IA em todos os lugares

��

Adotando soluções de ponta para escalar seu negócio��

��

A IA Generativa (GenAI) conquistou os holofotes, mas, na verdade, é apenas um aspecto de um campo muito mais amplo, que avança em diversas frentes. Uma das lições da IA Generativa é que ela pode ser disponibilizada, acessível e aplicável a mais pessoas. Essa democratização desencadeou uma onda de experimentação e investimentos em tudo, desde ��é ��

��

O impacto da IA no cotidiano das organizações ainda é nebuloso, mas defendemos firmemente que essa tecnologia já tem e continuará tendo um efeito significativo em processos essenciais para os negócios digitais, principalmente no desenvolvimento de software, permitindo que as empresas construam e entreguem produtos ao mercado de maneira mais rápida.

��

Em meio ao entusiasmo em torno da IA, é fundamental compreender que nem sempre ela será uma força transformadora. Os modelos de linguagem de grande porte (LLMs) são poderosos, mas - ao menos por enquanto - geralmente caros demais para a maioria das organizações utilizar em larga escala. O burburinho em torno do ChatGPT pode se tornar um efeito ''martelo procurando prego", levando empresas a integrá-lo a processos onde pode não ser necessário ou não ser a ferramenta certa para o trabalho.

��

Antes de explorar as inovações em IA que surgem constantemente, é importante que as organizações estabeleçam alguns pilares fundamentais. Um deles é uma estr��égia de dados sólida, conforme descrito em nossa lente de plataforma de dados, que garanta um nível básico de dados confiáveis, relevantes e rastreáveis prontamente disponíveis para alimentar modelos de IA. Sem essa base, uma solução de IA pode simplesmente acelerar a tomada de decisões equivocadas.

��

Adotar ferramentas como a IA generativa também exige uma noção básica do que define um "bom" resultado para o que você almeja alcançar. Apesar de elas poderem ser direcionadas, não é uma boa ideia deixá-las trabalhar sem supervisão ou confiar integralmente na qualidade dos resultados. Controlar a direção e a saída dos seus sistemas de IA é parte de uma prática tecnológica responsável e essencial para evitar consequências indesejadas.

��

Com esses parâmetros definidos, incentivamos as organizações a iniciar o teste da IA com possíveis casos de uso em suas operações. Como toda inovação, é difícil compreender todo o potencial ou a gama de aplicações ��é que a tecnologia esteja firmemente em jogo.

À medida que o potencial de integração da IA se torna mais sofisticado e as implicações de erros críticos se multiplicam, a necessidade de um gerenciamento de riscos eficaz também aumenta.

Mike Mason

Chief AI Officer, ��

À medida que o potencial de integração da IA se torna mais sofisticado e as implicações de erros críticos se multiplicam, a necessidade de um gerenciamento de riscos eficaz também aumenta.

Mike Mason

Chief AI Officer, ��

��

Sinais

��

Empresas descobrindo novas aplicações para a IA, muitas vezes em campos inesperados. A consultoria McKinsey, por exemplo, chamou atenção com o que funciona como um assistente versátil e ‘debate de ideias’, pesquisando o vasto repositório de documentos e transcrições de entrevistas da empresa com base nas consultas dos funcionários para resumir pontos-chave e identificar especialistas que possam auxiliá-los em seu trabalho.

��

LLMs falando novas ‘línguas’. Mais LLMs (modelos de linguagem de grande porte) estão sendo desenvolvidos para setores ou casos de uso específicos que empregam seu próprio vocabulário, às vezes altamente técnico. Exemplos incluem o da Bloomberg, treinado especificamente em conjuntos de dados financeiros para auxiliar em tarefas comuns do setor de serviços financeiros, como reconhecimento de entidades nomeadas e classificação de notícias; e o do Google, projetado para gerar respostas precisas e abrangentes a perguntas comuns de saúde do consumidor e que se mostrou apto o suficiente para passar no Exame de Licença Médica dos EUA.

��

IA tornando-se o novo campo de batalha dos investimentos. A amplitude de recursos e capital direcionados à IA por gigantes globais em busca de vantagem competitiva neste terreno em disparada é impressionante. O investimento de US$ 4 bilhões da Amazon na startup Anthropic vem logo após a injeção multibilionária da , no início do ano. O Goldman Sachs estima que o montante total investido no setor, mesmo antes da IA gerar retornos concretos de produtividade.

