Epoca Negócios
Antes de escolher o modelo de inteligência artificial ou calcular quantos chips de alto desempenho serão necessários, uma empresa precisa responder a uma pergunta mais básica: onde estão os dados que alimentarão o sistema? Para Rob Czarnecki, vice-presidente de produtos da Oracle Cloud Infrastructure, a resposta ajuda a definir se uma aplicação de IA deve rodar na nuvem pública, dentro da própria empresa ou em uma combinação dos dois ambientes.
O tamanho do negócio pesa nessa conta, mas não decide sozinho. A natureza da operação, a velocidade exigida e o custo de movimentar informações podem ser mais importantes.
“Se velocidade ou latência são importantes, normalmente é mais eficiente levar a aplicação de IA para o mais perto possível dos dados”, afirmou Czarnecki em entrevista à Época NEGÓCIOS durante o Oracle AI World, em Las Vegas. A razão aparece na infraestrutura.
Quando dados e processamento estão distantes, as informações precisam viajar de um ambiente para outro antes que os chips possam trabalhar. Além de aumentar o tempo de resposta, esse percurso pode deixar equipamentos caros esperando pela chegada do material que será processado.
“Dados têm gravidade e inércia. Movê-los é difícil”, disse Czarnecki.
Para ele, a questão central não é transferir tudo para um único provedor, mas montar a infraestrutura em torno do resultado que a empresa pretende alcançar. A recomendação é começar pelo problema de negócio e trabalhar de trás para a frente.
Uma companhia que queira detectar falhas em equipamentos, reduzir desperdícios ou responder mais rapidamente a alterações na demanda deve definir primeiro a velocidade e a precisão necessárias. A escolha da infraestrutura vem depois.
“Funciona melhor quando o cliente se senta e pergunta: ‘O que estou tentando fazer?’, em vez de começar com ‘O que consigo fazer com esta tecnologia?’”, afirmou. Treinar na nuvem e usar a IA perto da operação
A escolha também muda conforme a etapa do projeto. O treinamento de um sistema de inteligência artificial exige grande capacidade computacional por períodos concentrados.
Como essa demanda oscila, Czarnecki considera a nuvem pública uma opção natural para evitar que a empresa compre e mantenha chips que passarão parte do tempo ociosos. O uso cotidiano da IA segue outra lógica.
Dependendo da aplicação, o processamento precisa acontecer perto da fábrica, da loja, do hospital ou do centro de distribuição no qual a decisão será executada. Em uma linha industrial, por exemplo, a IA pode identificar um defeito, interromper uma máquina ou ajustar o processo para reduzir desperdícios.
Alguns segundos de atraso podem elevar custos e até criar riscos de segurança. Nesse caso, manter capacidade computacional dentro da instalação ou em uma estrutura próxima pode ser mais importante do que concentrar todo o processamento em uma grande região de nuvem.
Para uma análise financeira realizada uma vez por dia ou um relatório mensal, a urgência é diferente. A empresa pode enviar o trabalho para a nuvem pública e aproveitar a capacidade disponível sem precisar manter os equipamentos em sua própria estrutura.
“Em alguns casos, é mais econômico executar essas cargas na nuvem pública, porque não é algo que precise acontecer em tempo real. Pode ser um processamento diário, semanal ou mensal”, explicou Czarnecki.
A decisão pode colocar o treinamento e o uso do sistema em lugares diferentes. Um modelo é treinado com capacidade alugada na nuvem e depois conectado aos ambientes em que será utilizado.
Redes privadas e conexões dedicadas fazem a ligação entre essas partes. Essa combinação sustenta a expansão das ofertas de computação híbrida e multicloud.
A Oracle mantém serviços de banco de dados dentro das estruturas de Amazon, Microsoft e Google, além de oferecer sua nuvem em instalações de clientes e parceiros. No caso da parceria com o Google, o Oracle AI Database@Google Cloud coloca a infraestrutura de banco de dados da Oracle em centros de dados do Google.
