Temos o ChatGPT. E agora? (Parte 1)

DISCLAIMER: o texto a seguir trata apenas da opinião do autor e não necessariamente reflete a opinião institucional da Nomos Investimentos ou do TradeNews.

Se estivéssemos conversando há 10 anos atrás sobre Inteligência Artificial (IA), especulando sobre as primeiras atividades em que a IA substituiria os humanos, com certeza pensaríamos que as atividades braçais seriam as primeiras da fila. Se não fossem essas, eu votaria nas tarefas mais simples de processamento de dados e então, em um futuro mais distante, a IA desempenharia funções criativas, analíticas ou que exigisse qualquer tipo de inteligência emocional. Só tem um detalhe: o caminho está sendo exatamente o oposto.

Especular sobre a ordem na qual as atividades humanas serão substituídas por IA e os impactos causados no mercado de trabalho e no cenário regulatório são temas que ficarão para um próximo artigo, mas o importante agora é que temos o ChatGPT e ele ainda tem muito a evoluir.

À medida que os Modelos de Linguagem de Grande Escala (LLMs) evoluem, eles não apenas redefinem o que é possível em termos de interação humano-computador, mas também desafiam nossas preconcepções sobre criatividade, trabalho e aprendizado. Para tirarmos o maior proveito dessa tecnologia, as empresas por trás dos principais LLMs devem focar agora nos seguintes fatores:

– Multimodalidade: a evolução para modelos capazes de compreender e gerar informações em diferentes tipos de dados (texto, imagem, vídeo, áudio) representa um salto na maneira como interagimos com a IA. Isso não apenas abre novas aplicações em áreas como educação, entretenimento e design, mas também torna a comunicação com os modelos mais natural e intuitiva para os usuários.

– Razoabilidade: o GPT-4 apenas consegue raciocinar de forma limitada, fazendo inferências baseadas no conhecimento codificado durante seu – treinamento. Com o tempo, é esperado que os modelos terão mais formas de criar conexões entre seus dados de diferentes domínios de conhecimento, auxiliando na compreensão de contextos abstratos e melhorando sua capacidade criativa.

– Confiabilidade: se fizermos a mesma pergunta para o ChatGPT 200 vezes, ele gerará 200 respostas diferentes e algumas serão mais corretas do que outras. Com o passar do tempo, esperamos que os modelos sejam refinados para fornecer a melhor resposta todas as vezes. A confiabilidade é crucial para que os LLMS sejam usados em aplicações críticas, como na medicina, no direito e em sistemas de tomada de decisão. Isso implica não apenas em entregar a melhor resposta possível em todas as vezes, mas também em saber quando não fornecer uma resposta devido à incerteza ou à falta de dados confiáveis.

– Personalização: cada usuário busca coisas muito diferentes desse tipo de tecnologia. Por exemplo, respostas mais amplas ou mais aprofundadas, que utilizam suposições e conhecimentos prévios diferentes e a habilidade de gerar respostas baseadas em dados do usuário e de sua empresa (seu email, agenda, grau de conhecimento sobre um tema ou informações dos produtos da empresa). A capacidade de personalizar respostas e interações de acordo com as necessidades é fundamental para a utilidade e aceitação dos LLMs.

– Custos de Processamento: a eficiência no processamento é um aspecto crítico para tornar a tecnologia de LLMs escalável e acessível. Entre o GPT-2 e o GPT-3, o custo de processamento ficou 40x mais eficiente, e para o GPT-3.5 foi ainda mais 10x (ou seja, 400x mais eficiente que o GPT-2) e o GPT-4 está ainda melhor. Essa curva de desmonetização é a mais rápida que já vimos em qualquer tecnologia, bem mais rápida que a Lei de Moore. Essa tendência não ocorre apenas devido a criação de hardwares especializados, mas modelos mais eficazes à medida que entendemos melhor essas tecnologias, e a concentrar mais habilidades em modelos menores.

Essas tendências refletem um caminho empolgante para o desenvolvimento futuro dos LLMs, com potencial para transformar significativamente a interação entre humanos e computadores, bem como nossa capacidade de processar e gerar conhecimento. À medida que essas tecnologias evoluem, também surgem questões importantes sobre ética, privacidade, regulação e impacto social que precisarão ser abordadas com cuidado e responsabilidade. Na próxima parte, falaremos sobre os impactos desses modelos no mundo real e suas principais aplicações atuais no mercado financeiro.