��
Ações relacionadas à IA em alta. O aumento impressionante , principal fabricante dos chips que alimentam os sistemas de IA, é apenas a ponta do iceberg. As ações de empresas menos conhecidas como a C3.ai, desenvolvedora de aplicativos de IA, e ETFs (fundos de índice negociados em bolsa) focados em IA, como o BOTZ, à medida que analistas e investidores se concentram no setor.

Recomendação estr��égica

Adote

O uso de agentes independentes simulados, cada um com seus próprios objetivos, para modelar uma situação do mundo real. Essas simulações podem nos ajudar a entender fenômenos complexos como a propagação de doenças ou o dobramento de proteínas.
Soluções de IA prontas para usar, oferecidas como um serviço em plataformas na nuvem. Muitas vezes não exigem habilidades especializadas em IA ou ML para serem utilizadas.
A IA está sendo cada vez mais utilizada em segurança, tanto para responder a ameaças de forma dinâmica quanto para investigar vulnerabilidades em sistemas.
Uso de IA para acelerar ou aperfeiçoar o desenvolvimento de software. Exemplos incluem finalização de código em IDEs, testes automatizados criados por IA, IA que detecta bugs e ��é mesmo ferramentas de geração de código por IA.
Processamento de algoritmos de IA e aprendizado de máquina em dispositivos na borda da rede, com restrições de computação e memória.
Uso de tecnologia para facilitar o acesso a todos os dados necessários para atender a relatórios, verificações e controles de conformidade. Em muitos casos, a automação simplifica os relatórios por meio da análise de dados; no entanto, a IA está começando a substituir a tomada de decisões manual.
Um conjunto de diretrizes que as organizações podem utilizar para gerenciar riscos e mitigar as potenciais consequências negativas de determinadas tecnologias (como vieses em Inteligência Artificial).
Quando indivíduos ou organizações compartilham objetivos comuns, buscam a colaboração para alcançá-los. Por isso, precisam de um conjunto de ferramentas e recursos que lhes permitam gerar valor de forma eficaz. Um bom exemplo é o ambiente remoto para equipes de desenvolvimento, que possibilita a solução de problemas de forma colaborativa.
Plataforma de dados estruturada por áreas de negócio, onde os dados são vistos como produtos e cada um possui um time responsável. Visando otimizar a velocidade e promover a padronização, as equipes de infraestrutura oferecem ferramentas para que os times de produtos de dados sejam autônomos.
Aproximando o armazenamento e processamento de dados aos dispositivos onde eles são gerados, em vez de depender de uma localização central que pode estar a milhares de quilômetros de distância. Os benefícios incluem menor latência para sistemas em tempo real e maior privacidade de dados.
Metodologias para tomada de decisão que visam aumentar a transparência e clareza no processo de tomada de decisão, especialmente no contexto do uso de IA e do potencial viés presente nos dados.
A arquitetura evolutiva se diferencia dos modelos corporativos clássicos, pesados e definidos de antemão, por aceitar a impossibilidade de predizer o futuro. Em vez disso, ela propõe um mecanismo para alterar a arquitetura de sistemas de forma controlada e gradativa.
Conjunto de ferramentas e abordagens para compreender o raciocínio utilizado por um modelo de modelos de aprendizado de máquina para chegar a uma conclusão. Essas ferramentas geralmente se aplicam a modelos que, de outra forma, seriam opacos em seu raciocínio.
A integração de recursos de inteligência artificial generativa (IA Generativa) em ambientes de desenvolvimento integrados (IDEs), os aplicativos de software usados por programadores para escrever código.
Inteligência Artificial que cria texto, imagem, áudio e vídeo a partir de instruções simples em linguagem natural.
Adoção de tecnologias, linguagens de programação, algoritmos e arquiteturas de software eficientes e energeticamente sustentáveis.
Plataformas dedicadas a machine learning abrangendo gerenciamento de dados, construção de features, treinamento, avaliação, governança, interpretação, AutoML, controle de versões, promoção entre ambientes, disponibilização, implantação e monitoramento de modelos.
Um movimento para levar as práticas DevOps ao campo do aprendizado de máquina. O MLOps incentiva uma cultura colaborativa onde todos, independentemente de cargo ou formação, trabalham juntos para imaginar, desenvolver, implantar, operar, monitorar e melhorar sistemas de aprendizado de máquina de forma contínua. O Continuous Delivery for Machine Learning (CD4ML) é a abordagem da �� para implementar o MLOps de ponta a ponta.
Inteligência artificial e outras tecnologias modernas que auxiliam computadores a compreender a intenção e o significado de linguagem falada ou escrita. Utilizadas para diversas aplicações, desde softwares de ditado, análise de documentos para extração de informações.
Uma técnica onde algoritmos aprendem de forma contínua com base na chegada sequencial de dados e podem explorar um espaço de problemas em tempo real. Contrasta com o aprendizado de máquina tradicional, onde o treinamento do modelo usa apenas dados históricos e não pode responder a situações dinâmicas ou nunca vistas anteriormente.
Incorporar a inteligência artificial de forma natural às atividades empresariais, garantindo níveis adequados de segurança e governança.
Uma abordagem que prioriza a criação e o suporte de plataformas com foco em fornecer valor contínuo para as clientes (pessoas usuárias), em vez de tratar a construção da plataforma como um projeto com data de conclusão definida.
Uma mudança importante na forma de conduzir negócios, organizações e estr��égias de produtos, onde a privacidade se torna o valor central e parte fundamental da oferta. Essa mudança abandona o antigo modelo "usuários são o produto" e entra em um novo território, onde construir confiança e transparência vem em primeiro lugar.
Um método em Inteligência Artificial onde o sistema aprimora a geração de respostas buscando informações relevantes em uma grande base de dados ou fonte de conhecimento. Esta abordagem combina os aspectos criativos dos modelos de IA generativa com a precisão da recuperação de dados, possibilitando respostas mais precisas e contextualmente relevantes em diversas aplicações empresariais.
Equipadas com centrais inteligentes, as casas evoluem para ambientes onde moradores passam a controlar diversos sistemas domésticos.onde moradores passam a controlar diversos sistemas domésticos. As análises podem ��é mesmo orientar ou gerenciar o fornecimento de calor e energia, aprendendo com os hábitos individuais ou da vizinhança.
Automobiles where the core functionalities, features and user experience are primarily governed by software, rather than traditional mechanical and electrical systems. This approach enables increased flexibility, customization and continuous enhancement through remote updates, significantly transforming the vehicle's capabilities and, in turn, the automotive industry's business models. O software comanda as funcionalidades essenciais, as características e a experiência do usuário, superando os tradicionais sistemas mecânicos e elétricos. Essa abordagem permite maior flexibilidade, personalização e melhoria contínua por meio de atualizações remotas, transformando significativamente as capacidades do veículo e, consequentemente, os modelos de negócios da indústria automobilística.
Sistemas de armazenamento especializados para processamento e indexação eficiente de vetores de dados de alta dimensão, comumente utilizados em aplicações de aprendizado de máquina e inteligência artificial.

