{"id":293338,"date":"2024-12-05T13:06:23","date_gmt":"2024-12-05T13:06:23","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=293338"},"modified":"2025-02-03T15:31:20","modified_gmt":"2025-02-03T15:31:20","slug":"compound-ai-systems-the-future-of-specialized-intelligence","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/compound-ai-systems-the-future-of-specialized-intelligence\/","title":{"rendered":"Sistemas compostos de IA: O futuro da intelig\u00eancia especializada"},"content":{"rendered":"

Autor<\/h2><\/div>\"Image\"

Hassan Zayour<\/h3><\/div>

S\u00eanior Data Consultant em Artefact MENA<\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div>

Introdu\u00e7\u00e3o<\/h2><\/div>

Desde o seu surgimento explosivo em meados de 2022, a IA generativa conquistou rapidamente a aten\u00e7\u00e3o mundial. O que inicialmente se concentrava na modalidade de linguagem, desde ent\u00e3o se expandiu para novos caminhos interessantes, incluindo modelos de imagem, \u00e1udio e v\u00eddeo. No in\u00edcio de 2023, cresceram as especula\u00e7\u00f5es sobre o impacto potencial da tecnologia nas empresas de v\u00e1rios setores, acompanhadas de casos interessantes de ado\u00e7\u00e3o inicial. \u00c0 medida que mais desenvolvedores come\u00e7aram a criar solu\u00e7\u00f5es com esses modelos, a percep\u00e7\u00e3o geral mudou para o surgimento cont\u00ednuo de vers\u00f5es mais novas, maiores e, espera-se, melhores dos modelos mais amplamente usados.<\/p>\n<\/div>

\u00c0 medida que entramos em 2024, surgiu um insight importante: implementar a IA n\u00e3o \u00e9 simplesmente adotar o modelo mais recente e maior da prateleira. Embora seja comum presumir que as solu\u00e7\u00f5es de IA s\u00e3o prontas ou que o aumento do tamanho do modelo leva automaticamente a melhores resultados, essa abordagem raramente atende \u00e0s necessidades especializadas da maioria das empresas. Na realidade, os aplicativos bem-sucedidos exigem solu\u00e7\u00f5es de IA que sejam personalizadas, flex\u00edveis e eficientes.<\/p>\n<\/div>

Para isso, recorremos ao Sistemas de IA compostos<\/strong>. Diferentemente dos modelos \u00fanicos e monol\u00edticos, os sistemas compostos de IA integram v\u00e1rios componentes especializados de IA, cada um otimizado para uma fun\u00e7\u00e3o espec\u00edfica. Essa estrutura garante alta capacidade de personaliza\u00e7\u00e3o, adaptabilidade e precis\u00e3o, transformando a IA de uma ferramenta geral em uma solu\u00e7\u00e3o criada para uma finalidade espec\u00edfica. Ao combinar componentes de IA menores e interconectados, as empresas podem obter desempenho e resultados muito al\u00e9m do escopo de modelos prontos para uso. Portanto, para obter um impacto comercial ideal em todos os setores, argumentamos que uma vis\u00e3o estrat\u00e9gica deve priorizar projetos de sistemas mais inteligentes em vez de simplesmente criar modelos maiores e mais exigentes em termos de computa\u00e7\u00e3o.<\/p>\n<\/div>

Entendendo os sistemas compostos de IA<\/h2><\/div>

O Laborat\u00f3rio de Pesquisa de Intelig\u00eancia Artificial de Berkeley (BAIR) define um sistema de IA composto como um sistema \u201cque lida com tarefas de IA usando v\u00e1rios componentes que interagem entre si, incluindo v\u00e1rias chamadas para modelos, recuperadores ou ferramentas externas\u201d<\/a>. Por exemplo, Sistema Retrieval Augmented Generation (RAG)<\/a> \u00e9 um sistema composto que combina um modelo de linguagem grande (LLM), um mecanismo de recupera\u00e7\u00e3o de informa\u00e7\u00f5es e uma base data vetorizada. Por outro lado, um modelo de IA generativo \u00e9 um modelo estat\u00edstico<\/a>; Por exemplo, um LLM prev\u00ea o pr\u00f3ximo token no texto com base no treinamento data.<\/p>\n<\/div>

Nesse contexto, um modelo pode ser visto como um \u00fanico bloco, enquanto um sistema de IA composto \u00e9 mais parecido com uma m\u00e1quina composta de v\u00e1rios blocos de constru\u00e7\u00e3o, cada um servindo a uma fun\u00e7\u00e3o espec\u00edfica para atingir o objetivo geral do sistema.<\/p>\n<\/div>

