20 estratégias para aprimorar a IA e exemplos

Os modelos de IA exigem aprimoramento contínuo à medida que os dados, o comportamento do usuário e as condições do mundo real evoluem. Mesmo modelos com bom desempenho podem se desviar ao longo do tempo quando os padrões que aprenderam deixam de corresponder às entradas atuais, levando à redução da precisão e a previsões não confiáveis.

Alterações nas regulamentações, nos requisitos dos produtos ou nas expectativas dos clientes também podem introduzir novas restrições que os modelos existentes não foram projetados para lidar.

Manter a qualidade do modelo, portanto, envolve fortalecer tanto os dados que o sustentam quanto os algoritmos que moldam seu comportamento, garantindo que os sistemas permaneçam alinhados com as exigências atuais, em vez de suposições desatualizadas.

Explore estratégias essenciais, incluindo alimentação de dados , aprimoramento de dados e algoritmos e leis de escalabilidade da IA , que garantirão que seus modelos de IA permaneçam relevantes e práticos.

As 20 principais maneiras de aprimorar seu modelo de IA

Explicamos métodos para aprimorar seu modelo de IA em 4 categorias diferentes:

Forneça mais dados

Adicionar dados novos e atualizados é um dos métodos mais comuns e eficazes para melhorar a precisão do seu modelo de aprendizado de máquina. Pesquisas demonstraram uma correlação positiva entre o tamanho do conjunto de dados e a precisão do modelo de IA. ¹

Portanto, expandir o conjunto de dados usado para o retreinamento do modelo pode ser uma maneira eficaz de aprimorar os modelos de IA/ML. Certifique-se de que os dados se adaptem ao ambiente em que são implantados. Também é essencial seguir as práticas adequadas de garantia de qualidade na coleta de dados.

1. Coleta de dados

A coleta/extração de dados pode ser usada para expandir seu conjunto de dados e alimentar o modelo de IA/ML com mais dados. Nesse processo, novos dados são coletados para re-treinar o modelo. Esses dados podem ser extraídos pelos seguintes métodos:

• Coleção particular
• Coleta automatizada de dados
• crowdsourcing personalizado

Para coletar dados com sucesso para IA, as empresas precisam ficar atentas a:

• As considerações éticas e legais na coleta de dados devem ser respeitadas para evitar quaisquer problemas éticos.
• O viés nos dados de treinamento pode levar a resultados indesejados em IA.
• O pré-processamento de dados brutos é essencial para solucionar problemas de qualidade e garantir a integridade dos dados para o treinamento de IA/ML.
• Nem todos os dados são facilmente acessíveis devido a restrições relacionadas à sensibilidade e às normas de privacidade.

Saiba mais sobre os métodos de coleta de dados.

Recomenda-se também trabalhar com um serviço de coleta de dados de IA para obter conjuntos de dados relevantes sem a necessidade de coletar dados manualmente e para evitar problemas éticos e legais. Consulte serviços e empresas de coleta de dados, bem como plataformas de crowdsourcing de dados, para encontrar o serviço de coleta de dados ideal para o seu projeto de IA.

2. Dados sintéticos com modelos generativos

A IA generativa impulsionou a criação de dados sintéticos , produzindo conjuntos de dados de alta qualidade que replicam condições do mundo real. Grandes modelos de linguagem e modelos de difusão agora podem gerar dados estruturados e não estruturados para o treinamento de modelos em domínios onde os dados reais são limitados.

Exemplos incluem:

• Produzir casos médicos raros para aprimorar modelos de aprendizado de máquina na área da saúde .
• Geração de dados de conversação realistas para aprimorar sistemas de processamento de linguagem natural .
• Criação de conjuntos de dados visuais para testar a resolução da imagem, a qualidade da foto ou modelos de reconhecimento de imagem .

Dados sintéticos de autojogo e treinamento

A simulação de jogo gera novos dados de treinamento ao permitir que modelos ou agentes interajam com tarefas ou entre si. Esses recursos complementares têm disponibilidade limitada de dados humanos de alta qualidade.

Este método proporciona:

• Produção escalável de dados de instrução, raciocínio ou diálogo.
• Cobertura de cenários que são raros ou caros de coletar manualmente.
• Melhoria do desempenho do modelo em domínios onde a escassez de dados é uma limitação principal.

