Usar a inteligência artificial para análise e previsões
Sistemas de conversação e linguagem falada: passado e presente
Já há duas décadas existiam sistemas capazes de conversar em linguagem natural, mas estavam longe de ser perfeitos e eram limitados em vários aspetos. Embora as tecnologias de reconhecimento de fala estivessem disponíveis muito antes da chegada do ChatGPT, enfrentavam desafios complexos e fortes limitações de desempenho.
Os desafios do treino de sistemas de IA
Desenvolver sistemas de inteligência artificial exige alimentá-los com uma quantidade enorme de exemplos. Para que um sistema responda corretamente às perguntas, é necessário um treino intensivo sobre cenários variados. Por exemplo, perante uma pergunta como «como canta um pássaro?», espera-se que o sistema responda «piu piu». Se errar, é corrigido, e assim vai melhorando ao longo do tempo.
Aprender com os erros
Para que um sistema de inteligência artificial consiga detetar erros e corrigir-se a si próprio, é imprescindível conhecer antecipadamente a resposta correta a cada pergunta. Se o sistema erra, é-lhe fornecida a resposta certa e aprende de forma dirigida. No passado, este processo exigia aprendizagem supervisionada: um trabalho enorme que consistia em escrever milhares de perguntas com as respetivas respostas corretas.
Ilya Sutskever e o avanço da OpenAI
Ilya Sutskever, nascido na Rússia e emigrado para Israel, tornou-se uma das figuras de referência da inteligência artificial. Doutorado em informática no Canadá e cientista-chefe da OpenAI, Ilya optou por mudar de abordagem e explorar novos métodos de treino para os chatbots: a aprendizagem não supervisionada.
O que é a aprendizagem não supervisionada?
Esta abordagem assenta em treinar o sistema com frases completas retiradas de textos existentes, removendo a última palavra para que o sistema tenha de a adivinhar. Se errar, é corrigido e continua a aprender com isso. Nasce assim um processo de treino automático e bastante mais eficiente.
A integração da tecnologia Transformer
A aprendizagem não supervisionada recebeu um impulso decisivo com o desenvolvimento do Transformer por investigadores da Google em 2017. A combinação do Transformer com a abordagem não supervisionada deu origem ao GPT-1, cujo desempenho superava largamente o dos seus antecessores.
A evolução dos modelos GPT
A OpenAI continuou a melhorar e a expandir o modelo, atingindo o auge com o lançamento do GPT-3.5 em 2022. Considerado um dos chatbots mais avançados, treinado sobre volumes gigantescos de informação, oferece capacidades impressionantes e inovadoras.
Modelos de código aberto na vossa própria rede
Muitas organizações evitam integrar modelos de linguagem como o ChatGPT por receio de fugas de informação sensível, enquanto outras optam por adquirir licenças de serviços comerciais mas restringem o seu uso, sobretudo quando se trata de conteúdo partilhável. Assistimos recentemente a uma revolução nos modelos de linguagem de código aberto: distinguem-se pela qualidade e por vezes superam mesmo os modelos comerciais.
Propomos executar estes modelos de código aberto na vossa rede interna, sem ligação à Internet (On-Premise), o que traz vantagens significativas. Em primeiro lugar, segurança total da informação: todos os dados permanecem dentro da rede interna, sem qualquer risco de fuga. Em segundo lugar, uma adaptação única às necessidades da vossa organização: o acesso completo ao modelo permite ajustes precisos aos vossos universos de conteúdo. Além disso, representa uma poupança considerável: os modelos são gratuitos, pelo que a única despesa é a computação, habitualmente muito inferior ao custo das licenças comerciais.
A nossa equipa terá todo o gosto em aconselhar-vos sobre a arquitetura da rede interna e em construir um plano à medida para implementar um modelo de linguagem privado.
O que os modelos de linguagem sabem ler
Os modelos baseados em linguagem e as soluções avançadas de análise linguística abrem a porta a um novo mundo de compreensão profunda de textos e fala. Graças a esta tecnologia, conseguem ler e analisar textos de qualquer extensão e extrair conclusões valiosas ao serviço de um vasto conjunto de aplicações.