Com isso, empresas podem aproximar informações mantidas no Oracle de ferramentas como o Gemini e a plataforma Vertex AI sem transferi-las continuamente entre nuvens. Czarnecki diz que essa proximidade ajuda a reduzir o tempo de resposta e o tráfego de dados.
Também permite que empresas mantenham aplicações construídas em um provedor e bancos de dados administrados por outro. A estratégia contraria a ideia de que a adoção de IA obrigará todas as companhias a concentrar sistemas, dados e modelos em uma única nuvem.
Grandes empresas acumulam tecnologias construídas ao longo de décadas, contratos com diferentes fornecedores e estruturas próprias que ainda têm vida útil. Substituir tudo pode custar mais do que adaptar a infraestrutura existente.
Empresas menores começam pela nuvem O porte volta a ganhar importância quando entram na conta os profissionais e investimentos necessários para manter infraestrutura própria.
Uma startup dificilmente terá escala para comprar equipamentos, administrar um centro de dados e reunir uma equipe especializada apenas para evitar a nuvem pública. Para empresas menores, Czarnecki considera mais racional começar com um provedor de nuvem ou um serviço gerenciado.
O modelo elimina parte do investimento inicial e permite ampliar ou reduzir a capacidade conforme a demanda. À medida que o negócio cresce, a companhia pode avaliar se determinadas operações justificam uma infraestrutura híbrida.
O ponto em que essa análise passa a fazer sentido chegou mais cedo, segundo o executivo, porque equipamentos e ferramentas de administração se tornaram mais acessíveis. A flexibilidade também alcança a forma de comprar capacidade.
Em vez de contratar pacotes fechados de processamento e memória, empresas podem dimensionar máquinas virtuais de acordo com a necessidade de cada aplicação. O objetivo é reduzir a sobra de recursos pagos, mas não utilizados.
O cálculo não termina nos chips. Preparação dos dados, armazenamento, rede, segurança e operação contínua entram no custo total.
Uma aplicação bem-sucedida em um teste pode se tornar cara quando começa a processar grandes volumes de informação, atender milhares de usuários e funcionar sem interrupção. A segurança ocupa outra parte dessa arquitetura.
Sistemas de IA acessam dados valiosos das empresas e transformam essas informações em análises que também precisam ser protegidas. Para Czarnecki, os controles devem alcançar a infraestrutura física, a rede, o processamento, as credenciais e a comunicação entre diferentes ambientes.
A pressão para organizar essa estrutura aumentou à medida que os projetos de IA deixaram os laboratórios. Segundo o executivo, empresas já enxergam resultados mensuráveis e passaram a ampliar iniciativas que antes eram tratadas como experimentos.
Economia e eficiência são as portas de entrada mais fáceis de medir, mas Czarnecki vê a IA avançando também sobre produtos e receitas. Em pesquisa e desenvolvimento, sistemas podem procurar padrões em anos de informações acumuladas para sugerir mudanças em produtos ou processos.
Na indústria, podem elevar a qualidade. Em saúde e ciências da vida, podem ajudar a localizar relações relevantes entre pesquisas, moléculas e tratamentos.
Negócios com muitos anos de sistemas legado podem ter uma vantagem particular: décadas de dados que nunca foram explorados em conjunto. Em vez de depender apenas da memória e da experiência dos profissionais reunidos para resolver um problema, a IA pode procurar evidências em todo o acervo disponível.
O acesso a esses dados também está mudando. Consultas que antes exigiam conhecimento de programação ou ciência de dados podem ser feitas em linguagem natural.
Czarnecki acredita que o chatbot está se tornando uma nova interface de desenvolvimento dentro das empresas. A facilidade de formular uma pergunta não elimina a necessidade de saber o que procurar.
“É preciso construir a solicitação de maneira inteligente”, disse o executivo. “Se os dados que entram são ruins, a resposta também será.”
*O jornalista viajou a convite da Oracle Mais Lidas
