Mercado de IA: Expectativa vs Realidade | PPT Não Compila Podcast

0:00Eh, em cima disso tudo tem a pimentinha aí de aí generativa de Enenai, né, que estão criando os novos produtos de dados. Muitas vezes as pessoas ficam pensando em coisas mais sofisticadas, mas às vezes eh uma situação simples já consegue te ajudar com com Generário.

0:19Teve uma auditoria em que a gente teve que escutar 4.000 horas de gravação para identificar alguns casos ali específicos. Hoje em dia, se a gente tivesse que fazer isso, seria muito mais simples. Seja educado com chattalar, vai escalar gigante. Muito bem, muito bem, meus amigos do PPT Não compil, estamos aqui para mais um episódio e hoje a gente vai variar um pouco, Ron, vamos mudar um pouco o tema.

0:48Falar de corte e costura. Não, mais uma chance. Arquitetura?

0:54Não, mais uma chance.

0:56É, ai cara, acertou um tema que a gente quase não fala aqui no PPT no hoje vou falar sobre inteligência artificial, mas hoje a gente vai ter uma visão um pouco diferente sobre isso, né? Vamos falar sobre como o mercado tá enxergando e tá demandando a a inteligência artificial hoje, né? A gente sabe que tem uma série de de de problemas culturais nas empresas, a gente sabe que tem problema de cultura de dado na na nas empresas. E hoje a gente vai falar na prática aqui como que isso está acontecendo, como que essas empresas estão lidando com esses gaps e qual a expectativa de negócio e expectativa de implementação disso e as dificuldades para fazer essa implementação. Então hoje vamos ter um episódio extremamente prático aqui. E quem que a gente trouxe para discutir esse assunto com a gente, Ron? Bom, eh, trouxemos hoje dois ilustres e pessoas que vão estar aqui conosco, a Camila Queiroz da DataBabicks e o o Welson Elton Silva da MSD, eh, que vão discutir com a gente, falar um pouco de experiência, falar um pouco de mercado, de visões, enfim, vai ser bastante enriquecedor esse esse episódio, sem dúvida. Camila, obrigado por vir com a gente aqui, por participar desse episódio. Dá um oi aí pro pessoal. Olá.

2:14Bom, primeiro agradeço, agradeço o convite. Eu tenho certeza que vai ser uma conversa muito legal. Boa noite para vocês e para quem eh ver e conseguir assistir ao episódio. Eu realmente, né, eh trabalho na DataBak, sou arquiteta de soluções da DataBabaks, mas tenho uma carreira aí no mundo de dados de 24 anos.

2:38Então, consegui acompanhar muito da evolução desse mundo de dados desde o comecinho. Hoje a gente fala de ENAI, nenai, só que lá atrás era banco de dados, né? Então comecei como DBA e consegui acompanhar toda a evolução desse mundo, vindo biga, vindo Datalake, até o que a gente tá tá vendo agora. Eh, enfim, já fui consultora antes de Data Brix, já trabalhei em outras empresas de tecnologia, já fui consultora, já trabalhei como cliente. Eh, então, para mim vai ser um prazer falar aqui e contribuir um pouquinho e sobre a perspectiva e tendências do que a gente está vendo e que pode acontecer aí nos próximos anos. Show de bola. Obrigado por aceitar o convite de vir aqui com a gente. Elton, obrigado, cara, por ter vindo. Dá um oi pra galera. Olá, eh, um prazer estar aqui com vocês. Eu acho que uma grande oportunidade da gente eh discutir um pouco esse tema, né, que tá tão em voga hoje em dia, que a inteligência artificial, né, e dá a nossa perspectiva também do como que a gente tá olhando isso. Eu eh atualmente eu estou como diretor de tecnologia da informação da da MSD Saúde Animal pra América Latina, né?

3:55E obviamente dentro da empresa a gente tem iniciativas envolvendo tanto IA, inteligência artificial generativa também.

4:07Eh, e eu também trago ainda nessa experiência, né, de de vida e de profissão. Trabalho tanto do lado da das empresas, como tenho hoje, como também do lado de consultoria, quando a gente atendia clientes. Até ouvindo a Camila eh falar aqui, eu me lembrei também que quando eu fiz a minha graduação em administração lá atrás, meu trabalho de conclusão de curso foi database e marketing. Foi um proto inteligência artificial lá atrás, né? Já começando com isso. Show de bola. Tô, tô ansioso para ouvir vocês aqui, tanto a Camila com essa visão multi clientes aqui, com uma visão muito ampla de mercado e você é o mercado de saúde é um mercado que eu tenho uma tendência a gostar, então vai ser muito legal entender aí o que que vocês têm desenvolvido e e tenho certeza que vamos ter trazer um episódio muito bacana aqui pros nossos ouvintes entenderem aqui como tá esse mercado, o que que é necessário para avançar nesse mercado.

5:13Eu acho que vai ser muito bom, né, R?

5:14Com certeza. E é um, de novo, um tema super relevante, quente, todo mundo tá buscando informação. Então, acho que vai ser um bastante enriquecedor aqui esse bate-papo, um papo muito importante para você que tá tendo demanda dentro da sua empresa, pensa em adotar e a Generativa.

5:32Então, acompanha com a gente que o episódio vai estar muito bom. Mas antes, se você não deixou o like, se você ainda não se inscreveu no canal, se você não deu cinco estrelinhas lá no Spotify, pode fazer isso agora, porque o episódio vai estar muito bom. Se você pode contribuir ainda mais com PPT no Gumpila, você pode ser membro do nosso canal. Vai lá no YouTube, do lado do botão diz que vai tá escrito inscrito, você clica em seja membro. Você vai contribuir com valor mensal com o PPT no CPILA para ajudar a gente a produzir cada vez mais conteúdo gratuito para você. Beleza? Se você não pode, compartilhe esse episódio, ajude a nossa comunidade crescer, que a gente faz fazer cada vez mais. A gente faz isso com muito carinho, mas dá trabalho para fazer. Então, ajuda nós aí e vamos lá que o episódio tá muito bom. Bora.

6:21[Música] [Aplausos] [Música] [Aplausos] [Música] Mais ou menos umas duas semanas atrás, a gente fez um episódio com o meu amigo Luiz Rud. Vou deixar o card aqui em cima da careca lustrosa do do meu amigo cohost, meu irmão. Eu eu preparei para para esse episódio, hein? Eu vi, eu vi, eu vi. Tá uma mente brilhante.

6:59E e eh a gente falou bastante sobre o desafio da adoção da da EA Generativa, né, e a maturidade de dados nas empresas, né, e gosto muito de conversar com porque a gente acaba sendo um pouco mais papito, né, mais acadêmico e acaba sendo um episódio mais referencial, eh, mais abstrato, né? E eu acho legal trazer vocês para falar desse assunto aqui novamente para trazer essa visão de mercado, né? Como que a gente tá lidando com isso do ponto de vista da expectativa de do negócio em si, né, e do mercado como um todo, né? Porque o hype tá muito grande, né, Ron? Tá todo mundo esperando que se faça alguma coisa eh de inteligência artificial, né? tem aquele fomo, né, de o que que eu tô deixando de fazer, né, mas nem toda a empresa hoje sequer é datacentric, né, putz, eu diria que a grande maioria são poucas as empresas que estão estruturadas e preparadas e com os dados organizados para isso, né? Eh, e realmente tem esse esse essa ansiedade porque o concorrente tá usando, porque é é o hype do momento, mas na prática ainda tem um eh ainda tem um conflito ainda exatamente entre o uso, como usar os dados estruturados e assim por diante, né? Então, legal a gente poder falar um pouquinho sobre isso e ter a visão de vocês do dia a dia, né? Que que vocês têm visto, eh, seja na experiência, seja de projetos, enfim.

8:38E aí eu acho que eh já começando com com você, Camila, uma forma mais ampla, você que deve lidar com muita gente no seu dia a dia, com muitas empresas, como que você tem visto isso de uma forma geral?

8:50Eh, bom, primeiro, boa noite. É um prazer tá aqui falando com vocês e com os ouvintes e visitantes do LinkedIn que que do LinkedIn, não, do YouTube, que porém é do LinkedIn também. Do LinkedIn também, né? verdade que forem eh ver, né, o episódio. Eh, bom, eu sou arquiteta de soluções, trabalho na Data Bricks. Eu acho que eu tô nesse mundo aí de dados há mais de 20 anos, 24 anos. Então, consegui ver muita evolução exatamente, desde o mundo ali do banco de dados, né?

9:29Eh, hoje em dia a gente fala de ENI, né?

9:31Antigamente não existia AI, né? era banco de dados e aí, enfim, conseguia evolu ver evolução aí para toda a parte de biga, data lake. E o que a gente tá vendo hoje, né, hoje em dia, que é uma grande quantidade de informações que as empresas acabam eh utilizando, que a gente acaba produzindo e consumindo. E um desafio de todas essas informações que as empresas possuem, o que realmente gera valor para eu construir um produto de dados e inteligência artificial que realmente seja bem-sucedido, né? Eh, e aí, eh, em cima disso tudo tem a pimentinha aí de aí generativa de Nenai, né, que estão criando os novos produtos de dados.