Analise

Marketplaces como o AWS Marketplace, o Google TensorFlow Hub e o MS Azure Marketplace permitem que desenvolvedores e empresas independentes vendam seus modelos para um mercado global. Elas também possibilitam que consumidores utilizem rapidamente esses modelos para gerar valor com agilidade.
Uma nova geração de soluções onde múltiplas tecnologias se combinam e atuam juntas. Drones, robótica e veículos autônomos são exemplos de dispositivos que exigem aprendizado de máquina, processamento de fluxos de dados e camadas de inteligência para resolver problemas.
Imagens, sons e vídeos produzidos por inteligência artificial, também chamados de mídia sintética.
O uso de tecnologia para executar fluxos de trabalho repetitivos ou previsíveis. A força de trabalho automatizada não significa a substituição completa de humanos; em alguns casos, a 'colaboração' humano-máquina pode produzir melhores resultados do que qualquer um trabalhando sozinho.
Uma abordagem para automatizar parcialmente o trabalho de cientistas de dados e engenheiros de aprendizado de máquina através da seleção e treinamento automático de modelos de aprendizado de máquina para tarefas específicas.
A capacidade de realizar cálculos em dados criptografados, sem a necessidade de decifrá-los previamente. Isso permite a preservação da privacidade dos dados enquanto possibilita o armazenamento e manipulação de dados em locais externos. Exemplos dessa tecnologia incluem a computação segura multipartidária e a criptografia homomórfica.
Técnica de aprendizado de máquina distribuída na qual modelos de IA são baixados em dispositivos locais e treinados com dados locais, compartilhando apenas os ajustes do modelo, sem revelar os dados originais, permitindo a colaboração segura na criação de modelos entre organizações.
Um modelo de negócios que busca extrair valor a partir de grandes volumes de informações pessoais.Exemplos vão do uso básico de cookies ��é a criação de perfis detalhados com base no comportamento online. Historicamente, empresas e serviços intermediários dominavam esse cenário, lutando por atenção e anúncios. Mas, com a chegada da LGPD e outras leis de privacidade, está emergindo uma nova era onde as pessoas têm o poder de decidir quais dados elas querem compartilhar em troca de serviços.
Entender o perfil genético individual de um paciente para identificar possíveis problemas antes que eles surjam e oferecer tratamentos mais eficazes para condições pré-existentes.
A automação robótica de processos (RPA) tem como objetivo permitir a interação de scripts ou bots com interfaces de usuário sem a necessidade de um operador humano. O low-code pretende democratizar a programação, possibilitando o desenvolvimento de sistemas de software por pessoas sem conhecimento específico de programação.
Uma uma área urbana que coleta dados por meio de diversos sensores IoT, os quais são integrados e analisados por plataformas dedicadas. Insights extraídos desses dados orientam a ação de sistemas digitais, otimizando a gestão de ativos, recursos e serviços. Esses dados, por sua vez, retroalimentam o sistema, aprimorando continuamente as operações urbanas.

