Por Victor Botev, CTO e co-fundador da Iris.ai

As grandes corporações de tecnologia estão sempre buscando o próximo grande avanço: o espaço da inteligência artificial é apenas o exemplo mais recente. No entanto, é compreensível que a OpenAI esteja sendo cautelosa ao iniciar o desenvolvimento da versão mais recente do seu principal modelo, o GPT-5.

Com o lançamento do GPT-4 em março, ainda há toda uma geração de ferramentas, aplicativos e plataformas que podem ser criados a partir de variações desse novo modelo.

Devemos refinar modelos como o GPT-4 para garantir a relação custo-benefício, a precisão na geração de linguagem e a validação factual, em vez de sempre olhar para o horizonte em busca de algo maior.

Com isso em mente, é uma decisão estratégica inteligente para a OpenAI concentrar-se em desenvolver e otimizar o GPT-4 o máximo possível. O desenvolvimento do LLM requer uma quantidade significativa de pesquisa, recursos e tempo.

Mesmo assim, esses modelos que são treinados em conjuntos de dados maiores, muitas vezes não examinados, são afetados por problemas de validação factual e conteúdo alucinatório. Portanto, seria mais promissor concentrar-se em modelos mais inteligentes treinados em conjuntos de dados de alta qualidade que proporcionem maior valor aos campos designados.

O caminho a seguir pode ser diferente

Embora as grandes empresas já possuam uma grande quantidade de dados de treinamento com os quais podem criar modelos de IA complexos e em expansão, nem sempre é igual a melhor. Em vez disso, as organizações podem achar mais valioso seguir um caminho diferente e criar modelos mais inteligentes e específicos de domínio que tenham maior uso prático.

Ao limitar o número de parâmetros e concentrar-se em um caso de uso específico, esses modelos podem obter melhor desempenho e tempos de treinamento mais rápidos e econômicos.

Além disso, esses modelos podem ser mais confiáveis e menos propensos a erros em aplicativos do mundo real, pois são treinados com dados que se aproximam do problema que devem resolver. Com a engenharia centrada em dados, podemos nos concentrar em garantir que temos os dados certos para treinar os modelos, em vez de projetar um modelo e depois procurar conjuntos de dados esparsos para treiná-lo. A maior precisão das respostas fornecidas por esse processo pode gerar modelos adequados para processos críticos de negócios ou outras tarefas focadas na precisão factual, como a pesquisa científica.

Ao contrário da abordagem de modelo de linguagem grande (LLM) de tamanho único, normalmente treinada em grandes conjuntos de dados de qualidade variável, os modelos de linguagem inteligentes priorizam a precisão. Embora os LLMs possam produzir resultados impressionantes, eles nem sempre são a melhor opção para um caso de uso específico.

A otimização de modelos é uma parte fundamental do futuro da IA, especialmente quando combinada com o movimento de código aberto. Ao produzir e refinar modelos práticos que custam muito menos para serem treinados, isso apresenta um caminho melhor para todos, em vez de sempre procurar o próximo bilhão de parâmetros.

Ao limitar o número de parâmetros e concentrar-se em um caso de uso específico, esses modelos podem alcançar melhor desempenho e tempos de treinamento mais rápidos e econômicos.

Então, como será o futuro da IA?

Em vez de se concentrar no próximo grande avanço, a melhoria dos modelos já capazes criados por participantes como a Meta dará início à próxima era dessa tecnologia geracional.

Ao ajustar os modelos de linguagem existentes para usos específicos, podemos aproveitar as grandes quantidades de dados que as empresas coletam e garantir que os seus modelos sejam mais precisos e confiáveis. Essa abordagem também pode ajudar a reduzir o tempo e os recursos necessários para desenvolver novos modelos de IA, tornando a tecnologia mais acessível e econômica.

A IA está evoluindo rapidamente e, à medida que as empresas e os pesquisadores procuram implementá-la nos seus processos diários, devemos nos concentrar no ajuste dos modelos existentes para que possam ser utilizados por empresas sem "bilhões de dólares" disponíveis. Ao fazer isso, podemos promover a precisão e a validação objetiva, criando modelos que exigem menos tempo e recursos para serem desenvolvidos, tornando a tecnologia mais acessível e econômica para todos.