10:19Então assim, a as discussões que eu vejo muito nos clientes que estão nessa jornada para criar cada vez mais produtos relacionados a IAI, é qual como que está a qualidade dos meus dados. E também tem um um uma outra variável nesse cenário que também cada vez mais as empresas, a liderança, né, das empresas acabam eh preocupadas, que é o quão protegido o meu dado está.

10:49né? O quanto que eu tô eh protegendo em casos de vazamento de dados, por exemplo, acho que duas ou três semanas atrás saiu uma notícia que o eh do Banco Central falando que tinha vazado algumas informações de usuário Pix, mas era só informação cadastral, não era nenhuma informação importante. Mas recentemente teve o caso do Neon também, né? Formul.

11:07Exato. Exatamente. Então assim, eh, o que eu vejo de discussões sempre quando a gente fala de genenai é qual é a qualidade do meu dado, como que tá a minha solução relacionada à governança para eu conseguir colocar critérios de segurança, que eu consiga proteger informações que sejam sensíveis e, enfim, que eu consiga criar a minha única fonte da verdade, né? que eu consiga ter um um local onde eu consiga armazenar todas essas informações, tenha a rastreabilidade delas, consiga ver a interdependência dessas informações e aí sim eu começo a ter qualidade para construir produtos de dados com sucesso. Então eu vejo muito, muito isso, essa discussão relacionada à governança e uma vez que você tá ali no nível de maturidade em relação a isso, aí sim começam a ter algumas discussões de casos de uso de DNNAI. Vejo também muitas eh discussões ainda baseadas na construção de de chatbotes que tem aí por trás, que possa ser um assistente para alavancar a força de vendas, eh, customer services, por exemplo, e também atividades relacionadas ao time de TI, né? como que eu posso usar deenar as minhas atividades do dia a dia na construção de eh scripts, de enfim, desenvolvimentos, né, de pipelines para ingestão de dados, copiloto na própria operação da da companhia, né? né? E o que eu acho eh curioso de 3 anos para cá, Nelton, que a gente tem falado muito de inteligência artificial, né, gerando uma demanda por dados muito grande por causa do boom aí do principalmente chatt, né, que foi o que tornou a GNI uma popStar, né, e é curioso porque inteligência artificial não é nada novo, né? a gente fala de ops pelo menos há uns 10 anos, né?

13:15E e quando a gente tinha um uma demanda por aquela eh pro machine learning clássico classificatório, né, que a gente tinha de de classificação de dados, parecia ser mais, como eu posso dizer, parecia ser mais evidente a necessidade por organização dos dados, porque você tinha que preparar uma massa de treinamento, você tinha que treinar uma massa de inferência, então parecia ser mais óbvio, né, a necessidade de você ter uma organização de dados do que no modelo conversacional, porque parece que a a o popstar dessa relação da da EA Generativa foi a linguagem natural.

13:57Uhum. E e dados não não parece ser linguagem natural, né? Então, parece que a inteligência artificial generativa, quando você coloca o NLP junto de modelo desse, parece que ela sabe tudo sozinho.

14:11Eu não preciso treinar uma massa de dados, parece que eu não preciso tom uma base vetorial por trás. E isso toca direto lá no no cliente, né? Aí aparece teu cliente tocando na batendo na tua mesa lá falando: "Ô, Elton, vamos botar uma inteligência artificial aí para funcionar, eh, porque tá todo mundo fazendo, né?" Exatamente. Eh, eu acho que o grande mérito que o Chat GPT teve e por isso que ele teve essa curva de adoção tão rápida, foi justamente quebrar essa barreira de interação com os usuários, né? Então ficou muito fácil de fazer.

14:44Isso ficou você escreve do jeito que você fala normalmente, do jeito que a gente tá conversando aqui, pede algo e a resposta vem, né? Então isso trouxe realmente um uma quebra de paradigmas. E por outro lado, né, o o o o contraponto disso é que a gente vê que às vezes as pessoas acabam perdendo um pouco a noção do que que é que tem por trás daquilo, né? Então assim, não sai do ar, né? tem que ter uma fundamentação, você tem que ter eh dados muito bem estruturados ali para você conseguir trazer resultados de valor. Obviamente, né? Se a gente olhar para uma utilização mais comum aí do no chat GPT, que ele vai e busca na internet a maior parte das informações, você quer gerar um texto, um documento, ele vai conseguir fazer porque ele não tem. Agora, se você quer fazer uma aplicação que traga valor pra sua companhia, pra sua empresa, que vai olhar os seus próprios dados, né, para teus insites, você tem que trabalhar muito bem, né, esse tipo de de informação para que você tenha realmente o valor que que se espera disso.

15:56E Camila, tenho ouvido muito, muitas companhias que procuram, por exemplo, o a Data Bricks para começar a estabelecer de fato um processo interno por pressão do negócio, falar de inteligência artificial, etc. Eh, muitas das discussões que a gente tem começa em times de negócio, né? Quando a gente tem eh tá falando de DNAI, não só DNAI, as soluções que usam mecanismos de inteligência artificial, machine learning, muitas vezes são demandas de negócio, né? Então, dependendo do tipo de indústria, se é uma indústria financeira, você vai ter ali necessidades de ter modelos inteligentes para análises de crédito, para verificação de risco de fraude, soluções para cadeias de suprimentos, no caso de de bens de consumo. E eles querem saber o que que é necessário fazer, né? Eh, quais são os tipos de soluções que são possíveis de de ser trabalhadas.

17:02H, o que eu percebo, pelo menos, eh, nas discussões que a gente tem tido, principalmente aqui Brasil e América Latina, a gente tá ali numa curva de maturidade, né? Então, quando a gente fala de DNAI, você tem soluções que podem ser eh construídas eh com modelos de promptes usando LLM, por exemplo, no caso, né, o exemplo chatpt ou alguns outros modelos open source, mas que são modelos já existentes, prontos e que podem te dar um resultado com mínimo de instrução.

17:40É, esses casos de uso muitas pessoas acabam utilizando, que podem até até, enfim, serem a construções de chatbotes. E a gente começa a perceber um pouquinho de evolução nessa sofisticação desses modelos de Geneni.

17:57Então, algumas empresas começam a falar: "Bom, eu não preciso apenas das informações que estão nesses modelos LLM. Eu preciso cruzar com as minhas informações que são estão relacionadas ao meu modelo de negócio. Então, por exemplo, se eu tô falando de análise de crédito, eu preciso de informações relacionadas ao meu modelo de crédito, quais são as minhas réguas de risco de crédito, por exemplo, como que eu consigo fazer isso? Isso que é o legal do do da evolução dos modelos de GNI, né? Então, hoje em dia, você consegue trabalhar com arquiteturas, aonde você consegue cruzar as suas informações internas dos seus processos de negócio e gerar um modelo muito melhor, muito mais aprimorado para para responder as para dar respostas mais específicas relacionadas ao processo de negócio.

18:46Deixa eu fazer um adendo para para para que você possa continuar. Eu acho que é nesse ponto, Camila, que as empresas elas acordam pra importância do dado.

18:57Uhum. Porque enquanto você tá usando o chat EPT como um robô, um RPA, um cara que vai resumir o texto e que vai trabalhar com informação pública, você tá trabalhando só com uma ferramenta de automação, basicamente um gerador de texto. Mas eu acho que no eu acho que o grande estalo que as empresas acordam pra importância do dado para gerar valor com inteligência artificial é quando ela percebe que ela precisa fazer uma hagu.

19:25Uhum. Exatamente. Que aí ela precisa ter um repositório de dados estruturado, bem organizado, numa base vetorial para ela poder usar o modelo público, digamos assim, eh, genérico, com as informações dela. Aí eu acho que é aí que que cai a ficha, né?

19:44Exatamente. Esse que que é o X da questão. Eu e a beleza do que eu vejo dessas soluções de DNENAI, quando a gente tá falando de Hag, por exemplo, é a facilidade com que você tem hoje para construir esses modelos mais específicos. E eu falo facilidades em ferramentas. Então, por exemplo, né, eu trabalho na Data Bricks, hoje a gente tem algumas ferramentas que facilita essa construção desses modelos e também facilidade de recurso computacional, porque anteriormente, há tempos atrás, 2, tr anos atrás, era caro, era caro você ter recurso computacional para você processar esses modelos, dependendo do da informação que você vai cruzar, imagens, por exemplo, áudios para transcrição, por exemplo, você vai precisar de um recurso mais específico que a gente chama de GPU, que sei lá, 5 anos atrás era bem caro. E isso a gente evoluiu, a gente, mercado, tecnologia, todos nós evoluímos bastante. Então, hoje a gente vê uma facilidade maior paraa construção desses modelos. E por isso que eu acho que realmente é uma tendência nos próximos 5 anos a gente vai ver mais ainda a evolução disso. Até tava falando eh antes que saiu o relatório do Fórum Econômico Mundial, que foi no começo do ano, falando de tendências pro mercado como um todo. E a maior, né, uma das grandes tendências é genenai, é inteligência artificial. Eh, e no, de acordo com o relatório, ele tava dizendo que o mercado e os processos de negócios dentro da das empresas vão ser alavancados em 86% em eficiência. Então, isso significa que até 2030 as empresas vão estar utilizando muito mais soluções de GNI para todos os processos como um todo, né? Então, eh, é muito legal ver que realmente a gente tem uma pista muito grande. Agora eu curioso o teu ponto e bom tanto da Camila como o teu, Wellington, eh, é que eu vejo na prática, a gente inclusive já fizemos outros episódios aqui, eh, existe essa ânsia de fato de usar EAI, né, porque o negócio exige, porque a concorrência ou porque o mercado, enfim, mas ainda tem coisas básicas ainda que precisam ser olhadas, como integração de dados, por exemplo, né? a gente tem muito eh cliente que a gente conversa ou amigos que a gente fala: "Puta, mas ainda meu dado ainda eh tem silos de dados, não se falam e eu não consigo trabalhar o dado, não sabe se a a minha base é fidedigna ou eh confiável para poder trabalhar e começar montar modelo." Inclusive, acho que saiu o mês passado um um estudo do da Cisco falando que grande maioria dos CEOs estavam com medo de usar EA e um dos medos era a parte de dados, de não saber se tava com os dados com qualidade suficiente para começar a criar modelo.