Antecipe

Sem tendências

Adote

Funções integradas em aplicativos que combinam a funcionalidade de modelos de IA generativa abertos e conhecimento especializado, como as informações de produtos.
Técnicas para extrair relações de causa e efeito entre os dados de entrada e os resultados de um modelo de aprendizado de máquina, tornando-o mais genérico e exigindo menos dados de treinamento para ter um bom desempenho.
Identidade descentralizada (DiD), também conhecida como identidade auto-soberana, é uma arquitetura de identidade baseada em padrões abertos que utiliza IDs digitais independentes e credenciais verificáveis para transmitir dados confiáveis. Embora não seja dependente de blockchains, muitos exemplos atuais são implementados nelas, bem como em outras formas de tecnologia de registro distribuído e criptografia de chave privada/pública, com o objetivo de proteger a privacidade e garantir a segurança das interações online.
Controle de acesso a dados finamente granular (FGAC), incluindo modelos baseados em políticas (PBAC) e baseados em atributos (ABAC), que permitem a consideração de uma gama mais ampla de elementos contextuais na determinação de permissões de acesso, além de papéis e privilégios tradicionais.

Analise

Regulamentação e orientação governamental sobre o uso de IA, com o objetivo de garantir o uso responsável e as consequências dos sistemas de IA. Isso inclui monitoramento, conformidade e boas práticas.
Combina ferramentas e técnicas de Inteligência Artificial com as ciências comportamentais e da administração para aprimorar e amplificar a tomada de decisão de indivíduos e tomadores de decisão diante de uma ampla gama de problemas complexos, abrangendo desde o planejamento de cenários ��é a pesquisa operacional.
Assistentes virtuais e personagens não-jogáveis (NPCs) impulsionados por IA que recriam a interação humana dentro do metaverso.
Facilitar o uso da IA reduzindo a barreira de entrada, fornecendo contexto compartilhado e outros dados que podem ser difíceis que podem ser um obstáculo com a criação de prompts.
Tecnologias que viabilizam a interação e o compartilhamento automático de informações entre dispositivos, possibilitando a tomada de decisões e ações com mínima ou nenhuma intervenção humana.
Interações com modelos de IA que abrangem diferentes modos de comunicação. Por exemplo, um chatbot que compreende e responde tanto em forma escrita quanto falada.
Sistemas que monitoram métricas em sistemas distribuídos complexos e tomam ações corretivas se um problema for detectado. Eles são frequentemente usados para segurança, mas cada vez mais também para resiliência e recuperação em caso de uma interrupção.
Tecnologias emergentes que permitem certificar a proveniência de dados e governar seu uso em toda a organização. Isso pode ser transformador no esforço para rastrear e aprimorar o progresso em direção às metas de sustentabilidade.

