A EY ajuda os clientes a criar valor a longo prazo para os stakeholders. Através da utilização de dados e tecnologia, os nossos serviços e soluções oferecem segurança e ajudam os clientes a transformar, a expandir e a operacionalizar os seus negócios.
O nosso propósito é construir um melhor mundo de negócios. Os insights e serviços que prestamos ajudam a criar valor a longo prazo para os clientes, para as pessoas e para a sociedade, bem como a construir relações de confiança nos mercados de capitais.
Como preparar as finanças e a contabilidade para a IA utilizando a semântica e as ontologias
Neste episódio do podcast EY Microsoft Tech Directions, explore por que a IA precisa de contexto semântico, métricas selecionadas e bases de dados confiáveis para desbloquear casos de uso corporativo.
Neste episódio do podcast EY Microsoft Tech Directions, Amir Netz, Technical Fellow da Microsoft, explica por que razão a inteligência artificial (IA) só cria um impacto real quando assente na semântica empresarial - onde o contexto claro, as definições partilhadas e as métricas governadas transformam os dados brutos em insights fiáveis.
Com a participação de Michel Porter, EY Global Assurance Analytics Leader da Ernst & Young LLP, a conversa sublinha a razão pela qual a confiança é fundamental para os líderes financeiros e analíticos, com raciocínios explicáveis e cálculos controlados no centro da adoção confiante da IA. Juntos, exploram a forma como o futuro dos dados e da IA combina relatórios concebidos por humanos com agentes de IA inteligentes que sintetizam rapidamente informações em ambientes de dados complexos e fragmentados.
Oradores:
Michel Porter, Líder Global de Análise de Garantia da EY
Amir Netz, Técnico da Microsoft
Principais conclusões:
A IA só oferece valor quando assente na semântica empresarial - o contexto, as definições e as métricas selecionadas transformam os dados brutos em informações fiáveis.
A confiança é tudo: o raciocínio explicável e os cálculos governados são fundamentais para a adoção da IA nas finanças e na contabilidade.
Michel Porter
Bem, Amir, obrigado por se juntar a mim esta noite. Portanto, o que é muito importante no mercado neste momento é que muitas empresas estão realmente a pensar na intersecção de dados sobre-estruturados de IA em comparação com documentos não estruturados. E penso que muitas empresas estão a constatar que a implantação e a implementação da IA sobre os seus dados estruturados e o seu estado de dados é muito difícil, em comparação com a leitura de documentos em linguagem mais natural por parte dos LLM e da IA generativa. Pode falar um pouco sobre a perspetiva da Microsoft em relação a isso e o que estão a pensar para o efeito?
Amir Netz
Aprendemos da maneira mais difícil, como quando todo o ChatGPT começou há três anos, toda a gente pensou, oh meu Deus, posso simplesmente colocar a IA no dobro da minha base de dados SQL. E basta fazer uma pergunta, ele gera as consultas e tudo fica resolvido. E quem precisa, sim, simplesmente funciona. Não está a funcionar assim. E o que aprendemos é que colocar a IA à frente de uma base de dados é como, imagine que contratou uma pessoa brilhante, sabe, da Harvard Business School, e que acabou de chegar, é a melhor da turma, QI 165, pronta para começar. Coloque-o à frente da base de dados SAP e diga: o chefe está a fazer esta pergunta, dê-me a resposta. E sabe o que faz, fica a olhar para 10.000 tabelas, dezenas de milhares de colunas. Não vai perceber o que significam as tabelas, o que significa a coluna. Nem sequer compreenderá a pergunta do patrão. porque não é assim que o fazemos. Pegamos nos licenciados muito inteligentes e damos-lhes orientação. Ensine-lhes, ensine-lhes o que é a empresa, o que é que você faz? O que é a base de dados, o que significam as tabelas, o que significam as colunas, tudo isso. Tem de os ensinar. E se não tiver esse contexto, se não tiver a, se essa pessoa não tiver a, a semântica do que se está a passar, qual o significado das coisas, vai ficar confusa. Então, eles, os seus inteligentes, sabe, hum, licenciados em gestão vão levantar a mão e dizer, preciso de ajuda. Não percebo o que está a ser pedido. Não percebo o que significa a base de dados. A IA não tem nenhuma mão, não aumenta nada. Apenas