22:52E aí a grande preocupação é: "Puta, eu vou gerar um modelo, o modelo vai est errado, aí eu vou tomar uma decisão errada e aí pode ser uma catástrofe, né?" Então, eh, o que eu vejo também tem uma uma dicoptomia interessante nessa, nesse momento, né, da ânsia de usar, mas ao mesmo tempo ter um trabalho precisa ser feito anteriormente, né? A gente deu até, acho que eu dei esse exemplo no episódio que a gente falou com com Rud, eh, a gente primeiro teve aquele bom, né, né, você também deve ter muitos anos de estrada aí de de tecnologia, foi o bom do Big Data, né? Então, tudo tinha que ser replicado e colocado num datap num l mesmo que você não fosse usar nunca aquele dado, você tinha que replicar e colocar lá, né? Outro gap que a gente tem, eh, nós temos uma mania arquitetural, um gap arquitetural de muitas empresas de replicar dado para cima e para baixo, né? Replica para lá, replica para cá, você não sabe qual que é o seu dado, eh, o seu dado mestre, né, muitas vezes, e você não tem linhagem de dado na companhia, você não sabe mais o que que ele gerou, o quê. E às vezes isso até entra em referência cíclica e gera um problema de de de atualização de dados. E a gente até deu um exemplo, né?

24:16como que eu vou tomar eh vantagem de uma plataforma, por exemplo, como data bricks, que eu tenho uma facilidade de ter lá minhas camadas de de curadoria de dados, ter os meus produtos de dados.

24:31Eh, para aplicar isso no modelo, se se eu tenho posso ter inclusive informações dentro do meu lake que são divergentes, que eu posso ter uma base D+1, uma base D + 10, uma uma base D + 30, como que o meu modelo vai conseguir usar essas informações, seja ela mesmo que a que a que a que que a minha plataforma leve isso para uma base vetorial, de uma forma super simples, eu consiga fazer um notebook book com Etheréo para tratar esses atos muito rápido. Mas cara, qual que é a verdade? Como que o modelo vai lidar com informações divergentes, tabelas diferentes? Eu não tenho uma uma curadoria daquela informação, percebe?

25:14Acho que aí é é o ponto que o Ron falou, né? As empresas elas esperam um resultado de algo que elas ainda não estão preparadas, que ainda não fez eles são de casa, né? Você quer ir, você quer ir pro mundo dos jetsons? Mas pera aí, filhão. Vamos inventar o Tacap aqui primeiro. Antes vamos quebrar pedra e aprender a fazer ferramenta para coletar fruta, né? Exato. É, acho que tem é muito essa questão conceitual, né?

25:39Porque ainda se tem uma cultura de muita descentralização e de se assim, eu sou o dono disso daqui, né? No dado, dado não, o dado é da empresa, né? Então, é, é comum até, vocês têm experiência nisso também, a primeira vez que você vai lá e cria o que quer que seja de ferramentas de análise de dados, a primeira pergunta que as pessoas fazem é: "Dá para exportar para pixel?", né? E aí eu consigo trabalhar em cima disso. Toda vez que alguém pergunta isso, morre um bebê panda na frente. Exatamente. E pior que é realidade. E no final das contas, né? Você fala lá de linhagem de dados, às vezes o dado real tá no Excel do cara lá que plou e ninguém sabe que que aquilo lá ex tava dentro. É, porque às vezes o cara atualiza direto no Excel, ele é a fonte primária e tá lá na mão da máquina do cara.

26:27Então, é, eu acho que é um trabalho que não é fácil e que é um grande uma grande mudança cultural até, né, na empresa que a gente tem que ter eh também uma conscientização eh da liderança da empresa também para que até estimule, né, e use efetivamente as informações de fontes consolidadas. assim, a gente vai evitando, né, que surjam essas diferentes fontes de verdade que aparecem no dia a dia. E o que tá se falando muito, de novo, bonita teoria, mas a prática complexa, né, é a democratização dos dados, acesso aos dados, né, self service de dados. É tão bonito falar isso, né? né? Porque ainda tem aquela coisa também, né, que a gente vê muito, é o time de tecnologia, né, por conta de segurança, tal, não, o dado é o dado sobre o nosso guarda-chuva aqui, mas quem gera o dado é o negócio, né? E aí o negócio fala: "Pô, mas eu preciso do dado porque eu preciso analisar, eu preciso planejar, eu preciso tomar decisão e aí fica esse é, a gente fala de self service de dados, mas a galera não sabe nem comer de garf faca para ir no self service, né? Exato.

27:36E o que eu vejo também eh quando chamam a gente, né, como DetabCX ou qualquer outra empresa de tecnologia para discutir uma solução de governança de dados, é que o processo de governança de dados ainda não foi bem ajeitado, que é é o triângulo, né, tecnologia, processos e pessoas. Se você ainda não tem o processo bem estruturado, como que você vai definir sua estratégia de governança? você vai usar um conceito de data ou você vai centralizar como que vai funcionar isso dentro da sua empresa, quem que é o dono, quem que é o guardião do dado, né?

28:13E muitas vezes você implementa a tecnologia e isso não tá muito bem definido e aí o sucesso não vem, né?

28:20Sim, exato. Porque fica uma uma uma ferramenta oca, né? Uhum. Porque muitas vezes você vai ter uma ferramenta, você vai ter um um super carro, mas sem ninguém que dirige aquele carro, né? Eh, e aí a gente acaba tendo soluções são muito subestimadas, né? Uhum.

28:41E quando a gente fala, por exemplo, de uma empresa que já quer adotar direto um um super modelo de de LLM, eh, e trabalhar com inteligência artificial em escala, às vezes a empresa não tem nenhum BI ainda. Uhum. Né? Não tem nem ainda um processo de de analítics, né? Exato. E e aí fica fica complicado, vai já vê, né? A a o hype, né? que tem dentro a mídia falando só de aí eu falar quero chegar ali. Então acho que uma coisa que foi interessante que a gente começou a a fazer logo quando entrou essa onda de de GNA e que o tema ficou muito popular, foi investir também um tempo da da nossa equipe para trabalhar o letramento da organização, né? Falar assim: "Tá bom, gente, o que que é AI? o que que é esse GI. E a gente acabou fazendo uma série de de workshops legal com mais de gente mais de 200 pessoas participaram onde a gente pagava pegava meio período ali e explicava, inclusive dava exemplos também, fazer eles usar uns, montar os seus promptos, etc. para pelo menos eles terem uma uma noção, né, das possibilidades que existem aquela ferramenta para depois abrir, né, a discussão e como incorporar melhor aquilo no seu dia a dia. Não, acho que também tem um um um outro ponto também que eh eu também nas discussões que eu tenho tido também é às vezes até a clareza, tá? Eu quero usar uma generativa, uma generativa, mas que problema que eu quero resolver no final das contas, né? Eu só quero usar IA generativa, não corta o meu barato. É porque porque também usar por usar, mas sem ter de fato, pô, eu quero resolver um problema efetivo e aí eu quero ver se talvez a agenerativa possa às vezes pode ser que, cara, um um modelo de machine learning para resolver mais simples, mais fácil e mais barato, inclusive. É esse que o ponto que eu ia dizer, né? Aí até ver a percepção de vocês. Quando as pessoas descobriram em generativa, elas querem resolver problemas que elas já poderiam ter resolvido com machine learning, né? Com deep learning, sim, né? Sim. E com modelos mais em conta e com efetividade melhor. Esse que é o problema, porque o o Genai ele é feito para criar, ele não é feito para classificar. Uhum. Eh, ele até faz isso muito bem, mas a uma inteligência artificial classificatória, ela é muito mais assertiva para esse tipo de trabalho e com uma operação muito menos custosa do que a própria GNI. Eh, vocês têm visto isso? O cara poderia ter feito um um um modelo super simples antes com um treinamento lá de de de machine learning e agora ele quer colocar no porque ficou pop, né? Eh, eu acho que é até uma dificuldade de entendimento dos conceitos, por isso que é muito importante letramento e treinamento, né? Teve uma situação, né, de de discussões eh em alguns clientes que o caso de uso era relacionado à seleção do tipo de promoção para venda de produtos, mais ou menos nessa linha. Eh, e aí discutir e e, né, a discussão a princípio era usar o JNENI para isso, mas não precisava. Existem modelos hoje prontos, eh, né, que que você consegue ter isso de uma forma muito muito melhor até. Eh, então, sim, ainda existe muito muito essas divergências. E novamente, pelo menos na experiência que eu tô tendo, eu acho que alguns colegas meus também existe um pouco essa dificuldade de entendimento aonde realmente deenai vai aplicar valor. E nós ainda estamos, se você pega a curva de maturidade que, né? né? Então você tem ali o prompt, o Hag, depois você tem o fine Tunning, depois você tem seu próprio, é exato, seu próprio modelo.