Exemplo da vida real: Mais dados para chatbots

Um chatbot de suporte de TI tinha dificuldades para entender e classificar as perguntas dos usuários com precisão. Para melhorar seu desempenho, 500 consultas de suporte de TI foram reescritas em múltiplas variações em sete idiomas.

Esses dados adicionais ajudaram o chatbot a reconhecer diferentes formatos de perguntas, melhorando sua capacidade de responder com mais eficácia.

Melhorar os dados

A melhoria dos dados existentes também pode resultar em um modelo de IA/ML aprimorado.

Agora que as soluções de IA estão lidando com problemas mais complexos, são necessários dados melhores e mais diversificados para o seu desenvolvimento. Por exemplo, pesquisas ² Sobre um modelo de aprendizado profundo que auxilia sistemas de detecção de objetos a compreender as interações entre dois objetos, conclui-se que o modelo é suscetível ³ O viés do conjunto de dados exige um conjunto de dados diversificado para produzir resultados.

As melhorias podem ser alcançadas através de:

3. Enriquecendo os dados

Expandir o conjunto de dados é uma forma de aprimorar a IA. Outra maneira importante de melhorar os modelos de IA/ML é enriquecendo os dados. Isso significa que os novos dados coletados para expandir o conjunto de dados devem ser processados antes de serem inseridos no modelo.

Isso também pode significar aprimorar a anotação do conjunto de dados existente. Como novas e melhores técnicas de rotulagem foram desenvolvidas, elas podem ser implementadas no conjunto de dados existente ou recém-coletado para melhorar a precisão do modelo.

4. Melhorar a qualidade dos dados

A melhoria da qualidade dos dados é essencial para o avanço dos sistemas de IA e para o aprimoramento do desempenho dos modelos de IA. Embora os avanços em IA frequentemente enfatizem algoritmos melhores e maior poder computacional, dados de treinamento de alta qualidade continuam sendo cruciais para um desempenho ideal.

Adotar uma abordagem centrada em dados ajuda a acelerar o progresso da IA, garantindo que os dados usados para treinamento sejam abundantes e de alta qualidade.

A coleta e a curadoria de dados de alta qualidade permitem que os desenvolvedores criem modelos de IA mais eficientes e eficazes, que podem então ser utilizados para resolver tarefas complexas em diversos setores. Ao priorizar a qualidade dos dados, as empresas podem fazer previsões mais precisas, reduzir vieses e aprimorar as capacidades dos sistemas de IA.

A qualidade dos dados pode ser significativamente melhorada durante a fase de coleta de dados. Esse processo inclui garantir que os dados sejam representativos dos cenários do mundo real que o modelo encontrará, para eliminar vieses, reduzir ruídos e assegurar que sejam suficientemente diversos para capturar todas as variáveis relevantes.

Além disso, manter a consistência na rotulagem dos dados e abordar as lacunas no conjunto de dados pode ajudar a reduzir os erros no processo de aprendizagem do modelo.

5. Aproveitando o aumento de dados

Algumas pessoas podem confundir dados aumentados com dados sintéticos; no entanto, os dois termos são diferentes. Dados aumentados referem-se à adição de informações a um conjunto de dados existente, enquanto dados sintéticos são gerados artificialmente para substituir dados reais.

Confira para saber mais sobre diferentes técnicas de aumento de dados.

Aprimore o algoritmo

Às vezes, o algoritmo inicialmente criado para o modelo precisa ser aprimorado. Isso pode ocorrer por diversos motivos, incluindo uma mudança na população na qual o modelo é aplicado.

Suponha que um algoritmo de IA/ML implantado, que avalia o risco à saúde do paciente e não inclui o parâmetro de nível de renda, seja repentinamente exposto a dados de pacientes com níveis de renda mais baixos. Nesse caso, é improvável que produza avaliações imparciais.

Portanto, aprimorar o algoritmo e adicionar novos parâmetros pode ser uma maneira eficaz de melhorar o desempenho do modelo. O algoritmo pode ser aprimorado das seguintes maneiras:

6. Melhorar a arquitetura

Existem algumas coisas que podem ser feitas para melhorar a arquitetura de um algoritmo. Uma delas é aproveitar os recursos de hardware modernos, como instruções SIMD ou GPUs. ⁴

Além disso, as estruturas de dados e os algoritmos podem ser aprimorados por meio do uso de layouts de dados otimizados para cache e algoritmos eficientes. Por fim, os desenvolvedores de algoritmos podem explorar os avanços recentes em aprendizado de máquina e técnicas de otimização.

