Nos últimos anos, as empresas têm pressionado para implementar inteligência artificial (IA) em suas operações. A excitação inicial deu lugar a uma realidade mais dura: a maioria das organizações não está a obter o retorno do investimento que esperavam, apesar de dedicarem tempo, orçamento e atenção executiva significativos às iniciativas de IA.
Parte da razão é fundamental. Meta, OpenAI, Anthropic e outros grandes players continuam a correr para construir modelos de base maiores treinados em conjuntos de dados em constante expansão. Em muitos casos de uso de negócios, essa abordagem não entende o objetivo e desvia a atenção da especificidade operacional que as empresas realmente precisam.
Gerente Altimétrico de IA e Analytics.
Grandes modelos de linguagem treinados em dados públicos não entendem os processos proprietários, os procedimentos validados ou a documentação de uma empresa. Protocolos de controle de qualidade do fabricante. Estruturas para avaliar os riscos de um banco.
O artigo continua abaixo
Caminhos de decisão clínica em um sistema de saúde. Este é o conhecimento que determina se a IA agrega valor a uma organização e é precisamente o que falta aos modelos de uso geral nos ambientes de negócios diários.
Modelos básicos maiores não ajudarão. Modelos de linguagem específicos de domínio, modelos menores treinados intensivamente nos dados de uma empresa, e não na Internet como um todo, são o futuro da obtenção de mais valor da IA.
Os pesquisadores de Stanford acreditam que atingimos um ponto crítico em que conjuntos de dados cuidadosamente selecionados e modelos menores superarão os enormes.
Os analistas também acreditam que é assim que as empresas ganharão o valor da IA no futuro. O Gartner prevê que até o próximo ano, mais de 50% dos modelos de IA usados pelas empresas serão específicos de domínio ou empresa, acima dos 1% em 2023.
Como funcionam os modelos específicos de domínio
A implementação tornou-se mais prática do que a maioria das organizações pensa. Começa com um modelo básico, normalmente com 50 a 70 mil milhões de parâmetros, onde a capacidade linguística atinge um limiar crítico.
Nesta dimensão, o modelo já compreende a estrutura da linguagem suficientemente bem para fornecer uma base sólida para a adaptação empresarial.
A partir daí, você treina na documentação da sua empresa. O modelo não apenas recupera informações desses documentos, mas também aprende a raciocinar de uma forma que reflita a sua realidade operacional e os padrões internos.
A abordagem de treinamento combina geração de recuperação aprimorada com ajuste fino. Seu sistema pode consultar documentos específicos enquanto o entendimento subjacente do modelo evolui para corresponder ao seu domínio.
Quando os especialistas no assunto corrigem as respostas por meio da interface, essas correções são alimentadas por meio do aprendizado por reforço. O modelo melhora a cada interação e se alinha às expectativas da empresa.
Mas o modelo de negócio é apenas o ponto de partida. A partir daí, as organizações podem criar modelos centrados na pessoa. Os analistas de negócios obtêm uma versão. Os engenheiros ganham outro. Os testadores recebem os deles. Cada modelo de persona é baseado na empresa, mas é mais especializado para funções específicas e responsabilidades repetitivas.
A camada final é a personalização individual. Cada pessoa pode treinar sua própria versão do modelo para seus fluxos de trabalho, preferências e estilos de trabalho específicos. Pense nele como um assistente hiperpersonalizado que entende as operações da sua empresa e como você trabalha pessoalmente nelas.
Seu feedback continua a refinar o modelo para atender às suas necessidades e melhorar a relevância ao longo do tempo.
Essa abordagem de três camadas, empresa, pessoa, indivíduo, só funciona porque esses modelos ocupam um espaço menor. Treinos que custam de US$ 10.000 a US$ 20.000 cada tornam a personalização individual financeiramente inviável. Modelos menores treinados em dados de negócios mudam essa equação e tornam viável a iteração contínua.
Por onde começar
O caminho a seguir começa com a compreensão de quais dados proprietários você realmente possui. Verifique seus repositórios, suas bases de conhecimento, material técnico atrás de seu firewall.
Em seguida, identifique casos de uso em que a precisão cria valor imediato, áreas em que respostas genéricas criam risco operacional ou áreas em que a precisão impacta diretamente os resultados e o desempenho mensurável.
Há uma razão para priorizar a construção a partir de seus próprios dados, em vez de mexer no modelo de outra pessoa com seus próprios requisitos adicionados.
Quando você treina sua documentação específica desde o início, sua compreensão do modelo reflete sua realidade operacional, em vez de tentar atualizar conhecimentos gerais ou suposições que podem não ser aplicáveis.
A camada fundamental é mais importante do que a maioria das organizações imagina. Você não pode passar de pesquisas básicas a agentes autônomos e esperar resultados confiáveis. Estruturas de IA de agente, como AutoGPT e LangChain, dependem inteiramente do conhecimento dos modelos subjacentes.
Se esses modelos básicos não tiverem experiência no domínio, os agentes autónomos construídos sobre eles também não o terão. A confiança na tomada de decisões da IA requer uma compreensão do que a inteligência subjacente está a fazer e do contexto em que as decisões são tomadas.
Comece com implementações rigorosas. Teste com base em métricas claras. Dimensione com base em resultados mensuráveis, com base em roteiros não intencionais.
Este ano, é provável que vejamos uma separação entre empresas que investiram em modelos treinados nas suas operações reais e aquelas que continuaram a procurar soluções de uso geral.
A distinção não será sobre quem tem acesso aos maiores modelos. Será quem construirá sistemas de IA que entendam seus negócios específicos e apoiem decisões operacionais reais.
Uma lição valiosa que muitas organizações estão aprendendo é que amplitude não é igual a profundidade. Para aplicações de negócios onde a precisão e o conhecimento do domínio determinam se a IA agrega valor, as empresas menores e mais inteligentes ficam cada vez maiores.
Apresentamos o melhor chatbot de IA para negócios.
Este artigo foi produzido como parte do canal Expert Insights da TechRadarPro, onde apresentamos as melhores e mais brilhantes mentes da indústria de tecnologia atualmente. As opiniões expressas aqui são de responsabilidade do autor e não necessariamente da TechRadarPro ou Future plc. Caso tenha interesse em participar, mais informações aqui:
