How tabular AI is different from traditional machine learning
A IA tabular difere da aprendizagem automática (ML) tradicional por aplicar o conhecimento adquirido a partir de dados estruturados a novas tarefas de previsão. Em vez de construir, treinar e manter um modelo separado para cada caso de utilização, as organizações podem utilizar modelos de base tabular (TFM, na sigla em inglês) pré-treinados para reconhecer padrões em dados estruturados.
Os modelos de base tabular analisam as relações entre linhas, colunas e valores para gerar previsões com menos esforço de desenvolvimento de modelos do que as abordagens tradicionais exigem. Isto ajuda as organizações a reduzir a complexidade e a acelerar a implementação da IA em toda a empresa.
Compreender as diferenças entre grandes modelos de linguagem, modelos de base tabular e modelos tradicionais de aprendizagem automática pode ajudar as equipas a selecionar a abordagem correta à medida que levam as iniciativas de IA da fase de experimentação para a produção.
Understanding tabular data in enterprise systems
Um modelo de IA específico ou personalizado de alta qualidade, por si só, não garante o sucesso de uma iniciativa de IA preditiva. Para gerar valor para o negócio, as organizações precisam de operacionalizar as previsões: conectá-las ao contexto atual do negócio, torná-las compreensíveis e governáveis e disponibilizá-las nas aplicações e fluxos de trabalho onde as decisões são tomadas.
À medida que as previsões começam a influenciar as decisões, as equipas precisam de saber que dados fundamentaram um resultado, que fatores o influenciaram e se a previsão se mantém fiável à medida que as condições de mercado mudam. Também precisam de uma forma consistente de monitorizar, gerir e governar modelos preditivos em diferentes casos de utilização.
Quando as previsões são isoladas numa ferramenta separada, o seu valor é limitado. As organizações obtêm o maior impacto quando a informação preditiva é incorporada nos processos de negócio para orientar as decisões, ajudando as pessoas e os agentes de IA a priorizar o trabalho, a identificar riscos e a agir em tempo útil.
Why most AI models built for structured data never reach production
A maioria dos modelos de IA construídos com base em dados estruturados nunca chega à produção, porque o sucesso depende de mais do que apenas o próprio modelo. Quando uma previsão começa a influenciar as decisões de negócio, as pessoas precisam de compreender porque é que foi feita e se continua a ser fiável ao longo do tempo. A previsão também deve aparecer no local onde as decisões são tomadas, em vez de permanecer isolada numa ferramenta separada.
É aqui que muitas organizações descobrem que a qualidade do modelo por si só não determina o sucesso. Uma previsão só tem valor quando serve de base a uma decisão. O contexto empresarial ajuda a ligar a previsão à situação atual, enquanto a governação ajuda as pessoas a compreender como a previsão deve ser utilizada.
Common barriers to enterprise adoption of tabular AI
Os resultados iniciais podem muitas vezes criar a impressão de que a expansão será simples. Um modelo de previsão acrescenta valor a uma área específica da empresa, e em breve outras equipas desejam funcionalidades semelhantes para os seus próprios processos e decisões. Sem uma abordagem consistente, as iniciativas individuais de IA podem multiplicar-se, resultando num cenário fragmentado de modelos, ferramentas e processos.
O desafio já não é se um modelo consegue produzir uma previsão útil. Trata-se de saber se a organização consegue fornecer previsões fiáveis de forma consistente em diversos casos de utilização, mantê-las conectadas às mudanças nas condições de negócio e disponibilizá-las às pessoas e agentes de IA no momento da tomada de decisão, preservando a governação de modelos, previsões e fluxos de trabalho.
As barreiras comuns à adoção da IA tabular a nível empresarial incluem:
Um modelo para cada caso de utilização.
Com o aumento da procura, as equipas criam, treinam, implementam e mantêm mais modelos individuais. O esforço, a infraestrutura e as competências especializadas resultantes ao longo do ciclo de vida podem tornar a IA preditiva dispendiosa e difícil de escalar.