alucina e dá-lhe uma resposta errada. Agora, o que aprendemos é que precisa de ter uma camada que realmente coloque, explique as coisas tal como explicaria a um novo empregado. Tem de o explicar à IA e a essa camada, chamamos-lhe QI do tecido. E é isto que deve colocar no mapeamento, o mapeamento entre as tabelas e as colunas para as entidades empresariais e os conceitos empresariais que tem. Explique como é que mede as coisas. Explique qual o significado do negócio e como, quais os objetivos do negócio. Tal como quando contrata um novo empregado, diz: "O que é que estamos a fazer aqui? O que é que estamos a tentar alcançar? Tem de explicar a IA, para que faça sentido. E podem, a IA pode raciocinar e dar-lhe coisas e respostas que correspondem realmente às suas expetativas. A mesma expetativa aqui teria de ser humana se fizesse a mesma, a mesma pergunta. Portanto, tudo isto, o facto de compreender que precisa de ter o contexto e precisa de ter a semântica e os significados para que a IA seja capaz de raciocinar é apenas um precursor. É essencial antes mesmo de ter de dizer: "Muito bem, agora que sei tudo isso, como é que escrevo a consulta SQL correta que vai contra uma base de dados? Portanto, tudo o que aprendemos, construímos, uh, ao longo dos últimos três anos, e penso que estamos realmente a chegar a algum lugar agora. Sim.
Porter
É engraçado a forma como o formulou, sinto que muitos C-suites e, especificamente, pessoas das áreas financeira e contabilística estão a aprender exatamente a mesma lição que acabou de mencionar. Certo. Porque, sabe, algumas experiências que foram partilhadas comigo são que, se pegar num conceito que é muito importante para a contabilidade, como um balanço básico, a explicação do fluxo de "Ei, porque é que estas contas aumentam?" "Por que é que estas contas estão a desaparecer?" Atirarão isso para um documento Excel estático que não está ligado a nada. E depois pergunte ao copiloto, porque é que o dinheiro subiu? Porque é que o AR subiu? Et cetera, et cetera. Mas, depois, ficam muito frustrados quando não sabe a resposta. Por isso, quando falei com eles, o que lhes disse foi: "Bem, na sua cabeça, quando está a responder a essa pergunta, tem conhecimentos sobre o que está no Excel. Sim. Mas também tem conhecimento de todas as outras camadas de dados que estão ligadas a isso. E tudo isso está na sua cabeça e é uma espécie de conhecimento semântico dessa empresa. Certo. Exatamente. E é isso que lhe permite responder a essa pergunta. Por isso, penso que, quando se coloca a questão em termos simples, como, por exemplo, "ei, bem, precisa de traduzir o conhecimento de que realmente precisa para que a IA tenha esse conhecimento", torna-se substancialmente mais fácil pensar nisso, certo?
Netz
A partir do momento em que começa a pensar na IA como um ser humano artificial e diz: o que é que eu preciso para que um ser humano real seja bem sucedido? Preciso de dar as mesmas ferramentas à IA. E não são apenas as ferramentas da tecnologia, a ferramenta de compreender o contexto da sua empresa, o contexto dos seus dados, o contexto dos seus objetivos, o contexto dos seus processos de que necessitam, tem de explicar isso porque, tal como um humano não será bem sucedido sem esse contexto, a IA não será bem sucedida sem ele.
Porter
É tão, tão engraçada a forma como diz isso, porque eu estava a fazer uma apresentação no meu mercado local na semana passada, e um dos conceitos de que falámos é que precisa de treinar a IA da mesma forma que treina um estagiário.
Netz
É isso mesmo. É exatamente isso. É exatamente no momento em que entra nessa mentalidade. Sim. Tudo se torna mais fácil. Quanto mais compreender que tem de integrar a IA da mesma forma que integra um estagiário ou um novo empregado, então começará a passar do mundo dos RH para o mundo da IA. A Microsoft anunciou hoje o agente 360, que é uma espécie de visão a 360º de todos os agentes, do que fazem e de como trabalham, e diz que este é o departamento de RH da IA. Certo? Certo. É assim que conhece todos os empregados e o que eles fazem e que autoridade têm e o que podem aprovar sozinhos e o que têm de pedir a outras pessoas para o fazerem, tudo isto é, sabe, tudo isto que costumava ser processos humanos torna-se agora processos de agentes.