32:53Você ainda tá aqui no nível um e nível dois de maturidade, eh, que é aonde, né, eh, você vai desenvolver os seus modelos de DNA e você já vai ter um bom valor.

33:05Eh, muitas vezes as pessoas ficam pensando em coisas mais sofisticadas, mas às vezes eh uma situação simples já consegue te ajudar com com Genai. O que eu vejo muito de discussões, por exemplo, eh, que aí eu acho que agrega bastante valor usar soluções de DNI, eh, customer services, por exemplo, eh, você tem até alguns casos públicos que que são interessantes para isso. Você tem o time de atendimento a cliente que são áudios, vários áudios, uma pessoa humanamente ouvindo esses áudios e e muitas vezes você tem times de customer services dentro do do cliente que que precisa fazer um controle de qualidade para fazer uma análise de sentimento, por exemplo, de como que tá indo o andamento dos atendimentos.

33:55eh, humanamente a pessoa ouvir para conseguir entender se tá legal e classificar, isso é algo que demora, que demanda tempo.

34:06Então, uma solução de genenai para isso é algo que realmente você vai ter um bom valor e teoricamente também não vai ser tão complexo. É, fico imaginando eh outras situações, como quero pedir férias, eh, pedido de férias, ah, quero, sei lá, esqueci minha senha de um sistema e você ter um sistema desse interno para resolver problemas do dia a dia da empresa. Puxa, isso poderia ser muito bom, né? Esse caso que a que a Ría trouxe me trouxe na memória imediatamente o caso de uma outra empresa que eu trabalhei uns uns cinco, se anos atrás e que a gente justamente tinha uma teve uma auditoria em que a gente teve que escutar 4.000 horas de gravação para identificar alguns casos ali específicos. Hoje em dia, se a gente tivesse que fazer isso, seria muito mais simples, né? Meu Deus. Que que trabalho divertido, n? A gente teve contratar pessoas para ficar escutando aquela gravação e anotando nos minuto tal, teve um uma ocorrência X. Cara, isso é um ponto interessante até pra gente esclarecer, né? Eh, as pessoas elas ligam muito a IA Generativa a chatbot.

35:18Uhum. Porque quem popularizou foi o chat GPT, né? Mas ela não é um chatbot, né? o NLP ele tá acoplado ao modelo, mas o modelo ele trabalha de uma forma eh multimídia, digamos assim, né? Então a gente tem recentemente o próprio chattorporou o Sora na geração de imagens, por exemplo, cara, que é um negócio assustador assim de de de geração de imagem, etc. Ele pode gerar áudio, ele pode ouvir áudio, né? Então, tanto que a gente vê até algumas e não tô falando de leigos, tô falando de arquitetos, sabe? Gente que liga tanto aí a generativa a a texto, a a chatbot, que o cara vai trabalhar um áudio e ele primeiro faz a transcrição do áudio para depois usar no modelo, sabe? Eh, como se o modelo não soubesse lidar com com várias multimídias, né? E aí entra a questão do letramento, né? as pessoas entenderem de fato o que a GNA é capaz de fazer, né, e não só gerar texto. E acho que mais que isso também um ponto importante que é acho que um bom ponto que o que o Elton comentou é o que você pode também usar, o que que você pode colocar lá, porque acho que foi um ano ou dois anos atrás que teve um caso, acho que a Samsung na Coreia vetou o uso do chat GPT porque a galera tava pegando o dado interno, entregando pro chat GPT para fazer uma análise. Cara, tá dando rodado, você tá treinando o mercado com informação sensível super sensível. Se você pergunta lá quanto que tá a venda de determinado produto lá, eles vão falar, vão saber. Saiu da planilha do financeiro do Samsung. Até nesse sentido, né, de falar, pô, o que que você pode passar, o que você não pode passar, né? E essa coisa também do prompt também, que acho que é uma coisa que nem todo mundo tem essa ciência, né?

37:12Como é que você deve usar um prompt correto para fazer a pergunta e ter a resposta correta também, né? Virou uma profissão nova, né? O promptis é verdade. Engenheiro de promiro de prompt não existia antes, né? E acho que eu queria também trazer um exemplo aqui do do multimodal, né? Que é além do do texto, né? E das imagens que é um caso bastante interessante que nós temos lá na MSD. Eh, se a gente olhar dentro da cadeia de valor da indústria farmacêutica, né, o lugar onde a gente vê mais oportunidade em um ganho absurdo no uso de inteligência artificial é na área de pesquisa e desenvolvimento, né?

37:52Hoje o processo de você desenvolver um um medicamento novo, ele é muito longo.

38:00Obviamente tem as razões, né, que não tem que ser muito seguro, muito eficaz e muito bem testado antes de chegar no mercado.

38:11E e a MSD globalmente tem investido bastante nisso e tem usado a IA generativa para descobrir novas moléculas que podem ser potenciais, medicamentos no futuro. E foi bem interessante que eu tive recentemente lá em Praga, onde a gente tem um um centro de competência nessa área, e eles acabaram de fazer a primeira submissão para para avaliação das autoridades regulatórias de uma droga que foi criada usando eh inteligência artificial generativa.

38:52Assim como no LLM, né? Você consegue prever a próxima palavra ali. Ele imagina numa cadeia de DNA, onde você tem lá as letrinhas ali do DNA, ele vai tentar encaixar a próxima letra para fazer sentido naquilo que você tá tentando criar, né? E agora a gente fez a submissão. Vamos ver se conseguimos a aprovação disso. Isso, isso sim uma baita uma baita aplicação de uso, né?

39:22Se você reduz o tempo de de 5 anos para um que seja, [ __ ] é um ganho tremendo.

39:32Quero falar com você agora que ainda não conhece a Clever. Clever é uma empresa que já tem mais de 3 milhões de usuários em 30 países com 30 idiomas diferentes, que tem trazido soluções em blockchain, criptomoedas e ativos digitais. O objetivo da Clever é te dar liberdade financeira para operar esse mercado de cripto. Então, se você acredita nisso, se você acredita nessa liberdade, você já pensa como a Clever, vai conhecer os caras, é clever.Ou estão contratando também pessoal para trabalhar com cripto, com blockchain. Então, se você tem interesse, se você tem conhecimento nessa área, procura a Clever. Se você gosta de criptomoedas, se você opera no mercado, você precisa conhecer a Clever, precisa conhecer as soluções da Clever.

40:11Então o endereço tá aqui embaixo no vídeo. Para quem não tá no YouTube é clever. Vai lá, vai conhecer que realmente é um mercado sensacional.

40:25Falando de de processamento de genômics, saiu essa semana eh alguns cientistas conseguiram eh replicar o DNA de um urso. Urso não, um lobo. De um lobo. Um lobo que já tava em extinção, né? Aí eu tava lendo lá, eles o lobo ele tá em extinção há pouco tempo, então o DNA estava preservado e eles conseguiram fazer o implante desse DNA numa raça próxima, etc. Mas aí a tinha um adendo na notícia de que tem uma galera meio pirada na cabeça, que eu acho que esse é um negócio meio perigoso, viu Ron? Que a gente não consegue fazer o Parque dos Dinossauros ainda porque o DNA é muito antigo e não está preservado, só pequenos trechos. Então você não consegue replicar o DNA completo, como foi feito com o lobo, mas tem uma galera que tá usando a generativa para tentar preencher as lacunas, descobrir e restaurar a fita de DNA completo e trazer o T-Rex. Acho que é uma boa ideia. De volta.

41:30E eu vi um filme que esse negócio não deu muito certo. Eu espero que eles não tentem fazer isso de novo. Seis. É un seis, né? Exatamente. Seis. É, eu tô lendo um livro que chama A próxima onda.

41:43O um dos eh um dos autores é o cara que criou o o a ferramenta que que é usar é o core da do Google, é o Deep Deep Mind, se não tô enganado, o Deep Mind. E ele tava falando exatamente, o livro é muito interessante porque ele fala exatamente eh na perspectiva dele, né? Tá há bastante tempo desenvolvendo, tá nesse mundo de EAI.

42:08Eh, o lado bom eh do EAI, exatamente ele falando isso, o quanto a a indústria, né, farmacêutica da saúde vai poder se beneficiar muito com a EAI, mas também ele coloca a ressalva do ponto de vista e da preocupação de de eh, né, de fake news, o quanto isso pode ser a pode ser usado de forma ruim, né? Ou seja, ele tô lendo agora uma uma num uma trecho que fala sobre a questão geopolítica, né?

