Sistemas de inteligência artificial em desenvolvimento, embora frequentemente mostrem um desempenho impressionante em fases de demonstração, podem enfrentar sérios problemas ao passar para a fase de produção. Muitos agentes de IA, apesar de surgirem com a promessa de operar de forma independente, acabam necessitando de intervenção humana. Essa situação representa um obstáculo significativo para a eficiência e sustentabilidade das aplicações de inteligência artificial.

O que aconteceu?

Desenvolvimentos recentes revelam que os sistemas de inteligência artificial enfrentam duas principais dificuldades: as insuficiências de métodos tradicionais como "fine-tuning" (ajuste fino) e "in-context learning" (aprendizado em contexto). O fine-tuning enfrenta o problema da 'esquecimento catastrófico', que faz com que um modelo esqueça informações existentes ao adicionar novos dados. O in-context learning, por sua vez, sofre com a perda de contexto devido à necessidade de fornecer informações atualizadas a cada execução. Isso demonstra que ambos os métodos tornam a supervisão humana inevitável.

Por que é importante?

Sistemas tradicionais de inteligência artificial prometem aumentar a velocidade dos processos de negócios e minimizar a intervenção humana. No entanto, as limitações dos métodos de ajuste fino e aprendizado em contexto impedem a realização desses objetivos. O fine-tuning, ao expandir o pool de informações de um modelo, também leva à perda de dados anteriores. Isso dificulta o acesso contínuo das empresas a informações atualizadas e impacta negativamente a eficiência operacional.

O aprendizado em contexto pode resultar em perda de precisão à medida que o volume de dados de entrada aumenta. Ou seja, à medida que um agente de IA é alimentado com mais informações, seu desempenho tende a cair. Assim, o uso de tais sistemas no mundo dos negócios se transforma em uma estrutura complexa que requer supervisão humana.

Embora esses sistemas tenham potencial para aumentar a eficiência no papel, na prática, muitas empresas não conseguem registrar desempenho devido aos desafios de implementação desses métodos. Portanto, há uma necessidade de abordagens mais atuais e eficazes para alcançar a autonomia desejada.

O que está mudando?

Como uma nova abordagem, o sistema "hypernetwork" promete superar os problemas existentes. Este sistema tem a capacidade de gerar estruturas de modelo necessárias sob demanda. Ou seja, pode criar instantaneamente pequenos modelos focados em tarefas com base nas políticas de uma empresa. Isso reduz os custos associados ao processo de ajuste fino e minimiza o risco de perda de contexto.

Além disso, o uso de pequenos modelos no desenvolvimento de sistemas de inteligência artificial está se tornando cada vez mais importante. Pesquisas mostram que esses modelos são mais eficientes e economicamente viáveis em comparação com grandes modelos de propósito geral. Por exemplo, afirma-se que pequenos modelos são mais eficazes na execução de tarefas de escopo restrito e repetitivas. Isso permite que as empresas utilizem sistemas de inteligência artificial de maneira mais eficiente.

O que vem a seguir?

No futuro, espera-se uma maior adoção de sistemas hypernetwork. Esses sistemas permitem que as empresas operem com menos margem de erro, utilizando suas próprias informações instantaneamente. No entanto, não se espera que a intervenção humana desapareça completamente para aumentar a autonomia das aplicações de inteligência artificial. A supervisão humana continuará a desempenhar um papel crítico.

Em conclusão, embora os sistemas de inteligência artificial tenham potencial para aumentar a eficiência, as limitações dos métodos atuais demonstram que a intervenção humana é inevitável. Novas abordagens como o hypernetwork oferecem uma solução significativa nesse aspecto, mas a eficácia desses sistemas dependerá de como serão integrados nos processos de implementação.