A engenharia de prompt de IA não é o futuro

A engenharia prompt tomou de assalto o mundo da IA generativa. O trabalho, que envolve a otimização da entrada de texto para se comunicar de forma eficaz com grandes modelos de linguagem, foi aclamado pelo Fórum Econômico Mundial como o "trabalho do futuro" número um, enquanto o CEO da Open AI, Sam Altman, o caracterizou como uma "habilidade incrivelmente alavancada". A mídia social está repleta de uma nova onda de influenciadores que apresentam "promessas mágicas" e prometem resultados surpreendentes. No entanto, apesar do burburinho em torno dela, a proeminência da engenharia de prompt pode ser passageira por vários motivos. Primeiro, as futuras gerações de sistemas de IA se tornarão mais intuitivas e hábeis na compreensão da linguagem natural, reduzindo a necessidade de prompts meticulosamente projetados. Em segundo lugar, novos modelos de linguagem de IA, como o GPT4, já se mostram muito promissores na elaboração de prompts - a própria IA está prestes a tornar a engenharia de prompt obsoleta. Por fim, a eficácia dos prompts depende do algoritmo específico, o que limita sua utilidade em diversos modelos e versões de IA. Então, qual é a habilidade mais duradoura e adaptável que continuará a nos permitir aproveitar o potencial da IA generativa? É a formulação de problemas - a capacidade de identificar, analisar e delinear problemas. A formulação de problemas e a engenharia de prompt diferem em seu foco, tarefas principais e habilidades subjacentes. A engenharia de prompt se concentra na criação da entrada textual ideal, selecionando as palavras, frases, estruturas de sentenças e pontuação apropriadas. Em contrapartida, a formulação de problemas enfatiza a definição do problema, delineando seu foco, escopo e limites. A engenharia de prontidão requer um domínio firme de uma ferramenta de IA específica e proficiência linguística, enquanto a formulação de problemas exige uma compreensão abrangente do domínio do problema e a capacidade de destilar questões do mundo real. O fato é que, sem um problema bem formulado, até mesmo os prompts mais sofisticados serão insuficientes. No entanto, quando um problema é claramente definido, as nuances linguísticas de um prompt tornam-se tangenciais para a solução. Infelizmente, a formulação de problemas é uma habilidade amplamente negligenciada e subdesenvolvida para a maioria de nós. Um dos motivos é a ênfase desproporcional dada à solução de problemas em detrimento da formulação. Esse desequilíbrio talvez seja mais bem ilustrado pelo ditado predominante, porém equivocado, da gerência: "não me traga problemas, me traga soluções". Portanto, não é de surpreender que uma pesquisa recente tenha revelado que 85% dos executivos de alto escalão consideram suas organizações ruins no diagnóstico de problemas. Como o senhor pode melhorar a formulação de problemas? Ao sintetizar insights de pesquisas anteriores sobre formulação de problemas e design de trabalho, bem como minha própria experiência e pesquisa em plataformas de crowdsourcing - em que os desafios organizacionais são regularmente articulados e abertos a grandes públicos -, identifiquei quatro componentes principais para a formulação eficaz de problemas: diagnóstico de problemas, decomposição, reenquadramento e design de restrições. Diagnóstico do problema O diagnóstico do problema consiste em identificar o problema central a ser resolvido pela IA. Em outras palavras, trata-se de identificar o objetivo principal que o senhor deseja que a TI generativa cumpra. Alguns problemas são relativamente simples de identificar, como quando o objetivo é obter informações sobre um tópico específico, como várias estratégias de HRM para remuneração de funcionários. Outros são mais desafiadores, como, por exemplo, explorar soluções para um problema de inovação. Um caso em questão é o da InnoCentive (agora Wazoku Crowd). A empresa já ajudou seus clientes a formular mais de 2.500 problemas, com uma impressionante taxa de sucesso superior a 80%. Minhas entrevistas com os funcionários da InnoCentive revelaram que um fator-chave por trás desse sucesso foi sua capacidade de discernir o que está por trás de um problema. Na verdade, eles geralmente iniciam o processo de formulação de problemas usando a técnica dos "Cinco Porquês" para distinguir as causas fundamentais dos meros sintomas. Um exemplo particular é o problema do óleo subártico, que envolveu a limpeza das águas subárticas após o catastrófico derramamento de óleo do Exxon Valdez. Em colaboração com o Oil Spill Recovery Institute, a InnoCentive identificou a causa principal do problema de limpeza do óleo como sendo a viscosidade do óleo cru: o óleo congelado ficou muito espesso para ser bombeado das barcaças. Esse diagnóstico foi fundamental para finalmente resolver o problema de duas décadas com uma solução que envolvia o uso de uma versão modificada de um equipamento de construção projetado para vibrar o óleo, mantendo-o em estado líquido. Decomposição de problemas A decomposição de problemas consiste em dividir problemas complexos em subproblemas menores e gerenciáveis. Isso é particularmente importante quando o senhor está lidando com problemas multifacetados, que geralmente são muito complicados para gerar soluções úteis. Veja o desafio da Esclerose Lateral Amiotrófica (ELA) da InnoCentive, por exemplo. Em vez de buscar soluções para o amplo problema de descobrir um tratamento para a ELA, o desafio se concentrou em um subcomponente: detectar e monitorar o progresso da doença. Consequentemente, um biomarcador de ELA foi desenvolvido pela primeira vez, fornecendo uma solução não invasiva e econômica baseada na medição do fluxo de corrente elétrica através do tecido muscular. Testei como a IA melhora com a decomposição de problemas usando um desafio organizacional