Porter
Penso que o que também é fundamental do ponto de vista dos dados estruturados é a forma como falamos deles do ponto de vista contabilístico: é muito difícil compreender o que a IA fez para responder a uma pergunta. Assim, por exemplo, quando está a pedir uma resposta associada a um lago delta ou a uma estrutura de tabela específica, a transparência da observabilidade do resultado requer um determinado conjunto de competências para o poder interpretar. Certo. E penso que tem sido difícil para as pessoas pensarem nisso do ponto de vista contabilístico, financeiro e fiscal. Porque, por exemplo, se lhe pedir para ler este contrato de arrendamento e depois subtrair ou retirar as frases-chave do mesmo e depois fornecer citações, é muito fácil para alguém poder rever isso, clicar na citação, leva-o para o documento, fácil de ler. Quando começa a pensar que o que eles têm de compreender é uma consulta SQL ou python em termos do que está a ser devolvido, então esse é um desafio muito maior, penso eu. O que é que vocês pensam sobre isso?
Netz
Exatamente. Muito. Mas, de certa forma, torna-se um jogo de confiança. E a questão é: está pronto para confiar? Tal como se tivesse um analista de dados e fizesse uma pergunta, o analista de dados, e ele voltasse com a resposta e dissesse: "Fiz uma análise e aqui está a resposta. Agora, até que ponto confia na resposta? Quanto é que diz, tem a certeza? Até que ponto confia nesse analista? O que é que faz para chegar a essa resposta? E se trabalhar com esse analista de dados durante muito tempo, e se o conhecer, eu conheço-o como, eu conheço essa pessoa ou aqui, eu conheço essa pessoa. Sei que, sabe, perguntamos muitas vezes, sei como trabalham, sei que estão a fazer o trabalho certo e não tenho de o fazer, não duvido muito disso em comparação com alguém com quem nunca trabalhou antes e que vem com a resposta. Dizem, hmm, eu, eu preciso, eu preciso de alguma prova, eu preciso de alguma verificação. Preciso de alguma validação de que o que fez está correto e que sabia realmente o que estava a fazer. E penso que esse mesmo processo vai surgir com a IA, porque, mais uma vez, a IA é nova e faz-se perguntas complexas e diz-se: como é que eu sei que posso confiar na sua resposta? Não sei se fez o conjunto certo de passos, se escreveu o código certo em Python, se executou as consultas SQL corretas e se a sua cadeia de raciocínio estava correta. Por isso, a IA não é, não é suficiente dar apenas os dados e não é suficiente dar apenas a resposta. Tem de explicar que caminho seguiu, que método utilizou e por que razão fez tudo isso para convencer o destinatário de que é realmente uma boa resposta.
Porter
Sim, isso faz todo o sentido. Para nos aprofundarmos um pouco mais, o que é que faz, como é que pensa sobre a eficiência das consultas? Por isso, quando faz uma pergunta à IA em vez de, digamos, escolher o Power BI para responder exatamente à mesma pergunta, quer dizer, como é que pensa na diferença entre isto?