Falta de contexto empresarial
Um modelo pode identificar alguns padrões numa tabela, mas as decisões fiáveis dependem das condições operacionais atuais, das relações entre os dados da empresa e do significado do processo subjacente.
Previsões que não podem ser explicadas
Quando a organização não compreende como foi gerada uma previsão e que fatores influenciaram o resultado, a adoção diminui, a confiança torna-se difícil de conquistar e o esforço de auditoria aumenta.
Ferramentas e processos de ciclo de vida desligados
Quando a formação, a implementação, a monitorização, a governação e a entrega ocorrem em ambientes separados, as equipas enfrentam mais trabalho de integração e menos controlo consistente sobre o ciclo de vida da previsão.
Resultados que nunca chegam à decisão.
Uma previsão tem um valor limitado quando permanece num painel ou ferramenta separada. O seu valor aumenta quando está incorporado em aplicações, fluxos de trabalho e experiências de agentes onde as pessoas podem interagir com ele.
Para escalar a IA empresarial, as organizações precisam de uma abordagem repetível para ligar dados e contexto de negócio, gerir e governar as previsões e entregá-las ao longo de todo o ciclo de vida da previsão.
How to build a tabular AI strategy around structured data
Uma estratégia de IA tabular bem-sucedida começa com os dados estruturados que já impulsionam os processos de negócio, e não com um projeto separado de preparação de dados para cada novo modelo. O objetivo é disponibilizar dados estruturados e contexto de negócio como recursos reutilizáveis, para que as equipas possam gerar, operacionalizar e governar previsões fiáveis em diversos casos de utilização.
Utilize a seguinte lista de verificação para estabelecer uma estratégia de IA tabular na organização:
Identificar decisões de negócio de elevado valor e fontes de dados estruturados empresariais.
- Comece por decisões que possam aumentar a receita, reduzir o risco, diminuir os custos ou melhorar a tomada de decisões operacionais e o desempenho.
- Dê prioridade aos dados estruturados que suportam os processos principais, como transações, registos de clientes, faturas, encomendas, stock e dados da força de trabalho.
- Quando a decisão depende de informação de múltiplos sistemas, considere outros fatores para além de uma única aplicação.
Ligue os dados ao contexto de negócio.
- Identifique as entidades empresariais, as regras, as relações e as condições do processo que influenciam a decisão.
- Preserve o contexto do processo em vez de tratar os registos como linhas isoladas.
- Considere grafos de conhecimento, dados históricos e sinais de negócio que ajudam a IA a compreender as entidades empresariais, as relações e a manter-se alinhada com as mudanças nas condições de mercado.
Melhorar a qualidade e a consistência dos dados.
- Antes de selecionar uma abordagem de IA, compreenda o que os seus dados podem suportar de forma realista. A quantidade de dados disponíveis, a consistência com que as informações principais são recolhidas e a fiabilidade dos resultados históricos podem influenciar qual a abordagem que provavelmente terá o melhor desempenho.
- Considere se as abordagens de IA tabular podem reduzir a necessidade de um pré-processamento extensivo. Alguns modelos podem funcionar eficazmente com dados imperfeitos, permitindo que as equipas gastem menos tempo a preencher lacunas, a remover valores discrepantes ou a reformatar dados.
- Confirme se os resultados históricos refletem com precisão o que aconteceu na empresa.
- Monitorize a qualidade das previsões, as alterações nos dados e o comportamento do modelo ao longo do tempo, com controlos para governar a forma como as previsões são utilizadas nas aplicações, fluxos de trabalho e experiências dos agentes de IA.
How to choose the right AI models for tabular data
Escolher o modelo de IA certo para dados tabulares torna-se mais fácil quando o problema de negócio está claramente definido. Diferentes tarefas de previsão criam diferentes requisitos, pelo que a melhor escolha depende menos do modelo em si e mais do contexto que envolve a previsão.
Esta distinção é importante porque a seleção do modelo influencia tudo o que vem depois. Quanto mais fácil for aplicar um modelo a novos casos de utilização, menos tempo as equipas gastarão a criar e a manter soluções separadas. Ao mesmo tempo, o modelo deve ser capaz de funcionar com os dados, o contexto de negócio e o nível de explicabilidade que o caso de uso e a organização exigem.