42:38Quanto você pode usar eh bombas, enfim, criar bombas com com Aai, né? A gente tá num momento geopolítico super tranquilo, não sei por bom a princípio, né? Mas se eu não me engano, acho que no livro ele fala que se eu não tô engano, acho que 25% da das novas drogas que já estão sendo usadas é ai, se eu não tô enganando, acho que foi lá que eu vi ou algum estudo da do MIT. É a o próprio Google, né? Ele tem uma empresa lá do grupo Alphabets, né, que é focada nisso.

43:07Eu vi uma notícia sobre isso essa semana, não lembro o nome da Não lembro o nome agora também. Eles carregaram um pequeno caminhãozinho de dinheiro lá essa semana. Sim. é uma e e mas além disso, todas as os as grandes farmacêuticas do mundo também já estão indo nessa linha e algumas até já começando a olhar pra computação quântica também para acelerar esse processo. Isso, isso é um, isso é um é isso é uma outra revolução que virá com Tenho medo das duas juntas, né? Se se com processamento de GPU a gente já tá fazendo o que tá fazendo com o EI.

43:42Exato. Imagina quando a gente tiver quântica para ter processamento desses workloads de inteligência arcinal. A Mweb, que é uma futurista, né? Ela todo ano ela vai no S, no SXS SW, ela falou nesse último episódio que foi o mês mês passado, né?

44:01que ela tava denominando, eh, acho que eh live intelligence, que é na perspectiva dela, na combinação da EI com o sensor eh avançado, né, sensor IoT e a bio e a biotecnologia. Esses três essas essa combinação desses três itens, cara, falou que vai trazer uma revolução gigantesca e que as empresas ainda não se atentaram a isso. Robocop vem aí, né, cara? Basicamente é isso. É, é quase é isso aí, né? Enquanto isso tem empresa que não tem BI, tá fazendo tudo no Excel porque porque é verdade, a gente tá falando aqui de empresas grandes. Agora você pega empresas de porte médio, cara, tem uma grande aí que tá liga pro pro diretor de T e fala: "Cadê meu botão exportar Excel?" E mata um panda. Tá ainda. Tem. E e e eu achei muito legal o ponto que você colocou, Elton, da do letramento, porque a gente tá educando as pessoas para usar IA, principalmente pessoas do negócio, mas também pessoas de de tecnologia para poder entender de fato o que é capaz e como como, por exemplo, ter uma governança sobre o ambiente para não acontecer o que aconteceu na Samsung, né? para que a própria TI prepare um ambiente saudável para restrição de dados, restrição de rede, etc., para proteger essa informação dentro do seu próprio domínio, né? Mas acho que é muito importante até um passo atrás, o letramento de como tornar a companhia data centric, né? Eu percebo que as pessoas hoje ainda de tecnologia são application centric, os caras querem saber da aplicação, criação da aplicação, a Jile, etc, para entregar logo coisa, né? Tem tem um uma cultura de trabalhar a aplicação e o dado como um subproduto disso e não o contrário, né? Eh, como que você vê isso no mercado hoje, Camila? Você tem que brigar muito pra galera falar, gente, vamos olhar pro dado com carinho? É assim, toda a discussão, quando a gente começa a discutir algum processo, algum caso de uso, inevitavelmente a gente chega nessa estrutura, como que tá o dado, qual que é as suas políticas, eh, para garantir que você tem lá a sua única fonte da verdade.

46:33Eh, enfim, quais são as políticas que que que os clientes acabam eh trabalhando para garantir que realmente você vai criar um relatório de venda e que o número de venda que o time de marketing tá usando ali no seu dashboard é o mesmo que o time de finanças tá olhando, por exemplo, né?

46:56Eh, o que eu vejo e quanto mais as empresas começam a querer discutir soluções mais sofisticadas de DNAI, mais volta pro tema de governança de dados. Por quê? Algumas tentam criar os produtos, só que aí o produto não sai com sucesso, porque você não tá usando a base certa. Aí o relatório, enfim, a criação final. Vou dar vou dar um exemplo mais simples para tentar tangibilizar isso. Eh, você pode usar, por exemplo, LLMs de Nenai por trás com recurso de linguagem natural para você conversar com dado e você explorar.

47:40Então, ai me mostra o volume de vendas da região Sudeste no último quartil.

47:48Eh, da forma como você constrói essa sua solução por trás, ele pode te dar um número, se você criou essa solução para um time de marketing, pode dar um número diferente pro número para para um time de finanças. Aí chega alguns meses depois da da solução implementada. Poxa, não tá funcionando. Não tá funcionando.

48:08Eu fiz a mesma pergunta duas vezes, ele deu duas respostas diferentes. Exato.

48:13Como que eu faço esse prompt aqui, ó?

48:15Esse prompt não tá funcionando, só que a questão não tá aqui no prompt, a questão tá antes. Qual que é a informação que você tá buscando? E aí volta pra discussão inicial que deveria ser a primeira, como que tá a sua fundação de dados, como que tá a sua governança de dados. Então, eh, o que eu vejo muito é eh isso. Empresas que não estão maduras aqui na governança de dados, na estratégia da governança de dados, não estão tendo sucesso e aí volta pra prancheta. É mais ou menos isso. Ou culpa a tecnologia, né? [ __ ] não, não funciona. É, o From não tá funcionando.

48:52É, não, troca essa plataforma. Esse modelo é bom. Não, e eu acho que eu tinha um um lembro de ter um uma técnica que falaram aí que foi endereça bem o que você trouxe, né, um tempo atrás que eu eu ouvi e isso é bem aplicável, né, quando a gente faz um data desenhando alguma solução, etc., você que eu preciso fazer, né, que é a visão da aplicação, né, que eu preciso fazer. Mas na verdade a gente tem que ter, além disso, tem que ter uma outra pergunta que é o que que eu preciso saber, né? Porque aí sim você foca no dado e quando você projeta alguma coisa, você já tá pensando ali na frente, né?

49:30Qual que é o a informação de valor que você tá querendo gerar a partir daquela daquela solução que você tá criando?

49:37Essa deveria ser a primeira a primeira pergunta para eh aí vou vou ser um pouco arquiteto chato, né? pegando lá o conceito de arquitetura corporativa, quando você pega um processo de cadeia de valor, o que que eu consumo de informação e o que que eu produzo? Uhum, né? Então, eh, eu vou resolver um problema, vou ter um processo que vai ter uma transformação de informação e vai produzir outra com base em outras informações, né? E assim eu consigo ter de fato um processo de governança desse dado. Eu sei quem produz e sei quem consome essa informação, né? E aí eu vou pensar então em uma solução de tecnologia para resolver aquele problema, mas sem saber o que eu consumo e o que eu produzo, eu não sei qual o problema que eu vou resolver. Exato, né?

50:24Então, eh, deveria, deveria ser a primeira pergunta a ser feita, né? E hoje a gente primeiro pensa no problema, modela aplicação e depois, ah, putz, tem que modelar o banco. Esquecemos que tem que modelar o banco. O dado fica por último, fica como um subproduto, né? E aí depois eu tô replicando essa informação. Às vezes eu recebi o os dados do cliente já de outra cadeira de valor e tô gravando de novo na minha base, de novo outra vez aqui essa informação. Aí eu fui lá e alterei esse dado. Agora eu já não sei mais qual que é o dado certo, né? E cara, é uma coisa que deveria ser primária, né? Mas se a gente não tem essa cultura, eh, é muito difícil de você perceber, porque pare concorda que parece inofensivo? Eu recebi os dados do meu cliente, processei um pedido para esse cliente, gravei na minha base de pedido também os dados do cliente. Não parece um erro, né? Mas se você olhar estrategicamente, isso é um problema.

51:24Depois, quando você olha pro todo, como é que você trata essa informação?

51:28né? Então é é questão de cultura, né?

51:31Mas aí como é que vocês estão também eh olhando aí? Acho que o Welton eh essa parte pensando novamente no dado, né? De importância do dado, como é que as pessoas olham o dado? Eh a do ponto de vista de governança, de acesso, eh existe essa essa preocupação e principalmente área de negócio que deve ser a área que mais demanda novamente dado para tomar as decisões, né?

51:58Não, para para ser bem honesto, a gente ainda tá num numa nível de maturidade ainda baixo com relação a isso.

52:06Existe a intenção, existe algumas iniciativas que a gente já começou, mas eh ainda tem um longo caminho para para seguir. Nó já estamos até avançado em termos de ferramenta, mas o problema não é a ferramenta. A ferramenta não vai resolver isso. É, é a questão mesmo de de ter a cultura e integrar isso no no dia a dia, porque não é não é sexy, né? É o tipo de trabalho que não vai aparecer ali, né, na na na cara do do dos clientes, na cara do usuário final. É como você tiver que fazer aquele trabalho também, né, de estruturar e de fazer eh o dia a dia ali de uma maneira consistente e bastante organizada para que a coisa aconteça.

52:56Eh, eu acho que as empresas eh começam a dar a devida importância quando começam a ver notícias de vazamento de informação. Uhum.

53:05ou algum produto gerado que possa influenciar negativamente a reputação da marca da empresa como um todo, né? Aí toma um choque de realidade e volta para pra prancheta. Mas assim, eh, pelo menos o que eu tenho percebido é que sempre quando começa a discussão de empresas que querem evoluir nessa jornada de Geneniai, governança de dados acaba entrando junto e volta, sim.