Os modelos permitem compreender e avaliar textos em profundidade, incluindo a identificação das emoções refletidas no conteúdo — alegria, frustração ou raiva — e até a distinção entre pedidos urgentes e outros menos urgentes. É ainda possível medir o grau de cortesia de uma conversa ou distinguir a linguagem do dia a dia da linguagem formal, o que permite otimizar serviços e melhorar a experiência do cliente.
A tecnologia, que inclui modelos como o Llama 3 e o Mixtral, suporta o hebraico e analisa textos e conversas com precisão, incluindo gravações de voz em tempo real. Estas aplicações contribuem para melhorar o apoio ao cliente, seja detetando padrões e otimizando os processos de venda, seja identificando tendências de negócio emergentes. É assim possível desenvolver programas de formação personalizados, melhorar as estratégias de marketing e extrair novas conclusões da informação profissional.
Outros modelos de compreensão e análise da linguagem
Para além dos modelos já referidos, existem outros usados para compreender e analisar a linguagem de forma avançada, que suportam um vasto conjunto de aplicações:
- BERT (Bidirectional Encoder Representations from Transformers) — desenvolvido pela Google, serve para compreender o contexto e o significado das palavras nas frases através de uma análise bidirecional do texto. Está adaptado a tarefas como resposta a perguntas, reconhecimento de entidades nomeadas e classificação de textos.
- GPT-4 (Generative Pretrained Transformer) — poderoso modelo generativo da OpenAI, usado para produzir textos personalizados, traduzir, analisar conversas e muito mais. Funciona em várias línguas e permite gerar conteúdo automático e preciso conforme as necessidades do utilizador.
- RoBERTa (Robustly Optimized BERT) — versão melhorada do BERT, construída especificamente para a compreensão profunda do texto, com dados de treino adicionais e métodos novos que a tornam mais rápida e precisa.
- DistilBERT — modelo mais pequeno e leve do que o BERT, mantendo ainda assim um desempenho notável em tarefas de compreensão da linguagem. Adequado a aplicações que exigem processamento rápido com recursos limitados.
- XLNet — modelo mais avançado do que o BERT, desenvolvido pela equipa da Google para ultrapassar as limitações da aprendizagem da ordem das palavras. Analisa o texto em várias ordens possíveis e melhora a precisão na compreensão do contexto.
- T5 (Text-to-Text Transfer Transformer) — modelo versátil que trata qualquer problema como uma tarefa de conversão de texto para texto, permitindo resolver um vasto conjunto de problemas de PLN, como sumarização, tradução e resposta a perguntas.
- ALBERT (A Lite BERT) — versão mais eficiente do BERT, que reduz o número de parâmetros e otimiza o processamento mantendo elevada precisão, o que a torna uma ferramenta acessível e eficaz em tarefas de análise da linguagem.
- Whisper — modelo generativo da OpenAI para análise e compreensão da linguagem falada, que oferece reconhecimento de fala e conversão de conversas em texto, incluindo identificação do idioma, transcrição e tradução.
O uso destes modelos ajuda as organizações a melhorar processos como o apoio ao cliente, a análise de conversas, a compreensão de documentos complexos e a experiência do utilizador, com um ajuste preciso às necessidades do negócio e aos requisitos linguísticos específicos.
Pontos-chave
- Análise de dados com IA: compreender os dados e o comportamento dos utilizadores.
- Automações inteligentes: construir processos automáticos que poupam tempo.
- Previsões de negócio: usar modelos para antecipar tendências futuras.
Exemplos de aplicação
- Analisar dados e comportamento dos utilizadores para detetar tendências e oportunidades de melhoria.
- Criar automações que executam tarefas repetitivas sem intervenção humana.
- Desenvolver modelos para prever tendências de mercado e o desempenho da empresa.
Ritmo do impacto
- Empresas tecnológicas: impacto rápido; em poucos meses observa-se uma melhoria significativa no desempenho.
- Empresas financeiras: ritmo mais lento, mas com efeito cumulativo na previsão de tendências e na melhoria dos resultados.
A aprendizagem automática impressiona no papel, mas na prática, sem dados acessíveis e limpos não há nada para ensinar. E ao implementar IA numa organização, a primeira pergunta deve ser sobre a infraestrutura, não sobre a tecnologia.