\"Compound<\/span><\/div>

Modelos vs. sistemas compostos de IA. Fonte<\/a><\/em><\/p>\n<\/div>

Como esses sistemas s\u00e3o \u00fateis<\/h2><\/div>

Especializa\u00e7\u00e3o: Um martelo grande n\u00e3o \u00e9 a ferramenta certa para tudo<\/strong><\/h3><\/div>

Ao abordar aplicativos espec\u00edficos ou necessidades do setor, confiar em um modelo de IA de uso geral como o GPT-4 pode n\u00e3o ser suficiente. Embora sejam poderosos, esses modelos s\u00e3o projetados para lidar com uma ampla gama de tarefas e podem n\u00e3o ter o conhecimento especializado necess\u00e1rio para aplica\u00e7\u00f5es espec\u00edficas, o que leva a retornos decrescentes al\u00e9m de um certo ponto.<\/p>\n<\/div>

Por exemplo, uma institui\u00e7\u00e3o financeira que pretenda desenvolver um chatbot para an\u00e1lise de investimentos ou gerenciamento de patrim\u00f4nio precisa de um sistema que incorpore tanto o conhecimento especializado quanto o conhecimento espec\u00edfico da empresa. Dada a natureza do setor, haveria preocupa\u00e7\u00f5es com rela\u00e7\u00e3o \u00e0 privacidade (a empresa pode exigir solu\u00e7\u00f5es locais e uso exclusivo de modelos abertos), precis\u00e3o (as solu\u00e7\u00f5es devem ser impecavelmente precisas) e efici\u00eancia. Usar at\u00e9 mesmo os modelos de linguagem mais avan\u00e7ados como uma solu\u00e7\u00e3o aut\u00f4noma definitivamente n\u00e3o seria a melhor op\u00e7\u00e3o. Em vez disso, um sistema de IA composto poderia ser altamente eficaz ao integrar v\u00e1rios componentes especializados, como sistemas RAG (Retrieval-Augmented Generation) e agentes de IA personalizados. Essa abordagem garante que cada parte do sistema seja otimizada para sua fun\u00e7\u00e3o espec\u00edfica.<\/p>\n<\/div>

Flexibilidade: Os sistemas modulares se adaptam facilmente \u00e0s necessidades em constante mudan\u00e7a<\/strong><\/h3><\/div>

Quando um sistema \u00e9 constru\u00eddo usando componentes modulares, a substitui\u00e7\u00e3o ou atualiza\u00e7\u00e3o de pe\u00e7as individuais se torna muito mais simples. O mesmo princ\u00edpio se aplica aos sistemas compostos de IA, que s\u00e3o constru\u00eddos a partir de v\u00e1rios blocos. Se um componente de uma solu\u00e7\u00e3o de IA composta ficar desatualizado ou n\u00e3o atender aos novos requisitos de conformidade, ele poder\u00e1 ser substitu\u00eddo sem a necessidade de uma revis\u00e3o completa de todo o sistema. Por exemplo, se um modelo novo e mais adequado estiver dispon\u00edvel, ele poder\u00e1 ser integrado ao sistema para substituir a vers\u00e3o antiga. Da mesma forma, se for desenvolvido um mecanismo de recupera\u00e7\u00e3o de informa\u00e7\u00f5es mais eficiente, ele poder\u00e1 ser trocado sem interromper toda a configura\u00e7\u00e3o. Essa flexibilidade se estende al\u00e9m dos modelos e sistemas de recupera\u00e7\u00e3o para outros componentes, como unidades de processamento data, mecanismos de an\u00e1lise ou m\u00f3dulos de conformidade.<\/p>\n<\/div>

Escalabilidade: Enxames de componentes inteligentes superam um \u00fanico gigante<\/strong><\/h3><\/div>

A natureza modular dos sistemas compostos de IA oferece vantagens significativas em termos de escalabilidade. Ao permitir que componentes individuais sejam dimensionados de forma independente, esses sistemas podem gerenciar com efici\u00eancia volumes e complexidade data crescentes sem a necessidade de uma revis\u00e3o completa.<\/p>\n<\/div>