Antecipe

São ataques que visam corromper ou explorar sistemas de aprendizado de máquina (machine learning). Os criminosos podem manipular dados de treinamento ou identificar entradas específicas que um modelo classifica mal para, deliberadamente, gerar resultados indesejados.
Um termo coletivo para sistemas e dispositivos capazes de reconhecer, interpretar, processar, simular e responder a emoções humanas.
A maioria dos termos de serviço ou contratos de licença de usuário final é redigida em um linguajar jurídico denso e difícil de compreender para pessoas sem formação em direito. O consentimento compreensível busca reverter esse padrão, utilizando linguagem clara e descrições transparentes sobre como os dados dos clientes serão utilizados.

Adote

Sem tendências

Analise

Sem tendências

Antecipe

A Inteligência Artificial Geral (IAG) possui capacidades amplas em diversas tarefas intelectuais, sendo frequentemente comparada à inteligência humana, ao contrário da IA atual, que ainda é restrita a funções específicas, embora algumas sejam bem avançadas.
Algoritmos de aprendizado de máquina adaptados e executados em um processador quântico, utilizados principalmente para analisar dados clássicos (não quânticos).

Oportunidades

��

Ao se antecipar as tendências dessa lente, as organizações podem:

��

Tornar as interações humano-computador fluidas e aceleradas. Avanços em Processamento de Linguagem Natural (PLN) estão abrindo novas formas de comunicação entre pessoas e máquinas, incluindo conversas do dia a dia. Isso amplia o alcance de pessoas que podem interagir com esses sistemas e facilita o planejamento e a execução de tarefas como resumo de informações, respostas independentes a consultas ou suporte contextual a determinadas funções, além da geração e curadoria de conteúdo.

��
Acabar com o medo da 'página em branco'. Seja qual for a tarefa ou projeto, muitas vezes o mais difícil é ter a(s) ideia(s) inicial(is) e começar do zero. A IA pode eliminar esse entrave por meio de pesquisas e fornecendo uma lista de sugestões ou insights que, mesmo distantes do resultado desejado ou do artigo final, podem servir como ponto de partida ou estimular mentes hesitantes.

��
Automatize tarefas, não funções inteiras. A necessidade de envolvimento humano para guiar e avaliar o resultado da IA torna menos provável a substituição completa de funções por sistemas de IA. Dito isso, há uma infinidade de tarefas que a IA pode automatizar ou que pode aumentar a eficiência e a consistência da participação humana. Qualquer tarefa que exija acesso e análise de um vasto conjunto de conhecimento - como um grande número de artigos de pesquisa ou bancos de dados com informações médicas ou financeiras - pode ser vista como candidata promissora para a assistência de LLMs (modelos de linguagem de grande porte). A barreira do que a IA pode fazer mudará constantemente, mas, em geral, como alguns aconselham, é útil pensar na IA - ou seja, o equivalente a um assistente de pesquisa capaz ou a um exército de estagiários bem-intencionados. Existem algumas tarefas que podem ser confiadas à IA, mas certamente não podemos confiar em tudo a ela.

��
Revolucione a entrega de software. Há uma ideia equivocada de que o principal uso da IA Generativa no desenvolvimento de software é como uma ferramenta para facilitar a programação, quando na realidade ela pode impactar todos os aspectos do ciclo de vida do desenvolvimento. Aplicações potenciais além da assistência à programação incluem: brainstorming com IA para melhorar requisitos e cenários de teste; resposta a incidentes e depuração aprimoradas por meio da tradução de linguagem natural em consultas sobre logs e métricas; ideação de produtos e estr��égias; e busca de informações institucionais não estruturadas para fornecer contexto valioso as pessoas desenvolvedoras. Com base em nossas experiências, acreditamos que a entrega de software assistida por IA tem o potencial de gerar aumento em produtividade de ��é 30%.

O que fizemos

Aprimorando a IA conversacional com modelos de linguagem em Jugalbandi.

��

Desenhamos um chatbot que auxilia as pessoas usuárias a entender a complexidade dos diversos programas de assistência social do governo indiano. Ele demonstra a capacidade da IA não só de navegar, processar e resumir grandes volumes de informações em um formato de fácil compreensão, mas também de atender a uma base de pessoas usuárias muito mais inclusiva, em seus próprios termos. Combinamos vários LLMs (modelos de linguagem de grande porte) e modelos de tradução existentes para alimentar a IA conversacional via voz, tanto de entrada quanto de saída, em diversas línguas e dialetos locais. Isso fornece um ponto de acesso e fonte de informação sobre serviços governamentais para uma base de pessoas usuárias em áreas rurais com taxas altas de analfabetismo. Isso ampliou e simplificou drasticamente as interações entre o governo indiano e muitos de seus cidadãos em áreas remotas e não urbanas.

