Pecan AI estreia IA generativa preditiva para empresas

Antes da IA ​​generativa ser a grande tendência da indústria que é hoje, existia a IA preditiva que, como o nome indica, ajuda a fornecer previsões sobre eventos futuros com base em dados. Mas e se você pudesse combinar as duas tecnologias em uma?

Esse é o objetivo da Pecan AI. A startup de oito anos já oferece uma plataforma de análise preditiva para empresas e levantou US$ 116 milhões em financiamento desde o seu início, incluindo uma rodada de US$ 66 milhões em fevereiro. 2022.

Hoje, a empresa está lançando uma nova ferramenta, Predictive GenAI, que combina parte do poder dos modernos recursos de IA generativa com aprendizado de máquina preditivo.

“Enquanto trabalhávamos em nosso lado da vizinhança nas soluções clássicas de análise preditiva de aprendizado de máquina, do outro lado da vizinhança toda a revolução da geração de IA aconteceu”, disse Zohar Bronfman, CEO e cofundador da Pecan AI, à VentureBeat. “Uma coisa em que a geração AI é péssima é criar previsões.”

Embora a geração AI não seja ideal para fazer previsões, as técnicas preditivas de aprendizado de máquina não são particularmente fáceis de usar. O Predictive GenAI da Pecan AI combina ambas as abordagens, permitindo que os cientistas de dados construam e gerem modelos preditivos de IA com mais facilidade.

Tornando a IA preditiva acessível para usuários empresariais

Um objetivo principal da Pecan AI é ajudar as empresas a adotar o aprendizado de máquina e a IA da maneira mais simples possível.

Historicamente, os cientistas de dados foram os principais usuários das plataformas de IA e, em particular, da tecnologia de aprendizado de máquina preditiva.

Bronfman disse que a Pecan AI foi projetada para acessibilidade e visa democratizar os recursos de IA e trazê-los para pessoas que estão mais próximas do lado comercial das coisas dentro das empresas.

Existem duas partes no recurso Pecan AI Predictive GenAI.

1. O Predictive Chat é um recurso que permite aos usuários fazer consultas em linguagem natural por meio de uma interface estilo chatbot. Bronfman disse que o objetivo é ajudar a orientar o usuário que tem um problema de negócios específico para usar mais facilmente uma estrutura preditiva específica que atenda às necessidades do negócio.

2. O novo Predictive Notebook usa IA generativa para construir o notebook de ciência de dados que é usado como base para a construção de um modelo preditivo. Bronfman explicou que o notebook preditivo é o notebook proprietário da Pecan AI baseado em SQL. Ele contém células geradas que definem a transformação dos dados nativos de uma empresa em um conjunto de dados pronto para IA para modelagem preditiva. Cada célula gerada é responsável por um elemento dessa transformação, como consultar, estruturar e unir os dados. As células podem ser executadas automaticamente no backend do Pecan AI de forma transparente para o usuário. No entanto, se um usuário quiser se envolver mais profundamente, ele poderá ajustar as células usando SQL. No final do processo, o notebook cria um conjunto de consultas que são aplicadas às tabelas de dados do usuário para transformá-las de seu estado nativo em um conjunto de dados pronto para IA para a biblioteca de modelagem da Pecan AI.

Por que a geração normal de IA não pode prever (bem, se é que consegue)

Como atestam seus usuários, a geração AI é boa em muitas coisas diferentes, como construir chatbots, resumir conteúdo e escrever relatórios.

Na opinião de Bronfman, a geração AI por si só não é a opção certa para fazer previsões por vários motivos.

Ele disse à Venturebeat que os conjuntos de dados aos quais as ferramentas de geração de IA são expostas durante o treinamento não estão no formato adequado para IA, necessário para modelagem preditiva.

Bronfman explicou que para um modelo preditivo, o conjunto de dados precisa ter cada linha como uma entidade distinta, com cada coluna representando um recurso específico e uma coluna de rótulo para a variável alvo.

No entanto, em cenários reais de negócios, a obtenção de conjuntos de dados neste formato requer um trabalho significativo de engenharia de dados.

Os modelos generativos de IA não são bons para obter dados tabulares brutos de diferentes fontes e transformá-los no formato plano e bidimensional necessário para a modelagem preditiva. Essa é uma habilidade que normalmente requer um cientista de dados experiente para ser realizada.

O uso de um banco de dados vetorial também não é suficiente para uma modelagem preditiva de IA completa, de acordo com Bronfman.

Ele explicou que, embora os bancos de dados vetoriais e os embeddings possam oferecer suporte a recursos preditivos básicos, trabalhando com um conjunto limitado de recursos, eles não são suficientes.

Bronfman disse que ou os modelos teriam que ser muito simples, capturando apenas um padrão limitado, ou, alternativamente, um cientista de dados ainda precisaria fazer engenharia de recursos relativamente complexa para preparar os dados no formato adequado antes de alimentá-los em um modelo preditivo mais rico.

Inovações na preparação de dados ajudam a melhorar a previsão

Embora a IA de geração preditiva conversacional possa ser o novo recurso mais visível, a Pecan AI está avançando com suas inovações patenteadas em torno da automatização da preparação de dados e da engenharia de recursos.

Entre as inovações na preparação de dados nas quais a Pecan AI tem trabalhado está a automação para ajudar a melhorar problemas como vazamento de dados, que podem prejudicar a precisão do modelo. No aprendizado de máquina, o vazamento de dados refere-se ao uso de informações retiradas do processo de treinamento que normalmente não estariam disponíveis quando uma previsão é feita.

“Não é trivial identificar vazamentos, especialmente se você não for um cientista de dados profissional”, disse Bronfman. “Portanto, temos, por exemplo, formas automatizadas de identificar vazamentos”.