Netz
Gosto da analogia com a forma como trabalhamos com qualquer tipo de investigação. Por exemplo, se eu quisesse saber alguma coisa sobre algo, hum, nos últimos três anos, o ponto de partida seria, Ei, vou ao Google, ponho o termo de pesquisa no, ali, e recebo 10 balas e começo a percorrer as ligações, a ler o sítio Web e a obter e assimilar o conhecimento e a obter, sintetizar algo que compreendo. Não é verdade? Era assim que eu trabalhava. Já não faço isso. Acho que já não faz isso. Vai ao ChatGPT, vai ao Gemini, vai ao, uh, sabe, coloca a pergunta e o que acontece por baixo da capa, a IA vai ao, sabe, faz uma pesquisa, vai ao sítio Web, clicamos na sua mente nas 10 ligações de regra, lemos o conteúdo e voltamos com a resposta. Depois de trocar tudo, sintetizar tudo, diga, aqui está a sua resposta. Assim, poupa imenso tempo. Em vez de passar uma ou duas horas a tratar do assunto, obteve a resposta num minuto. Não é verdade? O mundo do BI vai passar por uma transformação muito semelhante. E assim, quando tem algo que quer aprender hoje, muitas pessoas dizem, ok, tenho uma série de relatórios. Deixe-me abrir a página do relatório, percorrer as suas páginas, ver os elementos visuais, ler o conteúdo e agora tenho uma espécie de compreensão da situação quantitativa que tenho. Mas penso que quando chegar ao ai, vai fazer o mesmo. Em vez de passar pelo relatório, pelas páginas, pelos elementos visuais e tentar sintetizar, faça a pergunta à IA, ela vai passar pelo relatório, vai passar pela página, vai passar pelo elemento visual e sintetizar e dizer: eis o que descobri. E dar-lhe uma explicação muito pormenorizada: eis o que encontrámos nestes relatórios, eis o aspeto visual que é relevante para isto. É isto que, se olhar para todos estes visuais em conjunto, é isto que pode concluir da resposta. E penso que é isso que vai encontrar. Assim, verá que está a fazer o que tinha feito, teria feito manualmente, um por um. Poupa-lhe imenso tempo. Mas o tipo de entradas que irá utilizar, o tipo de consultas e visual que irá utilizar será praticamente o mesmo que você próprio utilizaria.
Porter
Sim. O que é fascinante nisto tudo é que, se pensar em conceber agentes, agentes para trabalharem para si e não só, os agentes só serão tão bons como a base de conhecimento subjacente em que foram treinados, certo? Por isso, cria este conceito de lógica circular, circular. Considera que o que acabou de descrever altera a natureza da forma como concebe a inteligência empresarial, para que possa ser melhor interpretada pela IA, em comparação com a forma como a conceberia para a interação de um ser humano?
Netz
Sim, acho que sim. Com certeza. Penso que o que vamos ver é que continua a precisar dos relatórios. Continua a precisar dos painéis de controlo, porque eles explicam à IA, sabe, tal como não consegue imaginar ter os LLMs a trabalhar de forma alguma, de forma alguma. Se não existissem sítios Web no mundo, imagine que alguém diria: "Ninguém precisa de um sítio Web. A IA sabe tudo. Mas se retirar os sítios Web A, a IA não sabe nada. Está bem. Está bem. Então, faça o mesmo. Assim, os relatórios continuam a ser necessários, mas haverá menos utilizadores a visitar os relatórios e mais IA a visitá-los. Mas o que os relatórios estão a fornecer é um sinal muito, muito claro para a IA: o que é que você quer? É porque quer ver os dados? O que é que considera ser uma boa visualização para explicar as coisas? Está bem. Portanto, tudo isto mostra a intenção humana de saber como é que eu, como é que nós compreendemos os dados? Assim, quando a IA vai visitar esses relatórios, compreende que, quando lhe dão a resposta, tudo lhe parece familiar. Tudo parece intuitivo porque está no relatório que, se a IA não estivesse lá, teria de visitar você mesmo. Totalmente. Portanto, sim, os relatórios continuarão a ser criados, mas penso que o pressuposto será que muitos dos visitantes dos relatórios serão mais agentes de IA do que humanos que vão diretamente aos relatórios, um a um, e os abrem. O que estou a dizer não é uma afirmação generalizada, porque haverá muitos relatórios que utilizará regularmente e dirá que é melhor para mim ver o relatório e tê-lo gravado na minha retina. Em vez de estar constantemente a fazer perguntas à IA primeiro, vai ser mais eficiente. E também, só de ver o mesmo relatório no mesmo layout dia após dia após dia, começo a notar o pequeno desvio. Então, eu digo, oh, isto é algo que mudou aqui. Torna-se a sua fonte de conhecimento. Exatamente. Sim. E é como se estivesse a arder, como se treinássemos o nosso cérebro para reparar nestas diferenças visuais, as pequenas, e isso desencadeasse alguns pensamentos na nossa cabeça, como por exemplo: "Hum, vejo que está a abrandar". Estou a ver que está a subir. Desta vez, vejo algo diferente. Está bem. Por isso, penso que um relatório que utilize diariamente, ainda vai aos relatórios, mas uma questão que precise de abranger muitos relatórios e talvez relatórios que não visite frequentemente, a IA será perfeita para isso.