oportuno e comum: implementar uma estrutura robusta de segurança cibernética. As soluções do Bing AI eram muito amplas e genéricas para serem imediatamente úteis. Mas depois de dividir o problema em subproblemas - por exemplo, políticas de segurança, avaliações de vulnerabilidade, protocolos de autenticação e treinamento de funcionários - as soluções melhoraram consideravelmente. Os instantâneos abaixo ilustram a diferença. Métodos como a decomposição funcional ou a estrutura analítica do trabalho podem ajudá-lo a representar visualmente problemas complexos e simplificar a identificação dos componentes individuais e suas interconexões mais relevantes para a sua organização. Reformulação do problema O reenquadramento de problemas envolve a mudança da perspectiva a partir da qual um problema é visto, permitindo interpretações alternativas. Ao reenquadrar um problema de várias maneiras, o senhor pode orientar a IA para ampliar o escopo das possíveis soluções, o que, por sua vez, pode ajudá-lo a encontrar soluções ideais e superar obstáculos criativos. Considere Doug Dietz, um arquiteto de inovação da GE Healthcare, cuja principal responsabilidade era projetar scanners de ressonância magnética de última geração. Durante uma visita ao hospital, ele viu uma criança aterrorizada aguardando um exame de ressonância magnética e descobriu que 80% das crianças precisavam de sedação para enfrentar a experiência intimidadora. Essa revelação o levou a reformular o problema: "Como podemos transformar a experiência assustadora da ressonância magnética em uma aventura emocionante para as crianças?" Esse novo ângulo levou ao desenvolvimento da GE Adventure Series, que reduziu drasticamente as taxas de sedação pediátrica para apenas 15%, aumentou os índices de satisfação dos pacientes em 90% e melhorou a eficiência da máquina. Agora imagine o seguinte: os funcionários estão reclamando da falta de vagas de estacionamento disponíveis no prédio do escritório. O enquadramento inicial pode se concentrar em aumentar o espaço de estacionamento, mas ao reformular o problema do ponto de vista dos funcionários - que acham o estacionamento estressante ou têm opções limitadas de deslocamento - o senhor pode explorar soluções diferentes. De fato, quando pedi ao ChatGPT que gerasse soluções para o problema da vaga de estacionamento usando enquadramentos iniciais e alternativos, o primeiro produziu soluções centradas na otimização do layout ou da alocação do estacionamento e na busca de novas vagas. A segunda produziu um conjunto diversificado de soluções, como a promoção de transporte alternativo, deslocamento sustentável e trabalho remoto. Para reformular os problemas de forma eficaz, considere adotar a perspectiva dos usuários, explorar analogias para representar o problema, usar a abstração e questionar proativamente os objetivos do problema ou identificar os componentes ausentes na definição do problema. Desenho da restrição do problema O design da restrição do problema se concentra em delinear os limites de um problema, definindo restrições de entrada, processo e saída da busca de solução. O senhor pode usar as restrições para direcionar a IA na geração de soluções valiosas para a tarefa em questão. Quando a tarefa é voltada principalmente para a produtividade, o emprego de restrições específicas e rigorosas para delinear o contexto, os limites e os critérios de resultado costuma ser mais adequado. Em contrapartida, para tarefas voltadas para a criatividade, experimentar a imposição, a modificação e a remoção de restrições permite explorar um espaço de solução mais amplo e descobrir novas perspectivas. Por exemplo, os gerentes de marca já estão usando várias ferramentas de IA, como Lately ou Jasper, para produzir conteúdo útil de mídia social em escala. Para garantir que esse conteúdo esteja alinhado com as diferentes mídias e com a imagem da marca, eles geralmente estabelecem restrições precisas quanto à duração, ao formato, ao tom ou ao público-alvo. No entanto, ao buscar a verdadeira originalidade, os gerentes de marca podem eliminar as restrições de formatação ou restringir o resultado a um formato não convencional. Um ótimo exemplo é a campanha Help Changes Everything (Ajuda muda tudo) da GoFundMe. O objetivo da empresa era gerar um conteúdo criativo de revisão do ano que não apenas expressasse gratidão aos doadores e evocasse emoções, mas que também se destacasse do conteúdo típico de fim de ano. Para isso, eles estabeleceram restrições pouco ortodoxas: o visual dependeria exclusivamente de arte de rua no estilo mural gerado por IA e apresentaria todas as campanhas de arrecadação de fundos e doadores. A DALL-E e a Stable Diffusion geraram imagens individuais que foram transformadas em um vídeo emocionalmente carregado. O resultado: uma estética visualmente coesa e marcante que foi amplamente aclamada. De modo geral, aperfeiçoar as habilidades de diagnóstico, decomposição, reenquadramento e design de restrições do problema é essencial para alinhar os resultados da IA com os objetivos da tarefa e promover uma colaboração eficaz com os sistemas de IA. Embora a engenharia de prompt possa ser o centro das atenções no curto prazo, sua falta de sustentabilidade, versatilidade e transferibilidade limita sua relevância no longo prazo. Enfatizar demais a elaboração da combinação perfeita de palavras pode até ser contraproducente, pois pode desviar a atenção da exploração do problema em si e diminuir a sensação de controle sobre o processo criativo. Em vez disso, dominar a formulação de problemas pode ser a chave para navegar em um futuro incerto ao lado de sistemas sofisticados de IA. A TI pode vir a ser tão essencial quanto foi o aprendizado de linguagens de programação nos primórdios da computação.

A engenharia de prompt de IA não é o futuro

Resumo.

Partner Center