Fazer login no IT Mídia Redefinir senha
Bem-vindo de volta,
Digite seu e-mail e clique em enviar
Ainda não tem uma conta? Cadastre-se
Salvar em Nova pasta de favoritos

+

Criar pasta
Salvar Escolher Pasta
O caminho evolutivo da inteligência artificial
Home > Notícias

O caminho evolutivo da inteligência artificial

Para que plataformas de IA e ML alcancem seu potencial, alguns pontos devem ser observados, principalmente no variado cenário digital atual

Don Wiggins*

30/08/2021 às 19h47

IA, inteligência artificial
Foto: Shutterstock

Legenda: Imagem: Shutterstock

Embora possamos citar inúmeros
exemplos de como a inteligência artificial (IA) e o machine
learning
(ML)
têm impactado tantos aspectos de nossas vidas, lembro de
um exemplo simples, que a maioria das pessoas deve reconhecer. Alguns anos
atrás, trocamos a mídia de música estática (LPs, cassetes, CD-ROMS etc.) pormídia digital, que inclui o formato MP3 e todos os outros que se seguiram.
O consumo de música sob demanda acabou levando ao streaming de música, que é,
essencialmente, a norma aceita hoje.

Com o tempo, os populares "streamers" de música, como Spotify, Amazon, Apple e outros, aparentemente acumularam um universo digital de quase todas as músicas já gravadas e o disponibilizaram para consumidores em todo o mundo com um serviço intuitivo de streaming utilizado por milhões de pessoas. Este modelo de consumo definiu o jogo para a IA/ML.

Os streamers deduziram que os consumidores não poderiam se lembrar de todas as músicas que aprenderam a gostar durante suas vidas (ou conhecer novas músicas semelhantes) e passaram a lhes fornecer assistência. À medida que a adesão ao streaming amadureceu, o recurso de IA/ML começou a “aprender” do que gostamos. A partir desse processo de aprendizagem, a IA/ML tira conclusões que sugerem outros títulos que podem nos interessar.

De forma semelhante, um sistema de cibersegurança habilitado para IA/ML é capaz, por meio de um processo de aprendizagem contínuo, de discernir o comportamento normal ou aceitável do usuário em um determinado sistema de informações e detectar comportamentos anômalos que se desviam de práticas aceitáveis ou admissíveis do usuário.

Se uma tentativa de acesso é apenas para se juntar a uma rede e/ou acessar recursos específicos dentro dela, a IA/ML pode ser treinada para ser totalmente consciente das tentativas de acesso com base em um conjunto mais amplo de métricas e interditar o acesso não autorizado em tempo real. A IA/ML é um componente integral de uma estrutura mais ampla de Zero Trust, onde o acesso por indivíduos, dispositivos, locais etc. é estritamente regido para garantir que seja limitado de forma granular.

Para ir um pouco mais fundo nesse
assunto, tem uma coisa que nem sempre é vista de imediato. Alguém pode capturar
inescrupulosamente as credenciais de um usuário autorizado. Outros critérios de
Zero Trust – geografia, endereço IP, data e/ou hora da solicitação de acesso –
tornarão a tentativa de acesso suspeita a um sistema habilitado para IA/ML
treinada, resultando em uma série de obstáculos para validar a tentativa do
usuário/acesso suspeito.

Regras semelhantes se aplicarão a
usuários autorizados que possam ter intenção desonesta de acessar ativos
corporativos proprietários. Muitos de nós provavelmente já encontramos um
cenário semelhante ao tentar sacar dinheiro do banco durante as férias no
exterior. O sistema habilitado para IA/ML pode realizar essa análise de
segurança continuamente com milhões de tentativas de acesso válidas e
suspeitas. Obviamente, esse nível de proteção seria difícil, na melhor das
hipóteses, até mesmo com uma grande e robusta equipe de cibersegurança. A IA/ML
serve como uma extensão de nossa capacidade consciente com o fluxo de dados em tempo
real.

Desenvolver uma capacidade de
IA/ML é muito semelhante a criar uma criança. Durante a infância, os pais são
responsáveis pela maior parte do pensamento, se não todo (Decisões Humanas),
mas à medida que o desenvolvimento continua, surge uma consciência coletiva
(Decisões Aumentadas). Então, como a criança continua a aprender e a se
desenvolver, algoritmos variados submetidos a regras, políticas etc.,
aprendidas e estabelecidas, permitem que ela amplie exponencialmente a
capacidade analítica de forma autônoma (Decisões de Máquina). Agora
reconhecemos que a IA/ML está efetivamente em sua terceira geração de
desenvolvimento.

Dados devem ser processados
próximos aos locais de origem

Para que uma plataforma de IA/ML
realmente alcance seu potencial, alguns pontos devem ser incorporados na
equação, principalmente quando consideramos a distribuição geográfica e variada
do cenário digital atual. Por exemplo, na situação de cibersegurança mencionada
acima, presume-se que a rede em questão possui escala global, com provavelmente
milhões de usuários. Se quisermos empregar efetivamente uma plataforma de IA/ML
para selecionar e analisar dados transacionais nesse ambiente, é lógico que ela
também deve ser distribuída regionalmente – estrategicamente adjacente às fontes
dos dados recebidos para análise.

À medida que nos tornamos mais
dependentes de insights pontuais e acionáveis das plataformas de IA/ML, uma
abordagem de baixa latência, distribuída regionalmente, baseada em dados
coletados em locais adjacentes se torna um imperativo. Arquiteturas do passado
com núcleo centralizado, onde fluxos de dados de várias fontes globais eram
alimentados para processamento em um local central, tornaram-se insustentáveis.
O posicionamento desse recurso na digital edge (próxima às fontes de dados
originais) garante simetria adjacente às fontes de dados, bem como quaisquer
serviços periféricos utilizados com a plataforma.

A nova geração de IA/ML

A IA/ML de próxima geração exigirá
a utilização total dos recursos de dados em um ambiente seguro e controlado.
Com o volume de dados passando de lagos para oceanos, juntamente com o risco
aumentado de transportá-los para locais centralizados para processamento, esse
processo já não é mais escalável e não atende às necessidades da missão. O componente
crítico da solução é estabelecer uma verdadeira digital edge onde os dados (de
dispositivos IoT) são coletados e agregados, mantendo-os localizados e
disponíveis para análise.

A digital edge desbloqueia a
próxima geração de IA/ML com três pilares fundamentais: ambiente distribuído
geograficamente, governança de dados e simplicidade operacional dentro de um
ambiente altamente seguro de edge.

* Don Wiggins é arquiteto
sênior de Global Solutions da Equinix

Snippets HTML5 default Intervenções CW
Vai um cookie?

A CIO usa cookies para personalizar conteúdo e anúncios, para melhorar sua experiência em nosso site. Ao continuar, você aceitará o uso. Para mais detalhes veja nossa Política de Privacidade.

Este anúncio desaparecerá em:

Fechar anúncio

15