Porter
Bem, e penso que isso também lhe dá uma nova personalidade, certo? Porque penso que uma das dificuldades que temos visto na EY e no mercado é que a análise e os relatórios fazem sentido para algumas pessoas. E, tal como está a dizer, se olhar para o mesmo todos os dias, conhece os meandros, conhece os meandros do mesmo. É muito fácil para si decifrar o que está a acontecer. Outras pessoas olham para ela e vêem uma linguagem totalmente diferente e não conseguem interpretá-la. De certeza. Por isso, uma das coisas interessantes que me agrada na integração do chat neste conceito é o facto de trazer uma nova dimensão através da qual as pessoas podem fazer análises e, talvez, abri-las a um grupo de pessoas que, historicamente, não era capaz de interpretar o que se passava ou de ler as análises.
Netz
Sim. Aí, não há dúvida. Como se nem toda a gente fosse especialista em dados. Ninguém, nem toda a gente tem esta compreensão intuitiva. E se tiver, se tiver algo como a IA que é quase como, sabe, é, torna-o simples. Explica as coisas. Não se trata apenas de olhar para o visual e descobrir por si próprio, mas a IA diz: "Olhe, eu olho para este visual, olhe também para este visual e repare que existe uma correlação que pode explicar o que se está a passar. Por isso, simplifica como ter o seu próprio analista de dados pessoal sentado ao seu lado e não apenas a dar-lhe, aqui está a matéria-prima, descubra-a. Mas eu, deixe-me ver, eu olhei para ele e posso explicar o que se passa para que não tenha de esticar o seu cérebro à volta dele.
Porter
E o que eu, o que eu realmente gosto também é a capacidade de, e isto é super importante no nosso domínio chamado cálculos determinísticos com que já se sente confortável na sua organização, certo? Porque penso que quando, sempre que vi muita conversa com os seus conceitos de dados no mercado e as pessoas estão a promover, deixe a IA assumir os cálculos reais. Penso que é aí que, no nosso domínio, do ponto de vista da auditoria fiscal contabilística e financeira, as pessoas começam a sentir-se um pouco desconfortáveis, porque as perguntas abertas contra conjuntos de dados em que está a entregar toda a matemática conduzem a uma taxa de precisão variável. E isso tem a ver com a qualidade dos avisos e a qualidade da forma como construiu tudo do ponto de vista dos dados. Por isso, é como se fosse o delta ou os dois mundos de que gosto muito: poder utilizar a IA para ser basicamente o orquestrador da informação e encontrar a informação que já certificou como organização para dizer que esta é a matemática certa. Mas também se quiser conceitos generativos de, ei, encontrar as anomalias como exemplo, provavelmente será capaz de fazer análises avançadas substancialmente melhor do que qualquer outra pessoa faria se abrisse apenas um conjunto de dados em bruto.
Netz
Está a falar de algo muito, muito importante. Há a curadoria da matemática, a que chamamos métrica, certo? E lembre-se que a noção de que temos de selecionar as métricas uma vez para as podermos utilizar muitas e muitas vezes. Não é algo que tenha começado com a IA. O problema com esses seres humanos é que as pessoas vinham para as mesmas reuniões com os mesmos dados em bruto, mas a análise real apresentava resultados diferentes porque tinham uma matemática diferente e toda esta ideia de que precisamos de uma única versão da verdade. E dissemos que precisávamos de ter alguém que fizesse a curadoria da matemática uma vez, e depois toda a gente podia fazer análises, mas a matemática subjacente tinha de ser a mesma. E fizemo-lo para os humanos. Assim, não fazem coisas no local e não têm incoerências entre os humanos. E, francamente, o mesmo problema existe com a IA. Se der duas sessões de IA com o mesmo modelo, se lhes fizer a mesma pergunta, ele apresenta duas fórmulas diferentes. Ambas razoáveis, e ambas para pessoas diferentes, podem parecer corretas, mas não pode ter duas respostas. Sabe, só pode ter uma resposta certa e coerente com isto, senão toda a gente fica confusa. Assim, essa noção de curadoria da matemática, de curadoria das fórmulas, torna-se tão importante para a IA como para os humanos, e torna-se ainda mais importante. Porque se nem sequer sabe o que a IA vai fazer, sabe, é como se pudesse ir numa direção estranha. Por isso, não deve deixar que a IA seja criativa quando se trata da matemática das finanças.
