Data-centric AI, uma abordagem para construir sistemas mais confiáveis

Uma das principais tendências em ciência de dados para os próximos anos é a IA centrada em dados (data-centric AI), uma abordagem que foca na qualidade, consistência e governança dos datasets. 

Saiba como essa abordagem funciona a seguir. 

O que é a IA centrada em dados (data-centric AI) 

A IA centrada em dados é uma abordagem em que a prioridade passa a ser a qualidade e organização dos dados, e não necessariamente a sofisticação dos modelos. Segundo Andrew Ng, cofundador do Google Brain e professor da Universidade de Stanford, mais de 80% do esforço em IA deveria estar concentrado em preparar e melhorar datasets, não apenas em treinar algoritmos. 

Essa tendência se baseia na ideia de que um modelo simples com dados ótimos supera um modelo avançado com dados ruins. 

Até 2020, o foco da evolução em IA estava no desenvolvimento de modelos cada vez maiores e mais eficientes: redes neurais profundas, transformers, LLMs... Contudo, conforme esses modelos atingiram altos níveis de generalização, ficou claro que a qualidade dos dados era o principal gargalo. 

Foi então que: 

• Empresas perceberam que seus modelos falhavam por vieses ou inconsistências. 
• Governos começaram a exigir rastreabilidade e explicabilidade. 
• Setores regulados passaram a exigir documentações robustas de datasets. 

Assim, a abordagem centrada em dados se tornou dominante. 

Exemplos de data-centric AI 

Conheça os principais métodos usados na IA centrada em dados: 

• Detecção e remoção de outliers: tratamento de exemplos anômalos no conjunto de dados. 
• Detecção e correção de erros: tratamento de valores e 0rótulos incorretos no conjunto de dados. 
• Estabelecimento de consenso: determinação do que é a verdade a partir de muitas anotações colaborativas. 
• Aumento de dados: adição de exemplos aos dados para codificar conhecimento prévio. 
• Engenharia e seleção de recursos: manipulação da forma como os dados são representados. 
• Aprendizagem ativa: seleção de dados mais informativos para rotular em seguida. 
• Aprendizagem curricular: ordenação de exemplos no conjunto de dados, partindo do mais simples para o mais complexo. 

Diferença entre data-centric AI e model-centric AI 

A IA centrada em modelos (model-centric AI) tem como objetivo aperfeiçoar o modelo para extrair o máximo de performance de um conjunto de dados fixo. 

Já a IA centrada em dados foca na produção do melhor dataset para alimentar um modelo, e não na criação do modelo em si. 

Ela prioriza o diagnóstico e a correção de problemas recorrentes, como ruído, rotulagem incorreta, outliers e inconsistências, de forma sistemática e algorítmica. 

A IA centrada em dados pode atuar de duas formas: 

1. Algoritmos que entendem os dados para treinar melhor os modelos, como o curriculum learning, que organiza o aprendizado dos exemplos mais fáceis para os mais difíceis. 
2. Algoritmos que modificam os dados para aprimorar o modelo, como o confident learning, que remove exemplos com rótulos incorretos. 

Em ambos os casos, o sistema estima, de forma automática, quais dados são fáceis, úteis ou problemáticos, usando saídas de modelos preliminares para orientar o refinamento do conjunto de treinamento. 

Na prática, o data-centric AI e o model-centric AI não competem. As abordagens se complementam. Construir os melhores sistemas de IA supervisionada exige iterar entre melhorar os dados e melhorar o modelo, repetindo esse ciclo quantas vezes forem necessárias. 

Principais conceitos envolvidos no data-centric AI 

Para entender o funcionamento da IA centrada em dados, é preciso conhecer alguns conceitos: 

• Curadoria de dados: processo de selecionar, organizar, limpar e manter dados para garantir que estejam corretos, consistentes e prontos para uso em modelos de IA. 
• Geração sintética de dados: criação de novos dados artificiais, muitas vezes usando modelos generativos, para ampliar o dataset, cobrir lacunas ou testar cenários sem expor informações reais. 
• Labeling inteligente: uso de técnicas automáticas ou semiautomáticas para rotular dados com maior precisão e menor esforço humano, reduzindo erros comuns de anotação manual. 
• Data versioning: controle de versões de datasets ao longo do tempo, permitindo rastrear mudanças, recuperar versões anteriores e garantir reprodutibilidade de experimentos. 
• Testes automatizados de qualidade: conjunto de verificações automáticas que avaliam se os dados apresentam inconsistências, duplicidades, erros de formatação, outliers ou falhas que comprometam modelos de IA. 
• Auditoria de vieses: processo de identificar, mensurar e mitigar desigualdades, distorções e padrões discriminatórios presentes nos dados que podem afetar previsões e decisões automatizadas. 
• Explainable AI (XAI): métodos que tornam modelos de IA mais transparentes, permitindo entender como chegaram às suas conclusões e facilitando auditoria, confiança e conformidade regulatória. 
• Modelos fundacionais com dados proprietários: estratégia que combina grandes modelos pré-treinados (como LLMs) com dados exclusivos da organização, ampliando precisão, personalização e vantagem competitiva. 

Por que o data-centric AI vai crescer nos próximos anos? 

A IA centrada em dados deve crescer porque a próxima década trará regulamentações mais rígidas, exigindo transparência e governança desde a coleta até o treinamento dos modelos. 

Os avanços em IA generativa também evidenciaram que a qualidade dos dados é o principal fator para reduzir erros, vieses e alucinações. 

Além disso, empresas buscam diferenciação competitiva por meio de dados exclusivos, capazes de gerar produtos e insights impossíveis de replicar com bases genéricas. 

E, em decisões críticas, será indispensável contar com sistemas auditáveis, rastreáveis e construídos sobre dados confiáveis. Entre essas decisões estão diagnósticos, concessão de crédito ou gestão de riscos. 

Tudo converge para o mesmo ponto: dominar os dados se torna mais estratégico do que dominar os modelos. 

Perguntas frequentes sobre data-centric AI