A comparação abaixo destaca onde cada abordagem se enquadra no ciclo de vida da previsão:
As organizações que vão além dos casos de utilização isolados necessitam de modelos tabulares fundamentais que se possam adaptar a diversas tarefas de previsão sem a necessidade de novos modelos de utilização única ou de características preditivas personalizadas. Esta é uma das razões pelas quais a SAP combina várias abordagens dentro da Plataforma de IA Empresarial SAP e oferece diversos modelos tabulares como base:
- O SAP-RPT é uma família de modelos tabulares totalmente gerida, treinada com base em tabelas de negócio, casos de utilização e processos de negócio reais da SAP, o que o ajuda a reconhecer muitas das relações encontradas nos dados empresariais.
- Prior-Labs-TabPFN-3 é uma família de modelos de base tabular líder de mercado que aborda uma vasta gama de tarefas de previsão tabular.
Os clientes podem orquestrar, implementar e governar grandes modelos de linguagem, modelos de base tabulares e modelos de aprendizagem automática personalizados através do SAP AI Core, um serviço de IA totalmente gerido. Esta abordagem permite às organizações adaptar o modelo ao problema, ao mesmo tempo que oferece um caminho mais consistente desde a experimentação até à produção, equilibrando os custos, a precisão e as necessidades de desempenho.
A framework for operationalizing tabular AI
Construir um pipeline de IA tabular pronto para produção envolve mais do que selecionar o modelo certo. As organizações precisam de confirmar se as previsões continuam a ser úteis em condições reais de negócio, relacionar essas previsões com a situação em que uma decisão ocorre e manter a confiança à medida que as previsões passam a fazer parte das operações diárias.
Esta progressão começa com a fundamentação do modelo em estruturas de governação e técnicas de explicabilidade que fornecem uma base para a validação, onde o modelo pode ser testado em relação ao contexto empresarial para estabelecer a sua relevância e fiabilidade. De seguida, o processo entra em produção, onde a orquestração ajuda a trazer a informação correta para o processo e a entrega disponibiliza previsões para o momento em que as decisões são tomadas.
How business context complements model accuracy
Nem a precisão do modelo nem o contexto empresarial são suficientes por si só. Uma previsão deve ser suficientemente precisa para fundamentar uma decisão, mas também deve refletir o contexto empresarial em que essa decisão é tomada.
Os grandes modelos de linguagem (LLM, na sigla em inglês) podem gerar respostas que soam plausíveis porque compreendem padrões na linguagem. No entanto, a plausibilidade não garante a precisão. Nos processos empresariais, uma resposta que pareça razoável pode ainda levar a um resultado errado se não estiver fundamentada em dados fiáveis.
Os modelos de fundação tabular (TFM, na sigla em inglês) abordam este desafio aprendendo diretamente com dados estruturados. Compreendem os padrões e relações entre registos comerciais, transações e dados operacionais para fazer previsões com precisão. No entanto, a precisão por si só nem sempre é suficiente. Uma previsão pode identificar corretamente um padrão, mas ainda assim não possuir o contexto de negócio necessário para determinar a sua relevância.
É por isso que muitas organizações combinam os pontos fortes da IA tabular com o contexto de negócio extraído das suas próprias operações. Ao fundamentar as previsões nos seus dados de negócio e nas relações que os ligam, as organizações podem produzir resultados que não só são mais precisos, como também contextualizados e relevantes para as decisões que os utilizadores precisam de tomar.
Understanding relationships across enterprise data
As decisões empresariais raramente dependem de informação proveniente de um único sistema. Analisar linhas e colunas isoladamente dificulta a visualização destas ligações. Embora as pessoas consigam muitas vezes ultrapassar estas lacunas porque compreendem como funciona o negócio, a IA precisa do mesmo contexto para chegar a conclusões fiáveis. À medida que os dados se espalham por mais aplicações, a preservação destas relações torna-se cada vez mais importante.
