Nem todas as tarefas de IA requerem um modelo mais inteligente: duas questões que determinam como se especializar

Neste preciso momento, algures, um dos modelos de IA mais avançados do mundo está a ler um comunicado sobre a divisão de ações. Vai chegar à resposta certa, mas o mesmo aconteceria com um modelo com uma fração do seu tamanho e custo. É como se um vice-presidente estivesse a fazer o trabalho de um estagiário.

A inteligência continua a ser o ponto de referência preferido do setor, mas muitas tarefas de IA apresentam um limite máximo: um ponto em que um modelo se torna «suficientemente inteligente» e a capacidade de continuar a aumentar a inteligência começa a diminuir. Outras tarefas não têm qualquer limite máximo. Nenhum dos dois tipos é bem servido por um modelo pronto a usar. O facto de uma tarefa ter ou não um limite máximo, e se esse limite «se mantém estável», determina se se deve especializar o modelo ou o sistema em torno dele.

Por que razão os modelos de IA especializados dependem da tarefa e não do setor

A necessidade de modelos especializados decorre da tarefa, e não do setor. Os próprios setores são conjuntos de inúmeras tarefas.

Por exemplo, as empresas farmacêuticas dedicam-se à descoberta de medicamentos, área em que existem vantagens significativas decorrentes de uma investigação mais aprofundada e mais rápida, bem como de um melhor raciocínio sobre o desconhecido. As empresas farmacêuticas também se dedicam a tarefas rotineiras de grande volume, com regras extremamente bem definidas, como a codificação de relatórios de eventos adversos.

Neste último caso, a inteligência adicional apresenta rendimentos decrescentes. Assim que um modelo se torna «suficientemente inteligente», a especialização do modelo — sob a forma de afinação para compreender a relação entre o feedback dos doentes e os dicionários médicos — torna-se o principal vetor de valor. Por outro lado, no caso da descoberta de medicamentos, a inteligência adicional é o contributo essencial. Um modelo maior, melhor e mais rápido pode sempre oferecer mais valor à tarefa. Tarefas como a descoberta de medicamentos exigem IA de ponta e representam mercados enormes, nos quais o aumento do desempenho da IA gera retornos ilimitados.

O mesmo se aplica a uma empresa de negociação quantitativa, onde a identificação de novos sinais de negociação é análoga à descoberta de medicamentos. Cada ganho em termos de informação pode traduzir-se numa vantagem de mercado e, em última análise, em rendimentos. No entanto, a mesma empresa tem também de processar dezenas de ações corporativas que chegam sob a forma de comunicados em texto livre. Trata-se de um trabalho padronizado e de grande volume, que dificilmente mudará com o tempo. Existe uma única interpretação correta para uma divisão de ações na proporção de 2 para 1. É improvável que um modelo maior e mais inteligente apresente vantagens na identificação dessa interpretação.

Duas questões que determinam se se deve realizar o ajuste fino de um modelo

Para compreender em que situações faz sentido recorrer a modelos especializados, é necessário avaliar duas condições associadas a qualquer tarefa:

• A tarefa continua a recompensar quem tem mais inteligência?
• A tarefa é estável? Ou seja, as suas regras, entradas e requisitos permanecem inalterados?

Os modelos especializados revelam-se mais viáveis quando o par de respostas é «não» e «sim»; ou seja, nos casos em que a tarefa já é plenamente satisfeita pelos modelos atuais e em que é improvável que a própria tarefa sofra alterações significativas. A codificação de eventos adversos cumpre ambos os critérios. A descoberta de medicamentos falha redondamente no primeiro.

