrializada.

Integrar a IA no sistema de informação

Uma solução de IA raramente gera todo o seu valor quando funciona de forma isolada.

Para responder a utilizações reais, necessita frequentemente de comunicar com as aplicações existentes: CRM, ERP, plataformas colaborativas, aplicações de negócio, ambientes de Dados ou aplicações Web.

Esta integração pode ser realizada através de APIs, conectores ou desenvolvimentos específicos.

Um agente de IA destinado a apoiar uma equipa de serviço ao cliente pode, por exemplo, necessitar de consultar uma base documental, aceder a determinadas informações autorizadas no CRM e interagir com uma aplicação de negócio para apoiar efetivamente o colaborador na sua atividade.

O objetivo é evitar que a IA se transforme simplesmente em mais uma ferramenta, tornando-a antes num componente integrado nos processos e no sistema de informação da empresa.

Integrar a segurança desde a conceção

Quanto mais uma solução de IA estiver ligada aos dados e ao sistema de informação da empresa, mais importantes se tornam as questões de segurança.

Que utilizadores podem aceder à solução? A que dados podem aceder? Que informações podem ser enviadas para um modelo externo? Como proteger os dados confidenciais? Como garantir a rastreabilidade das interações?

A gestão de identidades e acessos, a encriptação, o registo de atividades, a proteção de dados sensíveis e o controlo dos fluxos devem fazer parte da arquitetura.

A conformidade regulamentar também deve ser antecipada. O AI Act da União Europeia estabelece diferentes requisitos em função da natureza e do nível de risco dos sistemas de IA em causa.

Segurança, governação e conformidade devem, por isso, ser integradas desde a conceção, e não acrescentadas apenas no momento da entrada em produção.

Industrializar a IA para ganhar escala

A industrialização consiste em transformar uma solução funcional num sistema capaz de operar de forma fiável e consistente num ambiente de produção.

As práticas de MLOps e LLMOps contribuem, nomeadamente, para a gestão do ciclo de vida dos modelos e das aplicações de IA: implementação, testes, gestão de versões, atualizações, monitorização e controlo do desempenho.

A infraestrutura deve também conseguir evoluir à medida que a utilização aumenta.

Uma aplicação testada por alguns utilizadores não enfrenta os mesmos requisitos que uma solução utilizada diariamente por centenas ou milhares de pessoas.

A passagem à escala exige, por isso, antecipar a escalabilidade, disponibilidade, resiliência e desempenho de toda a arquitetura.

Monitorizar o desempenho e controlar os custos

Uma IA industrializada deve ser medida e gerida ao longo do tempo.

Qualidade das respostas, taxas de erro, disponibilidade, tempos de resposta ou desempenho dos modelos são alguns dos indicadores que podem ser monitorizados.

Mas a passagem à escala introduz também outra dimensão: o custo real de funcionamento da IA.

Chamadas de API, consumo de tokens, recursos Cloud, capacidade computacional, armazenamento ou infraestruturas especializadas podem gerar custos significativos à medida que os volumes aumentam.

O modelo com melhor desempenho teórico não é, portanto, necessariamente aquele que apresenta a melhor relação entre qualidade, rapidez e custo para cada utilização.

A industrialização deve permitir alcançar o nível de desempenho adequado, mantendo simultaneamente o controlo dos custos da solução.

Pensar no Run desde a conceção

A entrada em produção não representa a última etapa de um projeto de IA.

Os modelos evoluem, os dados mudam, os fornecedores atualizam os seus serviços e as necessidades das áreas de negócio continuam a transformar-se.

Uma solução de IA deve, por isso, poder ser mantida, monitorizada e melhorada ao longo do tempo.

Isto implica detetar anomalias, acompanhar o desempenho, gerir incidentes, manter as integrações e atualizar os diferentes componentes sempre que necessário.

Pensar no Run e na operação desde a fase de conceção permite evitar que uma solução eficaz no momento do lançamento se torne difícil de manter ou evoluir alguns meses mais tarde.

Construir uma capacidade de IA, e não uma sucessão de POC

Industrializar a IA não significa multiplicar projetos independentes.

As bases criadas para uma primeira solução — acesso aos modelos, infraestrutura, arquitetura de Dados, APIs, segurança, observabilidade, governação ou mecanismos de implementação — podem progressivamente ser partilhadas e reutilizadas.

Um novo caso de uso deixa, assim, de exigir a reconstrução de todo o ambiente técnico.

A organização passa progressivamente de uma lógica baseada em POC para uma verdadeira capacidade de IA empresarial, capaz de suportar, industrializar e fazer evoluir várias soluções num ambiente controlado.

É esta abordagem que permite transformar a IA numa componente sustentável do sistema de informação, em vez de numa sucessão de experiências isoladas.

A Lùkla acompanha a sua IA desde a necessidade até à industrialização

Com competências em Apps & Data, Cloud & Cyber e Managed Services, a Lùkla pode intervir desde o momento em que surge uma necessidade e acompanhar todas as etapas de um projeto de IA.

As nossas equipas realizam as avaliações e análises necessárias para compreender o ambiente existente, os dados, o sistema de informação e a viabilidade técnica, antes de apoiar a definição da arquitetura, a escolha das tecnologias, o desenvolvimento e a experimentação, a integração e a entrada em produção.

Dados, modelos e agentes de IA, APIs, infraestruturas Cloud, segurança, MLOps/LLMOps, observabilidade e Run: as nossas competências abrangem os diferentes componentes necessários para construir soluções de IA robustas, seguras e preparadas para ganhar escala.

Porque não existe uma arquitetura de IA universal, cada trajetória deve ser definida em função da necessidade, dos dados disponíveis, do sistema de informação existente e das restrições específicas de cada organização.