Porter
Correto, sim. O que também é difícil é que, alguns cálculos requerem vários parâmetros, certo? E é muito difícil para alguém fazer apenas uma pergunta aleatória se não fornecer todos os parâmetros corretos. E, no que diz respeito ao seu ponto de vista, vai receber uma resposta totalmente estranha que não espera. E a IA é muito, muito boa a fazer suposições e, sem lhe dizer nada, inventa qualquer coisa, aqui tem. Essa é a resposta. Nem sequer sabe o que é que eles fizeram lá. Por isso, sim, é um trabalho árduo. Sim. E penso que, sabe, isto me toca muito porque, sabe, a nossa aplicação Helix, sobre a qual vos falei, hum, muito, sabe, temos mais de 6.500 cálculos certificados dentro dela, certo? E todas as páginas têm, sabe, mais de 20, 30 separadores que fornecem parâmetros diferentes, e depois tem páginas encadeadas e medidas encadeadas e coisas do género. Por isso, quando ouvimos as empresas dizerem-nos, tipo, "oh não, basta fazer perguntas aos dados e eles dir-lhe-ão", é porque não é assim que funciona.
Netz
Não é, é uma forma tão ingénua de o fazer. E acho que foi isso que aprendemos. Os modelos semânticos que eram tão importantes para o BI são agora a força vital da IA. Sim. E isso é, penso que é, essa revelação de como a semântica é importante, é realmente o que nos levou a pegar nesse conceito e a transformá-lo naquilo a que chamamos QI de fabrico. Tem mesmo de ter a curadoria, caso contrário está perante um desastre.
Porter
Por isso, se fizermos a transição por um segundo, gostaria de saltar para a questão de como é que as pessoas podem começar, certo? Porque penso que, neste momento, muitas empresas estão no mercado a comprar assistência de IA e, sabe, licenças para o tipo de negócio empresarial, mas depois esperam automaticamente que funcione com os seus dados. É óbvio que estão a descobrir que isso não funciona. Hum, e depois dão um passo atrás e apercebem-se de que precisam do equivalente a uma plataforma de dados, ou precisam de colocar tudo num ERP, que tem uma espécie de inteligência integrada. E agora há a combinação dos dois juntos também. Portanto, para uma empresa que se encontra num estado de dados fragmentado, com sistemas em todo o lado, dados em todo o lado, por onde deve começar?
Netz
Olhe, sabemos que a fragmentação é um veneno para qualquer pessoa que esteja a tentar trabalhar com dados. E temos lutado contra este mundo durante muito, muito tempo, porque a organização, sabe, gravita em direção à entropia de sistemas como a sua organização, que vive 40, 50 anos. Construíram muitos sistemas de dados ao longo dos anos. Criaram silos de sistemas. Criaram silos de plataformas. Como se as plataformas não falassem muito bem umas com as outras. Diferentes tipos de bases de dados, diferentes tipos de plataformas. E torna a vida muito difícil para os humanos que precisam de raciocinar sobre todos os dados que estão fechados nestes silos que estão, sabe, segregados uns dos outros. Tão fragmentado. E a IA não tem; não tem nada de mais fácil se for difícil para os humanos. É difícil para a IA, não é? Por isso, o que dizemos às pessoas é que a primeira coisa que tem de fazer é reunir os dados. Chamamos ao unificado o estado dos dados. Temos um conceito chamado "uma ligação". E um link é realmente tudo sobre como tornar super, super fácil ter todos os dados, independentemente de onde estejam. Pode estar em diferentes nuvens; pode estar em diferentes bases de dados. Podem ser dados estruturados, podem ser dados não estruturados, podem ser dados de fluxo contínuo, podem ser dados históricos, todos os dados, traga-os para um único local, um único painel de vidro onde tem todos os seus dados, o que não significa que tenha de mover os dados, os dados podem ficar onde estão, mas você, mas uma perna permite virtualizar o acesso aos dados. Assim, continua a parecer um único painel de vidro para todos os seus dados. E isso é baseado no número um, antes de o fazer, está a tornar-se muito, muito difícil. E, tal como os humanos ficam confusos, a IA também ficará confusa. Agora, quando tiver isso, tem de colocar a camada seguinte. A camada seguinte é onde tem de começar a tomar decisões, porque tem