Desbloqueando Verdadeiras Percepções: Aprendizagens Cruciais do Google Cloud Além do Hype da IA

É Sempre Melhor Ser Maior para Modelos de Linguagem de Grande Escala (LLMs)?

Yasmeen Ahmad, diretora administrativa de estratégia e gerenciamento de produtos de dados, análises e IA no Google Cloud, recentemente compartilhou suas percepções sobre este tema durante o VB Transform. Sua resposta direta? “Sim e não.”

Embora LLMs maiores tendam a ter um desempenho superior, isso não é garantido indefinidamente. Ahmad enfatizou que modelos menores treinados com dados específicos de domínio podem superar seus concorrentes maiores. “Os dados são a pedra angular”, destacou, enfatizando como informações focadas na indústria potencializam os modelos.

Essa abordagem estimula a criatividade, eficiência e inclusão nas empresas. Ao aproveitar dados antes inacessíveis, as organizações podem engajar os colaboradores de maneiras inovadoras.

“A IA generativa está expandindo os horizontes do que as máquinas podem criar”, disse Ahmad. “Ela desfoca a linha entre tecnologia e mágica, potencialmente redefinindo o que consideramos mágica.”

A Necessidade de uma Nova Fundação em IA

Treinar LLMs de forma eficaz dentro de um contexto empresarial específico envolve duas técnicas-chave: ajuste fino e geração aumentada por recuperação (RAG). O ajuste fino ajuda os LLMs a entender “a linguagem do seu negócio”, enquanto o RAG conecta o modelo a dados em tempo real de diversas fontes, como documentos e bancos de dados.

“Isso permite respostas precisas, fundamentais para análises financeiras, análises de risco e mais”, explicou Ahmad.

A verdadeira força dos LLMs reside em suas capacidades multimodais, permitindo que lidem com diversos tipos de dados, como vídeo, texto e imagens. Como 80 a 90% dos dados empresariais são multimodais, Ahmad ressaltou a importância de utilizar LLMs para aproveitar essas informações de maneira eficaz.

Um estudo do Google revelou uma melhoria de 20 a 30% na experiência do cliente ao empregar dados multimodais, aprimorando a capacidade das empresas de avaliar o sentimento do cliente e analisar o desempenho do produto em relação às tendências de mercado.

“Não se trata mais apenas de reconhecimento de padrões”, afirmou Ahmad. “Os LLMs podem compreender as complexidades de nossas organizações ao acessar todos os dados disponíveis.”

Empresas tradicionais enfrentam desafios com infraestruturas de dados desatualizadas que têm dificuldade em processar informações multimodais. O futuro da IA exige uma nova fundação construída para essa complexidade.

IA Conversacional: O Papel da Interação

Ahmad também destacou a importância das interações de perguntas e respostas nos LLMs bem-sucedidos. Embora conversar com dados empresariais pareça atraente, isso apresenta desafios.

Por exemplo, se você perguntar a um colega sobre a previsão de vendas do próximo trimestre sem fornecer contexto, as respostas podem ser vagas. O mesmo se aplica aos LLMs, que necessitam de contexto semântico e metadados para oferecer respostas precisas.

A análise humana muitas vezes envolve diálogos em troca para refinar as perguntas e obter clareza. Da mesma forma, os LLMs devem promover conversas coerentes, evoluindo de interações isoladas para “a próxima geração de IA conversacional.”

“Pense nisso como um assistente de dados pessoal”, sugeriu. Esse trabalhador incansável pode participar de trocas reflexivas, permitindo transparência nas consultas para que os usuários confiem nos resultados.

Ahmad se referiu ao surgimento da “IA agente”—sistemas capazes de tomar decisões e perseguir metas. Esses modelos emulam processos de pensamento humanos, dividindo tarefas em subtarefas e desenvolvendo habilidades de pensamento estratégico.

Com os avanços nas capacidades em tempo real, esses desenvolvimentos estão ocorrendo em um ritmo sem precedentes. “O futuro está aqui, e está dando origem a novas formas de negócio”, concluiu Ahmad. “Estamos apenas no início do que essa tecnologia pode facilitar.”