53:34E e é uma conversa difícil, né? É um assunto difícil, porque eu acho que é uma questão que é eh é colocar a TI no divan, sabe?

53:45Porque, cara, olhando para para tudo que a gente tá falando aqui, é papel nosso resolver isso. É papel nosso eh organizar a empresa e aculturar a principalmente a operação de TI a ter isso de forma mais estruturada, né? É muito difícil você chegar pro negócio, tá? tá olhando a evolução da da produção e da produtividade com inteligência artificial e falar para ele que você não é capaz de de de entregar o que ele tá vendo no mercado, porque seu banco de dados tá desorganizado. O cara não tem culpa, ele não sabe, não tem nem conhecimento sobre isso, né? Então, é uma coisa que eu acho que a a TI tem que refletir e a gente tem que trabalhar melhor os nossos executivos para que tem muita pressão de negócio para entregar rápido, para entregar logo e faz parte.

54:38E a gente toma muitos atalhos para que isso aconteça, né? Porque fazer o certo às vezes dá mais trabalho, só que também dá menos resultado, né? Então é uma discussão muito difícil você depois ter que chegar para um executivo, eh, como você falou, né, Camila, o cara ele vê, ele vê a aplicação de negócio, ele vê o resultado que ele pode ter e aí esse cara não tem ideia do que é governança de dados. Aí você tem que voltar, falar: "Cara, não deu certo, vamos ter que refazer o nosso processo". Então é é uma questão que da reflexão que é nós mesmos de ter tecnologia temos que ter. Ou também que é uma outra pressão também que acontece é a área de negócio vai lá e contrata a ferramenta. Uhum. E aí o pessoal da tecnologia fica p da vez falou mesmo, como assim? Falou comigo e os dados e segurança. Então é um dilema também que que fica nas áreas também, né? Sim. E e é normal. Você mesmo comentou que às vezes a área de negócio foi direto Exato. em em vocês, né, Camila? É natural isso, né? Exato. Exatamente. E aí, por isso que é bom, né, sempre ter o bom senso de conectar as pontas. Mas existem muitas empresas de nicho e eu acho que vai ser tendência cada vez mais ter empresas específicas para construção de casos de uso, modelos específicos de DNAI, para propósitos específicos, para fraude, para crédito, eh para cada vez mais eh eh vai ter. E aí, por isso que é importante a cultura da empresa para ser uma empresa orientada a dados e entender que as coisas eh precisam estar conectadas. Mas realmente é um desafio, porque eu concordo com você, o tema governança de dados não é sexi. E é muito difícil de você provar o valor da importância disso, né? Que isso é que isso aqui é uma fundação. É é eh a gente pode até eh transportar para uma construção civil, né? você eh, né, a gente sabe o quanto que a fundação é importante. Eu moro em Santos, tem um monte de prédio torto. Santos é famoso, né, pelos prédios tortos, enfim. Eh, e aí a gente só vê eh o quanto que é importante quando você vê que o, né, o préjo tá torto, você vai querer vender o apartamento e não consegue, né? Eh, é, é, é mais ou menos isso, né? Então eu acho que aí que tá o desafio, né, de como que a gente consegue educar todos os stakeholders para entender a importância eh de você ter uma boa fundação para ir sim subir. Sim, não só é, não só não é sexi, como a palavra governança sempre dá uma ripeada na galera, né, que acha que vai eh burocrático, vai ser burocrático, etc. E não entende o valor de de você ter isso de fato implementado. E isso agora fica muito mais explícito, né? Porque você vê o objetivo não alcançado muito mais de forma muito mais prática agora com a com a GNI. do que antes, porque antes era só uma questão de você ter produtividade de tecnologia e ter seus dados bem organizados, né, para você não ter desperdício, etc. Mas eh eu volto naquele volto naquele ponto, né? Como é que você fala isso para um executivo e ele vai te pode vai te voltar com uma com que a gente nunca teve governança de dados até hoje, né? O cara de negócio ele, cara, pô, se a gente precisa ter governança de dados, então deveria ter, né? Então é uma é uma reflexão que a gente mesmo de tecnologia tem que tem que fazer, né?

58:13Porque muitas coisas a gente sabe que deveria ter e que a curto prazo a gente pega atalhos, né? Acho que questões como governança, segurança na informação, até a própria arquitetura, né? Uhum são visto como eh overingineing, né? Ou overprocess dentro da das companhias, né? E quando o resultado a longo prazo não vem, é que você percebe a falta de que esses recursos fazem dentro da operação.

58:43Sim. E eu acho que é importante, né? E assim, esses atalhos acontecem por n motivos, né? Acho que até o o o Rômulo trouxe bem aí, né? Que às vezes você ganha alguma solução de presente que foi contratado, você nem sabia e depois, bom, o que que eu faço com isso agora, né?

58:59Eh, e às vezes a pressa ou restrição de orçamento também faz com que você acelere ou tome esses atalhos. Mas, eh, é importante, né? Acho que também, eu sei sim, que TI tem que eh estabelecer as regras e as fundações, mas também eh deixar claro também que existe o papel também dos dos donos dos dados do ponto de vista de negócio para manter isso, né? Porque, OK, nós montamos toda a estrutura para você fazer validação, catalogação, etc. Mas quem vai decidir se aquele dado é bom ou é ruim é quem tá lá na ponta. E e às vezes é difícil de você convencer os executivos que você precisa ter alguém com esse olhar dentro da organização deles. Eles falaram: "Não, mas isso aí é TI". Não, não necessariamente, não é 100% TI. Então esse daqui tem coisas que a gente precisa que você tenha esse olhar de negócio para poder discernir, né, qual que é a a melhor eh qualidade, a melhor classificação daquele dado ali. Sem dúvida, porque o o valor do dado tá em quem olha com olhar de negócio. Exato.

60:15Nãoé. E não quer dizer que, acho que também é um ponto interessante, que não quer dizer que eu tenha muitos dados que isso é bom, porque às vezes tem muito dado sujo, né? Sim, que não serve para nada. E aí, só que se não tiver de fato alguém fazendo essa curadoria, eh, porque recentemente participei de um projeto num numa empresa que queria fazer um machine learning, na verdade, tradicional e o cara tinha uma base, sei lá, tinha uma planilha de com 3 bilhões de linhas, só que tinha muita coisa ali que não servia para nada. Então, de novo, não quer dizer que o cara tem uma base gigante que ele [ __ ] agora tenho base para montar o modelo. Não, mas a base tá suja, tá faltando dado importante e tem excesso de dado que não serve para nada. É, é o problema que a gente tinha no, no clássico Big Dat, né?

61:04Uhum. Replico tudo, utilizo 1%, só gasto histórias, zero governança, zero governança, né? e aceita tudo, vai, vem trazendo, vou fazendo um aterro sanitário de dados, praticamente é isso, né? Para não serve para quase nada, né?

61:21E e o ponto que você colocou do Date Stuart, né, do do cara do negócio, olhando ali a a informação, vem muito encontro com o que a gente falou de cultura, né, o cara entender de fato que ele como agente de negócio é o dono do dado, né? Sim. E isso tira um pouco o peso daquilo que eu falei antes da gente compartilhar a responsabilidade, porque aí deixa de ser um problema só de TI, né? Querido, beleza, tô te dando as as ferramentas, etc., mas vamos fazer isso aqui junto, né? E a gente traz o cara pro game. Aí a discussão acho que fica um pouco mais fácil. Sim, com certeza.

62:03E o Ron, eh, quando a gente fala de desse tipo de aculturamento e de implantação de de de ferramentas de dados na companhia, etc., o cara que tá ouvindo a gente e que precisa trazer esse olhar mais técnico para resolver esse tipo de problema. Como é que a Techon consegue ajudar esse cara?

62:25Bom, nós temos experiência exatamente nesse trabalho de primeiro ajudar o cliente a entender que problema que ele quer resolver eh baseado nos dados, né?

62:36Que decisão que ele quer tomar, às vezes até entender que ele tem um problema e que ele não sabe o que tem. Verdade.

62:41Verdade. E a partir disso começar a estruturar os dados, que tipo de dado eh ele precisa ter, como é que ele deve eh organizar e tratar esse dado para criar os analytics, né? Então, a gente ajuda exatamente nessa fundação, eh, desde novamente do entendimento até de fato a implantação de toda essa arquitetura, todo esse modelo eh de dados. Então você tiver interessado, tiver com esse problema, tá aqui no no na descrição aqui o link para você falar com Podemos ajudar com certeza com essa mente brilhante, literalmente brilhante, literalmente.

63:18Muito bom. Bom, você que tá vendo esse podcast da hora, tá vendo um monte de problema aqui que a gente tá colocando, né, e quer uma ajuda aí na sua empresa, faz o seguinte, entra no site aqui da Vemars que a gente pode te ajudar.

63:33vems. Nós somos uma empresa relacionada à arquitetura de soluções, a modernizações de aplicações. Também atuamos no na fonte de DevOps para ajudar vocês a serem extremamente ágeis.

63:45Então, dá uma olhada no nosso site que vai tá aqui embaixo, vems. E lá você vai poder ver um pouquinho da nossa história, dos nossos profissionais. E aproveitando, se você for um profissional da área de tecnologia que tá a fim de trabalhar numa empresa legal, um monte de colega, gente boa e tecnologia de ponta, manda o e-mail para peoplecare@vemars. É, agora eu quero meu show, velho.