de começar a explicar o que significam os dados, o que é, como é que mede as coisas, qual é o verdadeiro registo do cliente que não representa, sabe, que é consistente, é dourado. Tudo isso. Tem de começar a colocar camadas por cima e tomar decisões sobre quais são os dados certos, como é que os dados se relacionam uns com os outros, quais são as métricas certas. E comece também a colocar mais e mais camadas que falem realmente das regras. Sabe, o que é bom e o que é mau e o que fazer quando as coisas correm mal. Sabe, e, e qual é o tratamento correto para isso? E a mesma regra que daria aos humanos, tem de a documentar porque a IA terá de conhecer o mesmo contexto. E tem de explicar todas estas coisas. Tem de introduzir sinais em tempo real, porque os dados históricos são bons para algumas coisas, mas até você precisa de tomar decisões no momento. Quer saber as últimas novidades. Por isso, tem de colocar aí os sinais em tempo real. E depois, quando tiver isso, chamamos-lhe curadoria semântica, aquilo a que se chama iq de tecido. Agora coloca a IA no topo, agora coloca os agentes e começa a atribuir funções ao agente. Dizem que você é um agente de dados especializado em impostos, uh, você sabe, otimização de impostos. E você é um agente que pode estar a especializar-se na deteção de fraudes. E você, e você e cada um desses, você apenas gosta, você tem diferentes papéis de pessoas na organização onde cada um deles tem conhecimentos especiais. Você constrói agentes com conhecimentos especiais e tem de os ensinar como, o que significa fazer um bom trabalho e como deve operar e o que deve procurar, tal como ensinaria ao, ao novo empregado que vem, sabe, ao, ao novo MBA que se junta a si e uh, e, e tem de os ensinar a fazer um trabalho específico. Assim, tem agentes que estão do lado da análise de dados, a que chamamos agentes de dados. E tem agentes de dados que são mais, o lado operacional precisa de reagir em tempo real quando as coisas correm mal e monitorizar constantemente o que se está a passar e dizer, oh meu Deus, esta transação, pare-a, pare-a, pare-a. Trata-se de uma fraude. Está bem. Não faz mal. Todas estas coisas, certo? Você constrói esses agentes e, basicamente, obtém equipas de agentes que colaboram entre si. Cada um tem o seu papel e é tudo uma questão de competência. E essa é a camada que coloca em cima da semântica, porque eles têm de compreender o negócio, o significado dos dados e como estas coisas se relacionam entre si.
Porter
Você fá-lo parecer tão simples. Oh, é, é incrivelmente difícil. Sim.
Netz
Dois minutos. Nós, nós construímos um produto, é tão fácil.
Porter
Sim. E depois penso que essa, essa, essa camada semântica é o que é tão importante. Hum, porque é isso que, sabe, voltando ao meu exemplo das camadas de há pouco, é isso que está realmente a dizer-lhe. Bem, aqui está como esta camada fala com esta camada, fala com esta camada, fala com esta camada. E penso que as organizações contabilísticas e financeiras têm dificuldade em lidar com o facto de também terem um conceito de fases dos dados. Sim. Não só têm os dados em bruto que estão no seu sistema, como também já tiveram, talvez já estejam a criar algum tipo de transformação a partir desses dados. Talvez tenha uma camada de produtos de dados, talvez tenha outros modelos semânticos que estão noutro local. E, na pior das hipóteses, que é o que a maioria dos contabilistas faz, exporte tudo para o Excel. E agora desligou totalmente outros conjuntos de dados com essas métricas.
Netz
Com o sematic, retira a semântica, apenas os dados em bruto.
Porter
Sim. Mas, mas penso que é aí que a camada de regras e a camada semântica entram realmente, porque mesmo que coloque toda essa informação no modelo, compreender realmente as regras da estrada, o aspeto do tempo e a forma como tudo deve falar entre si nesse processo é o que, em última análise, irá governar toda a sua precisão global.
Netz
Certo. Exatamente.
Porter
Bem, eu sei que provavelmente estamos a ficar sem tempo, mas tem sido ótimo pôr a conversa em dia. Você é um génio, como sempre, quando falamos, por isso podia falar consigo durante horas, mas agradeço-lhe imenso o seu tempo.