É por isso que os grafos de conhecimento se tornaram cada vez mais importantes nas implementações de produção. Ajudam a preservar as relações comerciais entre sistemas, o que permite que as previsões reflitam o contexto por detrás de uma decisão. O resultado é uma visão mais clara do negócio, proporcionando à IA tabular uma perspetiva das ligações entre os sistemas que impulsionam as previsões, refletindo as realidades por detrás dos dados, em vez de apenas os dados em si.
Connecting predictions to operational decisions
How explainable AI builds trust in enterprise predictions
A confiança aumenta quando as pessoas conseguem compreender porque é que foi feita uma previsão. Isto torna-se especialmente importante quando as previsões influenciam atividades de elevado impacto, que vão desde processos financeiros a decisões de conformidade e auditorias. O nível adequado de transparência e explicabilidade pode permitir aos utilizadores avaliar a previsão em contexto e decidir como proceder.
Explicações diferentes servem propósitos diferentes, dependendo da decisão a tomar e do nível de análise exigido:
- Atribuição de fatores e análise de características: Mostre quais os pontos de dados que tiveram maior influência numa previsão, ajudando os utilizadores a compreender o que motivou o resultado.
- Explicabilidade ao nível da linha e da coluna: Ligue as previsões aos registos de coluna e linha relevantes com exemplos para que os utilizadores possam ver as provas que as suportam.
- Tomada de decisões com intervenção humana: Permite a revisão por especialistas quando é necessário o julgamento empresarial, ajudando as organizações a gerir exceções e, ao mesmo tempo, a manter a responsabilidade.
Como resultado, a explicabilidade das previsões permite que as pessoas as compreendam e utilizem com confiança nos processos de negócio do dia-a-dia.
AI governance requirements for tabular AI in production
À medida que a IA se torna parte das operações diárias, a confiança torna-se tão importante como a qualidade da previsão. Uma previsão que influencie uma decisão empresarial deve ser suficientemente transparente para fundamentar a acção subsequente, tornando os seguintes requisitos de governação da IA essenciais para a implementação de modelos à escala empresarial:
1. Conformidade e gestão de riscos
A governação ajuda a garantir que as previsões estão alinhadas com as políticas empresariais e os requisitos regulamentares, auxiliando na prevenção de consequências financeiras ou legais.
2. Auditabilidade e rastreabilidade
Resultados explicáveis e processos de decisão documentados facilitam a revisão e validação dos resultados quando necessário para a melhoria de processos internos ou pedidos de auditoria.
3. Monitorização e governação do ciclo de vida do modelo
O acompanhamento contínuo ajuda as equipas a identificar quando são necessários ajustes nos dados, para que as previsões se mantenham fiáveis ao longo do tempo.
Quando a governação faz parte do ciclo de vida da previsão, cada previsão transporta uma explicação clara e um nível de supervisão definido. Como resultado, as organizações podem aplicar e expandir a IA com mais confiança em toda a empresa.
AI orchestration at enterprise scale
À medida que as organizações se expandem para além de um pequeno número de casos de utilização, a consistência torna-se mais difícil de manter. Cada previsão precisa do contexto de negócio correto, e situações diferentes podem exigir modelos diferentes. Sem uma forma consistente de tomar estas decisões, a IA pode ficar fragmentada por toda a empresa.
É aqui que a orquestração por IA se torna importante. Isto ajuda a garantir que cada previsão é baseada no contexto relevante do negócio e avaliada com o modelo mais adequado para a tarefa. À medida que a adoção aumenta, este processo torna-se cada vez mais difícil de gerir manualmente.
A SAP aborda este desafio através do SAP AI Core. Este serviço totalmente gerido serve de base para a orquestração de LLM e TFM. Aproveitar características como a recuperação direcionada, o registo e seleção de contexto e a inferência em lote ao longo do ciclo de vida da previsão ajuda a identificar automaticamente os melhores exemplos de previsão, a revelar dados relevantes de grandes conjuntos de dados e a processar grandes volumes de forma assíncrona à escala empresarial. Ao fornecer uma infraestrutura comum para a IA tabular na plataforma SAP Business AI, o SAP AI Core suporta as organizações que procuram desenvolver novos casos de utilização sem terem de redesenhar o processo de cada vez ou incorrer em custos adicionais.