Os custos e benefícios do ajuste fino dos modelos de IA

Para as tarefas padronizadas e de grande volume descritas acima, o desenvolvimento de um modelo especializado oferece vantagens reais. A primeira é o custo: quando uma tarefa é executada milhões de vezes, um modelo pequeno, otimizado para essa tarefa específica, é mais barato e mais rápido de executar do que um modelo de vanguarda. A segunda é a consistência: um modelo treinado com milhares de exemplos altamente específicos aplicará de forma consistente uma lógica extremamente semelhante, se não idêntica, em todas as ocasiões, tornando-se cada vez mais previsível. A terceira é o controlo: uma empresa pode alojar o seu próprio modelo na sua própria infraestrutura, mantendo dados sensíveis, como registos de doentes ou dados financeiros, dentro das suas próprias instalações.

No entanto, aqui não há almoços grátis. O ajuste fino reduz o custo de execução de um modelo, mas, simultaneamente, aumenta o custo e o tempo necessários para o construir. Se a tarefa nunca sofrer alterações substanciais e não houver valor em integrar um modelo base futuro superior, trata-se de um custo único facilmente justificável. No entanto, os custos podem tornar-se elevados se essas condições não forem satisfeitas. Sempre que a tarefa muda ou é lançado um modelo de base melhor, o modelo especializado tem de ser retreinado. Por conseguinte, as vantagens de construir modelos especializados só se mantêm quando a tarefa é estável e os modelos atuais já são suficientemente bons para amortizar adequadamente esse investimento.

Quando se deve ajustar um modelo e quando se deve especializar o sistema de IA

Em conjunto, as duas questões apresentadas anteriormente traçam o caminho a seguir para se especializar.

1. Suficientemente inteligente e estável: especializar o modelo. Este é o domínio das tarefas acima referidas, como a codificação de eventos adversos e as operações societárias. Os aspetos económicos descritos acima favorecem o ajuste fino e proporcionam margem para que o investimento se amortize ao longo de milhões de execuções.
2. Tudo o resto: especialize o sistema; a especialização do modelo é apenas uma forma de personalização. Se uma tarefa continuar a exigir inteligência, incorporar conhecimentos especializados nos pesos de um modelo implica retreiná-lo sempre que for lançado um modelo melhor. Se a tarefa estiver em constante mudança, isso significa retreiná-lo sempre que a tarefa mudar. Seja como for, é melhor que os conhecimentos especializados estejam incorporados nos dados, nas ferramentas e nos fluxos de trabalho em torno de um modelo que possa ser substituído. O exemplo anterior sobre a descoberta de medicamentos enquadra-se nesta categoria. Necessita da vanguarda, mas com dados proprietários e pipelines criados especificamente para o efeito.

As duas respostas não são mutuamente exclusivas. Mesmo um modelo aperfeiçoado continua a necessitar de um sistema de suporte, e um sistema bem construído pode, por sua vez, integrar componentes de um modelo aperfeiçoado. Assim, as perguntas — e as respostas que delas decorrem — determinam onde se situa o centro de gravidade.

Clarity AIAs tarefas da nossa empresa chegam à abordagem de sistemas especializados por ambas as vias. Algumas das nossas tarefas continuam a valorizar a inteligência de vanguarda. Como a nossa plataforma de extração de dados é independente de modelos, conseguimos integrar novos modelos de última geração em poucos dias, obtendo ganhos que um modelo aperfeiçoado teria adiado até ao retreinamento. Existem outras tarefas para as quais os modelos atuais são «suficientemente inteligentes», mas demasiado dinâmicos para serem incorporados num modelo especializado personalizado. Por exemplo, quando uma alteração regulamentar modifica os requisitos métricos, só precisamos de alterar o contexto, as regras e as validações, em vez de retreinar o próprio modelo. Ao construir uma estrutura personalizada, podemos especializar os nossos processos e, ainda assim, adaptar-nos rapidamente quando confrontados com mudanças.

Qualquer implementação séria de IA é especializada. É a tarefa que determina se essa especialização reside principalmente no modelo ou no que o rodeia. Deixa a divisão de ações a cargo do estagiário e dá ao vice-presidente uma equipa melhor.