64:15E e como que vocês veem eh essa disrupção e esse esse contraste das empresas tão despreparadas no no quesito dados e essa demanda tão grande por inteligência artificial pros próximos anos? Porque isso tá escalando muito rápido, né? a gente vê modelos em cima de modelos sendo lançados cada vez mais rápido e e a e a gente não vê essa mesma evolução culturalmente dentro das companhias. Aí aqui a gente vai usar muito forte opinião e futurismo. Que que vocês acham que vai ser daqui em diante?

64:58Olha, eu posso falar aqui do lado, né, do meu lado, que é o lado fornecedora, né?

65:06cada vez mais vai ser impossível falar de soluções novas de dinenais se você não falar de governança antes. E aí tem alguns conceitos que cada vez mais vai ganhar força. E aí eu vou falar conceito teórico mesmo, né? Eh, bom, como eu já tenho aí uns aninhos de casa, 24 anos, eu acompanhei a vinda dos data lakes e do big data e foi o que a gente tava falando um pouco antes, né? Entra qualquer coisa sem governança nenhuma. A gente pagou o preço por isso, estamos pagando agora, as empresas estão pagando. Eh, veio o conceito do Lake House, até Data Brix criou e hoje é um conceito de mercado que muitas empresas estão usando. E olhando sobre o ponto de arquitetura de dados, eu vejo as empresas cada vez mais migrando para esse conceito de arquitetura Lake House, que é justamente você ter a possibilidade de fazer ingestão de vários tipos de informações estruturadas, não estruturadas, vários volumes, mantendo a governança de dados que a gente tinha na época do Data Lake.

66:09Isso facilita bastante você colocar em cima disso uma solução de governança de dados. E aí você consegue aplicar conceitos de regras de concessão de acesso, mascaramento de informações, quem pode acessar tal coisa, linhagem de dados, né, enfim, quais são as tecnologias, como que tá a interdependência ali entre os dados.

66:33E isso vai simplificar bastante eh toda a dificuldade que a gente tinha antes com os datalakes. E, enfim, aí você vai ter uma uma arquitetura mais simplificada e unificada que vai facilitar em termos de tecnologia eh a o processo de governança de dados. E aí depois eu até queria ouvir a opinião de vocês. Isso eu tô falando de tecnologia agora falando, né, de da solução como um todo, que tecnologia é só um um vérticezinho do triângulo, né, só meio, né? Só um meio. O que eu vejo é que cada vez mais eh os times de negócio estão criando a a consciência de que eles são os donos dos dados.

67:17E aí é até muito engraçado que você começa a ver as discussões do tipo, agora as pessoas estão começando a entender o que que é prompt, prompt engineering e a gente vê que esse papel tá no time de negócio, não tá no time de tecnologia. Então isso facilita com que eles entendam que eles são os donos das informações e se eles querem um produto legal de Genenai, eles vão ter que ser eh tomar ali a corresponsabilidade eh para ser o guardião e aí pode ser o dat e enfim qualquer coisa desse tipo. Não sei se vai ser uma tendência ou não, mas eu tô eu tô falando agora do meu dia a dia como arquiteta de solução. O que eu tenho visto é que cada vez mais eu tenho trabalhado em em iniciativas fora tecnologia, fora a implementação do Lake House. No caso do Data Breaks é o Unit Catalog que é a solução paraa governança. Eu tenho trabalhado em sessões deção com times de negócio e time de tecnologias juntos para, enfim, entender qual é o impacto de um caso de uso ser implementado em termos de valor e qual que é a complexidade para se fazer isso. E aí a partir disso você começa a pensar em soluções melhores.

68:24Não sei se isso é uma tendência. É, eu acho que a própria inteligência artificial generativa pode nos ajudar nessa nessa linha, né? Então a gente pode até quando alguém for lá e perguntar: "Ah, por que que eu preciso fazer para minha não ter uma GNA boa?" Eles vai falar: "Ó, trabalha na governança de dados". Então o próprio o próprio chatt vai responder isso e as pessoas vão acreditar. Então você, já que a gente repetiu tantas vezes e ninguém acreditou, pergunta pro chat, pergunta pro chatt, ele vai te falar.

68:56Não, mas independendo dessa brincadeira, eu acho que eh também tem muitos dos processos internos, né, de de mesmo de definição de de governança ou de construção, limpeza de dados, que a a inteligência artificial generativa pode ajudar nisso, né? E e muitas das coisas que possam ser repetitivas, etc., podem ser facilitados até para você criar uma estrutura eh inicial eh que funcione bem, né, e que as pessoas eh atendem. E eu acho que eu sou a favor também de que as as pessoas experimentem, né? Você experimentar e aprender para à medida que você vai fazendo essas experiências, né? Toda a organização vai criando esse conhecimento coletivo e sabendo, opa, eu tenho que melhorar aqui para conseguir ter melhores resultados, né? Então acho que essa essa evolução vai vir meio que que naturalmente assim, né? você vai criando essas necessidade que vai ser eh construída aí ao longo do tempo com a utilização da ferramenta em si, né?

70:05Será que também um outro ponto que me vem em mente agora, esses agentes autônomos que também tá se falando muito também pode ser um um outro uma outra ferramenta que possa ajudar exatamente nesse gap, né, que a gente tem falado aqui de falta de integração, dado sujo, replicação de dados. Será que esse cara também não pode começar a ajudar também nesse trabalho e talvez acelerar de alguma maneira?

70:34Cara, eu eu provoquei já alguns fornecedores eh no meu dia a dia, principalmente da área de dados e da área de inteligência artificial, justamente para entender como que a gente pode ter uma ferramenta de GNI para bem na linha do que você falou, eh, como que eu posso trazer esse cara para ajudar um esforço de trabalho que seria muito grande para montar um pipe de governança, por exemplo, para olhar para um legado.

71:11Aham. Sei lá, pega essa minha base de 1970 aqui e me ajuda a entender o que é cada coluna. Uhum. Sabe, acho que a GNI tem um potencial gigantesco sobre isso.

71:23Inclusive, quem quiser montar uma startup, tá um oceano azul aqui ainda, porque não existe um produto pronto para isso. Lê a minha base, lê meu esquema, pega uma amostra de dados, tenta me dizer o que é cada coluna e aí pega a outra tabela e tenta me dizer o que tem de comum entre elas. Vamos fazer um uma inteligência artificial para me dar uma linhagem de dados olhando meu banco, por exemplo, olhando meu Lake, né? E aí um agente autônomo, ele pode inclusive ser um copiloto do próprio governante de dados, de um date Stuart, etc.

71:57Que ele cria alguns thresolds ali, alguns conceitos que elimine o trabalho manual que ele teria para governar aquele dado, porque não é fácil você ser ser um date sturt de uma base gigantesca, né? Eh, e que demanda muita informação e que cresce o tempo todo, né? Então eu acho que que é bem por aí, né? Aí a gente entra meio que num num num buraco de minhoca da própria inteligência artificial, né? Porque a inteligência artificial facilitando a criação da própria inteligência artificial. Aí ferrou. É melhor agradecer o chat EPT, porque pelo menos você morre por último quando eles matar todo mundo. Mas você sabe, seja educado.

72:38É, seja educado. Eh, mas tem um estudo real do Gardner que mostra que até 2027, cerca de 40% dos processos relacionados a catalogação a governança de dados em si, que é justamente o que você falou, por exemplo, eh você determinar para que que serve um um esquima, uma tabela, uma coluna, vão ser alavancados por assistente de genenai. E isso já é realidade. Você já vê algumas soluções fazendo isso. No meu caso, Unit já faz isso, ou seja, tem assistentes para catalogar. E eu tenho certeza que também o mercado devem ter outras soluções, sim. E cada vez mais se vai começar a ver soluções baseadas em agentes para ajudar em pontos específicos do processo de governança.

73:22Você já tem e acodando, tem que ter um equivalente para ajudar a gente sair dessa lama de dados que a gente tem no Brasil, né, C? Pois é. Eh, é por isso que eu acredito que talvez seja uma tendência também a ser eh esses agentes eh autônomos começarem também a ajudar nesses nesses gaps que hoje ainda é um grande problema, né? Sim. E aí a gente entra em negócio meio conceitual, né? Porque eu já tô pirando aqui, então é a cerveja. Mas veja bem, se se a inteligência artificial ela pode ser capaz de curar o próprio dado, talvez ela pudesse absorver um dado sujo ignorando os dados ruins. E isso vai começar a ficar interessante ver como vai ser, porque aquilo que a gente falou, se ela própria enriquecer o dado.

74:11Exato. Porque se eu tenho que ter uma boa governança para ter um bom modelo e o meu modelo vai ajudar na governança, teoricamente ele pode se autogovernar.

74:22Então realmente é seja educado com chattó vai escalar, vai escalar gigante.