Um sistema pode ser dimensionado replicando-o em uma rede de sistemas, o que, teoricamente, permite uma escalabilidade infinita. \u00c9 por isso que um modelo de linguagem \u00fanica, por maior ou mais poderoso que seja (atualmente), n\u00e3o pode pesquisar com efic\u00e1cia uma base data muito grande em busca de uma informa\u00e7\u00e3o espec\u00edfica. Para ampliar os recursos de pesquisa de um modelo, o senhor precisar\u00e1 inevitavelmente criar um sistema de v\u00e1rios componentes para aprimorar a fun\u00e7\u00e3o de pesquisa. Se nem mesmo as tarefas mais simples, como a recupera\u00e7\u00e3o de informa\u00e7\u00f5es, podem ser dimensionadas de forma eficaz por um \u00fanico modelo, fica claro que os componentes individuais, por si s\u00f3, n\u00e3o podem oferecer suporte a aplicativos complexos e de grande escala.<\/p>\n<\/div>

Por que os sistemas compostos de IA fazem sentido para os neg\u00f3cios<\/h2><\/div>

Do ponto de vista comercial, a ado\u00e7\u00e3o de sistemas compostos de IA vai al\u00e9m da sofistica\u00e7\u00e3o t\u00e9cnica - ela oferece vantagens estrat\u00e9gicas que se alinham diretamente \u00e0s metas comerciais. Pode-se at\u00e9 argumentar que, se uma empresa deseja aproveitar a IA generativa, ela n\u00e3o tem outra op\u00e7\u00e3o a n\u00e3o ser criar (ou comprar) um sistema composto. Embora isso possa parecer simples, desafia a suposi\u00e7\u00e3o comercial comum de que modelos aut\u00f4nomos e prontos para uso s\u00e3o suficientes para atender a demandas especializadas.<\/p>\n<\/div>

Melhoria da satisfa\u00e7\u00e3o do cliente<\/strong><\/h3><\/div>

Os modelos de IA mais avan\u00e7ados, por si s\u00f3, n\u00e3o conseguem criar uma experi\u00eancia personalizada. Isso s\u00f3 pode ser alcan\u00e7ado por meio de um sistema composto que permita a entrega de experi\u00eancias do cliente altamente personalizadas e contextualmente relevantes. Por exemplo, o sistema de Voz neural personalizada<\/a> combina LLMs gerais com treinamento de voz personalizado, permitindo que as marcas criem assistentes digitais que se alinham precisamente com seu tom e estilo exclusivos. Esse n\u00edvel de personaliza\u00e7\u00e3o \u00e9 particularmente poderoso em setores voltados para o cliente, como o de publicidade, em que os clientes respondem positivamente ao se sentirem especiais e compreendidos. Do ponto de vista comercial, a combina\u00e7\u00e3o dessa tecnologia com a capacidade de adicionar contexto resulta em resultados personalizados, o que, em \u00faltima an\u00e1lise, aumenta a satisfa\u00e7\u00e3o do cliente.<\/p>\n<\/div>

Efici\u00eancia de custo <\/strong><\/h3><\/div>

Ao contr\u00e1rio dos modelos individuais que fornecem um n\u00edvel fixo de qualidade a um custo fixo, a IA composta oferece configura\u00e7\u00f5es flex\u00edveis de custo-qualidade. Por exemplo, as empresas podem integrar um modelo menor, ajustado por instru\u00e7\u00f5es, com componentes especializados, como heur\u00edstica de pesquisa, para obter resultados de alta qualidade a um custo menor em compara\u00e7\u00e3o com modelos maiores e independentes. Essa flexibilidade permite o uso de modelos menores e potencialmente de c\u00f3digo aberto que, com engenharia direcionada, podem fornecer resultados compar\u00e1veis a solu\u00e7\u00f5es mais caras.<\/p>\n<\/div>

Melhor controle e confian\u00e7a<\/strong><\/h3><\/div>

Para as empresas, a confiabilidade e a fidedignidade dos resultados de IA s\u00e3o cruciais. Confiar apenas em modelos individuais pode dificultar a obten\u00e7\u00e3o de resultados consistentemente factuais e bem formatados. Por exemplo, um cliente anterior do setor educacional solicitou uma solu\u00e7\u00e3o para o preenchimento autom\u00e1tico de inscri\u00e7\u00f5es com base nas informa\u00e7\u00f5es e no data da escola. Inicialmente, passei meses elaborando um sistema sequencial com base em engenharia avan\u00e7ada de prompt, sem usar uma abordagem composta. Os resultados melhoraram, mas nunca se aproximaram o suficiente do que poder\u00edamos apresentar como aplicativos totalmente preenchidos. Foi somente quando o conceito de RAG foi introduzido que os resultados totalmente controlados come\u00e7aram a surgir. No entanto, mesmo o RAG sozinho n\u00e3o era suficiente; eram necess\u00e1rios componentes adicionais para categorizar as informa\u00e7\u00f5es, manter a coer\u00eancia do contexto e lidar com outras nuances. S\u00f3 ent\u00e3o alcan\u00e7amos a confiabilidade e a precis\u00e3o de que o cliente precisava.<\/p>\n<\/div>

