Os dados sintéticos estão se tornando uma das peças mais estratégicas para a próxima era da inteligência artificial. Para Bruno Maia, diretor de inovação para a América Latina na SAS, essa tecnologia é mais do que uma solução técnica. Ela é a chave para destravar produtividade, proteger privacidade e acelerar a adoção corporativa de IA sem comprometer segurança.
“O dado sintético protege a individualidade e, ao mesmo tempo, mantém a lógica necessária para treinar modelos”, afirmou Maia ao Revolução IA, programa do NeoFeed com apoio do Magalu Cloud.
A técnica permite criar conjuntos de dados artificialmente gerados, mas estatisticamente fiéis aos originais - em outras palavras, são informações geradas pra imitar dados do mundo real. Isso resolve um dos gargalos mais críticos da IA, que é o tempo gasto na preparação dos dados.
Segundo Maia, cerca de 70% de todo o ciclo analítico é consumido em limpeza, integração e tratamento. Já com os dados sintéticos, essas etapas se tornam mais rápidas, escaláveis e seguras.
Outro benefício é a proteção de informações sensíveis, visto que modelos treinados em dados reais podem expor bases ou, ainda, reproduzir vieses. A versão sintética, por sua vez, ajuda a eliminar tais vulnerabilidades, sem sacrificar a performance.
“Essa abordagem permite que empresas troquem inteligência sem abrir mão da privacidade, nem da sua estratégia de negócio”, disse ele.
Se os dados sintéticos já começam a ser uma realidade na indústria de IA, a próxima grande fronteira tecnológica (e talvez a mais disruptiva) pode ser a computação quântica. Ele prevê que as aplicações corporativas comecem a aparecer em cerca de três anos, alterando de maneira profunda os paradigmas de segurança e processamento. Mas alerta que é preciso olhar para o assunto desde já.
Mesmo reconhecendo todos os benefícios da tecnologia, o especialista defende que a adoção da IA deve ser guiada menos por hype e mais por estratégia. Em sua visão, nem todos os problemas das companhias precisam ser resolvidos com inteligência artificial. Em vez disso, é necessário ter clareza sobre onde a tecnologia gera valor para que ela possa ser aplicada, além de entender como evitar riscos e vieses e como garantir governança.
“Antigamente, interpretar um modelo era simples. Hoje, com machine learning, é impossível explicar para onde a árvore de decisão está indo”, disse, destacando que essa opacidade tem consequências reais. “Se você não consegue explicar o que o modelo está fazendo, primeiro o cliente fica insatisfeito. Segundo: você pode ser mandado embora.”