��

Recomendações práticas

��

O que fazer (Adote)

��

Identifique as pessoas embaixadoras da IA, que��são os membros da equipe responsáveis por orientar e educar sua organização sobre os potenciais casos de uso das soluções emergentes. Entenda que a IA será aplicada de forma diversa em praticamente todas as áreas da empresa, exigindo uma mente aberta. Ter pessoas com uma visão clara do que define um "bom resultado" pode reduzir riscos e garantir que as iniciativas de IA foquem em resultados de negócios relevantes.��

��

Identifique casos de uso de IA que gerem valor real para sua organização,��bem como áreas onde você explicitamente não usará IA, seja por falta de viabilidade econômica, custos altos ou riscos excessivos. Como a lista de possíveis aplicações é vasta e em constante expansão, ter essas decisões como norte garante que seus esforços de IA sejam cuidadosamente direcionados e, portanto, com maior probabilidade de gerar resultados.��

��

Tenha clareza sobre a tecnologia que está sendo utilizada. "IA" se tornou um termo abrangente para várias tecnologias distintas e, mais recentemente, usada para se referir apenas à IA Generativa. As capacidades e os casos de uso da GenAI em comparação com outras tecnologias que às vezes são agrupadas sob o guarda-chuva da IA, como o aprendizado de máquina, podem ser muito diferentes. É necessário conhecimento sobre o que você planeja implementar e como isso se conecta aos problemas que está tentando resolver.��
Defina e comunique os limites com antecedência. Bem antes de interagirem com a IA no dia a dia, as equipes devem estar cientes dos padrões e expectativas em termos de segurança, fontes de dados e sistemas de verificação de seus resultados para transparência e/ou viés. Também devem saber quando desistir de experimentos que provavelmente não produzirão o resultado desejado ou resultarão em riscos excessivos.
Especialmente no curto prazo, mantenha o foco na colaboração humana-IA, invista em como pessoas e IA podem trabalhar juntas. Certifique-se de que as equipes entendam como a IA pode melhorar, não ameaçar as tarefas centrais de seus papéis e onde seu julgamento será necessário. Monitore e controle os custos dos serviços usados, que geralmente não são visíveis para uma pessoa usuária de forma individual, mas podem somar rapidamente. Dependendo da tarefa, pode ser benéfico abrir mão de um certo grau de precisão para reduzir custos, pois modelos menos precisos podem ser substancialmente mais baratos de operar.��

��

O que considerar (Analise)
��

Alternativas ao uso de modelos de linguagem de grande porte (LLMs) comerciais.��Modelos como o��, acessíveis de forma gratuita, oferecem uma base sólida para aplicações de chatbot e suporte ao cliente. Além disso, podem ser aplicados em modelos especializados para proteger a propriedade intelectual da organização.

��
Agentes de IA. As recentes iinterfaces de programação, como as da OpenAI, permitem combinar a funcionalidade de modelos de IA generativa disponíveis publicamente com conhecimento específico externo ao modelo, como informações de produtos.

��
Novas ofertas de fornecedores. Grandes empresas provedoras de nuvem como e lançaram, no final de 2023, uma série de novos produtos e serviços para pessoas desenvolvedoras. Em muitos casos, essas ferramentas oferecem recursos atrativos, como implantação e operação assistida por IA do software em desenvolvimento. Incentive suas pessoas embaixadoras de IA a avaliarem frequentemente essas opções.

��

O que observar (Anticipe)

��

Ondas de regulamentação. Conforme demonstrado pelo sobre os governos estão correndo para legislar contra alguns dos impactos negativos já percebidos da IA. Novas regras sobre todos os aspectos da IA provavelmente aparecerão com rapidez e de todas as direções. As organizações precisam ser proativas na implementação de políticas responsáveis antes de serem obrigadas, para que a conformidade se torne natural.

Lente dois: Refletindo sobre o valor das plataformas de dados e IA

Saiba mais

Lente três: Evoluindo as interações

Saiba mais

Lente quatro: Acelerando a convergência físico-digital

Saiba mais

Lente cinco: Tecnologia responsável - uma consideração crítica

Saiba mais

��

��ç�ǲ�

��Ի�ú��ٰ��

Destaques

Ferramentas e Publicações Digitais

Todos os Insights