Conclus\u00e3o<\/h2><\/div>

Examinar o cen\u00e1rio atual da IA em aplica\u00e7\u00f5es industriais revela uma tend\u00eancia clara: confiar em um \u00fanico modelo para executar fun\u00e7\u00f5es complexas geralmente n\u00e3o \u00e9 confi\u00e1vel. \u00c0 medida que os casos de uso se tornam mais complexos e a ado\u00e7\u00e3o empresarial cresce, a demanda por solu\u00e7\u00f5es de IA altamente especializadas e capazes deve aumentar. Para atender a essa demanda, \u00e9 preciso orquestrar uma arquitetura de solu\u00e7\u00e3o que incorpore modelos aprimorados e especializados, evitando a armadilha de ter um escopo estreito e unilateral.<\/p>\n<\/div>

A comunidade de desenvolvedores est\u00e1 repleta de aplicativos interessantes que abrangem campos que v\u00e3o desde a medicina at\u00e9 o varejo, todos criados por meio da montagem de componentes menores e especializados em solu\u00e7\u00f5es poderosas e personalizadas.<\/p>\n<\/div>

Mesmo a IA, por si s\u00f3, n\u00e3o \u00e9 inteligente o suficiente para atingir objetivos estrat\u00e9gicos de neg\u00f3cios. Ela deve ser complementada por uma forma superior de intelig\u00eancia orquestrada.<\/p>\n<\/div>

Ap\u00eandice<\/h2><\/div>

Exemplos de sistemas compostos de IA<\/strong><\/h3><\/div>

A seguir, apresentamos uma cole\u00e7\u00e3o de sistemas compostos de IA impactantes e interessantes que destacam a utilidade desse conceito. Independentemente da infraestrutura que os desenvolvedores estejam usando, o objetivo \u00e9 observar como a combina\u00e7\u00e3o de v\u00e1rios componentes de IA com outras ferramentas pode atingir um objetivo muito espec\u00edfico.<\/p>\n<\/div>

Gera\u00e7\u00e3o Aumentada por Recupera\u00e7\u00e3o (RAG)<\/span><\/a><\/h4><\/div>

O RAG aprimora o resultado de um LLM fornecendo um contexto espec\u00edfico obtido de uma base data vetorizada que est\u00e1 fora do data de treinamento original do modelo. Embora os LLMs sejam treinados em vastos conjuntos de data e utilizem bilh\u00f5es de par\u00e2metros para gerar respostas, o RAG vai al\u00e9m. Ele permite que o LLM acesse e fa\u00e7a refer\u00eancia a informa\u00e7\u00f5es espec\u00edficas e atualizadas, sejam elas espec\u00edficas do dom\u00ednio ou extra\u00eddas da base de conhecimento interna de uma organiza\u00e7\u00e3o. Esse processo melhora significativamente a relev\u00e2ncia, a precis\u00e3o e a utilidade do conte\u00fado gerado, tudo isso sem a necessidade de treinar novamente o modelo.<\/p>\n<\/div>

As empresas com grandes datasets que precisam de um m\u00e9todo eficiente para organizar o conhecimento interno podem implementar essa solu\u00e7\u00e3o no local, usando o modelo de sua escolha, para recuperar informa\u00e7\u00f5es precisas. Por exemplo, os analistas financeiros podem localizar rapidamente o data relevante dentro do reports hist\u00f3rico, sem a necessidade de examinar manualmente cada um deles. O modelo, aprimorado por essas informa\u00e7\u00f5es contextuais, tamb\u00e9m gera respostas mais precisas e \u00fateis, simplificando todo o processo de recupera\u00e7\u00e3o de informa\u00e7\u00f5es.<\/p>\n<\/div>

A seguir, uma arquitetura RAG t\u00edpica:<\/p>\n<\/div>

\"Article:<\/span><\/div>

Arquitetura geral do RAG<\/em><\/p>\n<\/div>

A seguir, h\u00e1 uma tabela de alguns sistemas compostos comuns de IA (fonte<\/a>):<\/p>\n<\/div>

\"Article:<\/span><\/div>

Leituras adicionais sobre outros sistemas compostos de IA interessantes<\/strong><\/h3><\/div>