How to deliver AI predictions into business workflows
O objetivo comercial é integrar as previsões da IA nos fluxos de trabalho empresariais, posicionando-as nos locais onde as decisões são tomadas. Quando os utilizadores recebem uma previsão dentro do processo que já utilizam, podem agir de acordo com a mesma mais facilmente e no momento certo. Consequentemente, as organizações líderes dedicam tanta atenção à forma como as previsões são apresentadas como à forma como são geradas.
A SAP apoia esta abordagem ao incorporar previsões nos locais onde as decisões são tomadas, através de aplicações SAP, agentes Joule e assistentes. As organizações podem tirar partido do conjunto de serviços e modelos de IA da SAP para implementar previsões em soluções e aplicações de IA personalizadas. Com previsões apresentadas onde as pessoas e os agentes de IA podem agir, os utilizadores acedem às previsões através de interfaces e experiências sem sair do fluxo de trabalho que já conhecem.
Enterprise tabular AI use cases that deliver measurable business value
As implementações de IA tabular mais eficazes melhoram as decisões frequentes e têm um impacto mensurável nos resultados de negócio:
1. Previsão e planeamento da procura
A previsão influencia as decisões muito antes de os produtos serem fabricados, expedidos ou vendidos. Quando os planeadores têm uma visão mais clara e precisa da procura futura, podem responder mais cedo e reduzir o custo de reagir demasiado tarde.
2. Detecção de anomalias e monitorização de riscos
Pequenas anomalias podem transformar-se em problemas operacionais maiores se passarem despercebidas. Ao prever padrões incomuns antecipadamente, a IA tabular ajuda as organizações a responder antes que ocorram interrupções.
3. Reconciliação de pagamentos e operações financeiras
A má conciliação de pagamentos gera reconciliações manuais desnecessárias, atrasos na aplicação de caixa e menor visibilidade do fundo de maneio. A conciliação de pagamentos depende de modelos tabulares especializados que compreendem dados financeiros tabulares e o contexto empresarial para previsões precisas que orientam a conciliação de pagamentos.
4. Otimização das compras e da cadeia de abastecimento
As equipas de compras e de cadeia de abastecimento adaptam-se constantemente às mudanças nas condições de mercado, ao mesmo tempo que procuram equilibrar as prioridades concorrentes. A IA tabular ajuda-os a identificar padrões emergentes nos dados empresariais, o que facilita a previsão, a resposta rápida e a redução do impacto das interrupções e do aumento dos custos.
The future of enterprise AI: From predictions to tabular AI and decision intelligence
À medida que a IA se torna parte das operações diárias, o valor depende cada vez mais do que acontece depois de uma previsão ser gerada. Quando as pessoas compreendem o porquê e como foi feita uma previsão e conseguem aplicá-la no momento da tomada de decisão, a IA torna-se mais fácil de utilizar e mais propensa a influenciar os resultados e a estratégia de IA tabular da empresa.
Com o tempo, isto cria uma forma mais consistente de aplicar a IA em toda a empresa. Os dados empresariais estruturados, o contexto empresarial e um serviço de orquestração totalmente gerido fornecem a base para que a IA tabular atue onde o trabalho acontece, ajudando a transformar as previsões em resultados mensuráveis. Os modelos e serviços de base tabular de IA da SAP apoiam esta progressão, ajudando as organizações a irem além de projetos-piloto isolados e a estabelecerem uma estrutura repetível para implementar, aproveitar, escalar e ativar insights preditivos em toda a empresa.
PRODUTO SAP
Aumente a escalabilidade da IA de forma fiável com o Joule.
Explore as soluções de IA da SAP que trazem o contexto empresarial para o trabalho diário e ajudam as pessoas a tomar decisões com mais confiança.
manual
link-target-same
secondary
FAQ
PRODUTO SAP
Obtenha previsões precisas e explicáveis.
Gere previsões fiáveis a partir de dados corporativos para que a sua equipa e agentes de IA possam agir.
manual
link-target-same
secondary