74:29Não. E tem outra também que deriva disso, que é a utilização de dados sintéticos, né? Verdade. Que ele mesmo começa a gerar as massas de dados para se autotreinar. Exato. Isso é um ponto que, inclusive, eu já tenho um episódio marcado para discutir, eh, que é sobre a IAC gera código, a IAC programa. Eu vou dar um spoiler aqui, porque eu sou o cara que sou mais agnóstico e mais eh controverso em relação a isso, né? Porque eu acho que Iá, criando código é só um vento do verão que a gente vai ter, só uma uma brisa, porque se a IA pode gerar o código, ela pode ser a própria aplicação. Ela não tem por criar um código, não tem por uma aplica, uma uma IA criar um código para gerar uma outra aplicação. Se ela entende a regra de negócio, ela pode ser a própria aplicação. Então, e isso é uma, aguardem, teremos um um episódio mais, é uma boa discussão, né? É uma boa discussão, porque eu acho que pros dados a gente vai ter algo equivalente em algum momento, né? Porque se a IA pode ser, ela pode ajudar numa governança, numa curadoria de dados, talvez ela possa consumir esse dado de uma forma mais inteligente, porque se eu tenho que governar o dado para IA e a IA governa o dado, tá feito a evolução das máquinas, não? Você pode criar o dado que aí entra também no conceito todo de compliência ética, mas aí generativa, o objetivo é criar, né?

76:05pode criar um dado novo, aliás, que já está até acontecendo, né? É, e principalmente com para para base de testes, dados sintéticos, etc. Você funciona? Tem, eu tenho uma uma aplicação muito útil disso, eh, em pesquisa farmacêutica quando você trata de doenças raras. Doenças raras, você vai achar uma pessoa que tem aquela doença em Uhum. 30 milhões. Então é muito complicado para você fazer um estudo com relevância estatística com uma população tão pequena. Então o que você faz é você olhar para bases históricas e gerar, né, dados sintéticos para depois fazer comparações entre o uso real versus o braço de de dados, né? E pensar que essa era a promessa eh de um surto coletivo que a gente teve uns anos atrás chamado Metaverso, né? Uhum. Você poderia ter os gêmeos, os gêmeos virtuais, né? Você poderia criar pessoas no metaverso para fazer aplicações, etc. Mas acho que aí não passou de um surto coletivo. Ou passou um trem chamado inteligência artificial, atropelou tudo que tava na frente, né? Passou por cima. Nem nem passou por cima. É, são as criações.

77:17Algumas vão pra frente, viram revoluções, outras, aliás, essa é uma uma questão também que sempre vem, né?

77:26logo quando começou essa questão de de EA de uma maneira mais popular, falam, mas isso daí vai ser um novo metaverso ou um novo blockchain que vai some, né, ou não que não sou, pelo menos fica mais contido e e na verdade não, né, o que a gente vê na inteligência artificial, né, que é é algo que já vem se construindo há muito tempo, já é uma uma tecnologia madura, né? O que aconteceu foi essa virada de chave com a popularização dela e um acesso mais amplo. Exato. É o Mas é é curioso porque o o Prop Gartner tem lá o o Hype Cycle, né? E toda tecnologia em tese tem a o vale da desilusão lá que tem aquele hype aí todo mundo vê que não era nada daquilo e depois entra no no platô de de produtividade, né?

78:20Eh, tá tá tá difícil achar o vale da desilusão com aá, né? O hype tá cada vez mais alto, só sobe, né? Eh, talvez em algum momento, tá no começo, mas tá tá durando aí uns 3 anos já esse hype, né?

78:34Desde que o chat PT fez essa disrupção, né? Mas é curioso, né? Porque eu eu teve um outro hype que foi 2000 16 para 18 19 ali quando o na época o eu trabalhava numa outra empresa e o Facebook lan permitiu a possibilidade de você fazer um chatbot dentro do Messenger e na época nós éramos parceiro da Microsoft, a gente usava o Cortana, era o Cortana. Cortana. Que Deus, que Deus a tenha. O Cortana. Aí você tinha o Watson na época, tinha Watson, cara. Nossa, o Watson parece um Neandertal agora.

79:14Coitado Wat. E e ali foi um hype de fato porque ele foi e e caiu porque eh claramente um dos problemas que eu vivenciei inclusive que era integração.

79:24Queria fazer um chat eh só que não, [ __ ] não pegava histórico, não tinha, era uma árvore básica de decisão.

79:32Básica. Idioma também era um problema.

79:35Exatamente. Idioma. Cara, as regionalidades, né? Uhum. Você falava um termo no Nordeste, outro no Sul.

79:42Bergamota. Eu quero comprar bergamota. O quê? Pois é. Então, cara, só que esse momento aqui foi um salto quântico. A diferença é brutal do que foi naquela época. Não, cara. É, é, a gente olha, parece que a gente tava falado de 2016 nesse sentido, parece pintura rupestre, né? Mas tem até um porquê disso, né? A gente evoluiu muito em recurso computacional. Sim, sem dúvida. Verdade. A Nvidia, enfim, verdade. E o e a questão do do hype p cycle também que você trouxe, acho que é é que olhar ai inteira, né, com todo a gente, ela nunca vai de subir. Mas tem componentes, se você olhar para componentes, por exemplo, você olhar a visão computacional, hoje é algo que já tá chegando lá na produtividade, né, já tá bem mais avançado. Tem todos esses modelos novos que entram, né, no mercado, eles vão subir aquela curva de novo até chegar no topo. Sim. É, a gente coloca um, não dá para colocar o mundo todo de inteligência artificial num num ponto só. A gente tem que olhar esses esses componentes. Tem toda a razão. Aí, cara, imagina o fora o que vai vir, né, pô, com esse novo aporte que um aporte singelo que a Openai recebeu de 40 bi, singelo, né, assim, imagina o que vai vir de sem dúvida possibilidades, cara.

81:00Não, e o ponto Camila é ótimo, né? Se a gente não tivesse a nuvem e não tivesse como escalar recursos computacionais sob demanda tão rapidamente, a gente não teria chegado até aqui, né? Exato. Isso foi um habilitador. E e quem trou e é muito louco, né? Para você ver como como não é uma linha reta, né? A gente a nossa história de tecnologia tem várias curvas, né? Quem dis teve a disrupção do mundo da nuvem, que foi a WS, é quem tá na rabeira agora da inteligência artificial. Então, criou-se uma foi quem quem trouxe a estrutura que tava lá na frente agora não tem não consegue lançar Alexa com LM, né? Então não é uma linha reta, é uma uma estrada cheia de curvas e alguém pode te pegar a qualquer momento, né? E vai ser interessante para de ver daqui em diante. Inclusive, quer entender mais sobre Alexa aí, dar umas risadas. A gente fez um episódio recentemente aqui, vou deixar aqui em cima da mente brilhante do meu amigo novamente, o Card. Pessoal, quero agradecer demais a presença de vocês aqui. Acho que foi um papo sensacional sobre eh essa questão de de cultura de dados, de trazer a importância na prática, né, de como tratar isso, né? E tenho certeza que a gente conseguiu aqui eh conscientizar muitos dos nossos colegas de profissão aqui de tecnologia sobre a importância de rever seus processos, de de fato se preparar, porque a demanda de negócio, se já não tá vindo, vai vir forte, né? É isso aí. Muito bom.

82:44Obrigado pela presença de vocês, Camila.

82:46Obrigado. Eu que agradeço. Foi ótima a conversa. Adorei a troca.

82:52Muito interessante. Obrigado, Elão.

82:54Obrigado, cara. Não, muito obrigado.

82:56Agradeço aí o o espaço aqui pra gente poder trocar essa ideia e levar numa numa forma leve, né, como se fosse uma conversa aqui mesmo entre nós e trazer tantas perspectivas diferentes aí sobre o tema nos ângulos que a gente trouxe aqui para você. Tenho certeza que a gente vai ter que regravar esse episódio daqui a seis meses porque o mundo já vai ser outro, né? Verdade. Até lá. Agradeço a audiência de vocês. Obrigado. Você acompanhou até a gente até aqui. Se você até agora ainda não deixou o seu like, se você ainda não compartilhou esse episódio no grupo de dados da empresa lá no Slack, né? Se você é, manda aí, manda no grupo da família também, compartilha no LinkedIn, ajude a nossa comunidade a crescer. Se você entende que o nosso trabalho consegue contribuir de alguma forma na sua vida profissional e você quer ajudar ainda mais o PPT no Cupila, você pode ser membro do PPT no Cupila.

83:49Entra lá no nosso canal do YouTube, do lado do botão de inscrever-se que vai aparecer inscrito, porque você já é inscrito do canal, você vai est lá tornar-se membro. Tornando-se membro do PPT no CPIL. Você vai ter algumas vantagens, por exemplo, você vai ver o episódio mais cedo, a gente tá preparando algumas outras vantagens para para pros nossos membros e você vai contribuir com um valorzinho pequeno aqui para pagar a cerveja do ROM que eu bebo no lugar dele, mas vai ajudar com o nosso trabalho, com a nossa produção, que ajuda a gente a trazer esse conteúdo gratuito para você aqui dentro do BPT no Cupila. Se você não pode ajudar dessa forma, você já ajuda demais compartilhando o episódio, divulgando por aí. fazendo a nossa comunidade crescer cada vez mais. Meus amigos, obrigado novamente pela presença de vocês. Ron, obrigado novamente, meu caro. Foi ótimo bate-papo. Show de bola.

84:41Obrigado. Até o próximo episódio. Valeu,

84:49[Música]