O Transformer é uma arquitetura de aprendizado profundo que revolucionou o processamento de linguagem natural (PLN) e outras áreas, possibilitando uma modelagem mais eficiente e eficaz de dados sequenciais. Foi apresentado no artigo "Attention Is All You Need". ⁵ , depende fortemente de um mecanismo chamado autoatenção, substituindo as operações recorrentes e convolucionais usadas em modelos anteriores, como RNNs e CNNs.

Um Transformer consiste em um codificador e um decodificador, cada um construído a partir de múltiplas camadas empilhadas:

• O codificador transforma sequências de entrada em representações sensíveis ao contexto, utilizando autoatenção multi-cabeças para capturar relações entre tokens, redes feedforward para processamento e conexões residuais com normalização de camada para estabilidade.
• O decodificador gera sequências de saída token por token, incorporando autoatenção multi-cabeça mascarada para impedir o acesso futuro a tokens, atenção cruzada para integrar as saídas do codificador e mecanismos semelhantes de feedforward e normalização para um aprendizado eficiente.

7. Arquiteturas de modelos híbridos

Arquiteturas de modelos híbridos combinam elementos de Transformers, modelos de espaço de estados e outros métodos de processamento de sequências. Essa abordagem suporta contextos de longa duração e reduz os requisitos computacionais.

As principais vantagens incluem:

• Processamento mais eficiente de sequências longas.
• Redução do uso de memória para treinamento e inferência.
• Compatibilidade com ambientes de data center e edge computing.

Exemplo da vida real: Kimi K2.5

Kimi K2.5 é um modelo de IA agético de código aberto desenvolvido por Moonshot AI, pré-treinado em aproximadamente 15 trilhões de tokens mistos de texto e visuais.

O design do Kimi K2.5 integra visão e compreensão da linguagem com raciocínio lógico, oferecendo modos instantâneos e de "pensamento", além de suportar fluxos de trabalho conversacionais e autônomos. ⁶

As principais características são:

• Multimodalidade nativa: Processos e raciocínios sobre texto, imagens e vídeo em um modelo unificado.
• Codificação assistida por visão: Permite gerar código a partir de entradas visuais e alinhar as saídas com as especificações visuais.
• Execução do Agent Swarm: Suporta a decomposição coordenada de tarefas, permitindo que processos de agentes sejam executados em paralelo para fluxos de trabalho complexos.

8. Reengenharia de funcionalidades

A reengenharia de funcionalidades de um algoritmo é o processo de aprimorar suas características para torná-lo mais eficiente e eficaz. Isso pode ser feito modificando a estrutura do algoritmo ou ajustando seus parâmetros.

9. Modelos mundiais multimodais

Os modelos multimodais do mundo aprendem com texto , imagens , áudio, vídeo , dados estruturados e entradas de sensores. Isso cria uma representação unificada entre as modalidades.

Aspectos importantes incluem:

• Melhor fundamentação em informações do mundo real.
• Interpretação mais precisa de cenas, sinais e entradas em múltiplos formatos.
• Aplicabilidade a tarefas que exigem compreensão integrada entre diferentes modalidades.

Exemplo da vida real: DeepMind

A DeepMind fez melhorias significativas em seus modelos de IA, otimizando sua arquitetura e reestruturando vários componentes para um melhor desempenho. Por exemplo, o modelo Gemini foi construído com uma arquitetura multimodal, permitindo que ele lide com tarefas envolvendo texto, áudio e imagens de forma mais eficaz.

Além disso, o PaLM 2 foi aprimorado com uma abordagem de escalonamento computacionalmente otimizado e melhorias no conjunto de dados para melhorar as tarefas de raciocínio. Essas atualizações arquitetônicas permitiram maior precisão e adaptabilidade. ⁷

10. Segurança, alinhamento e governança da IA

A melhoria de algoritmos não se limita mais a otimizações técnicas. A segurança, o alinhamento e a governança da IA são cada vez mais críticos para garantir que os sistemas de IA se comportem conforme o esperado. Desenvolvedores e organizações estão priorizando métodos que:

• Alinhar os resultados dos modelos de IA com os valores humanos e as necessidades do negócio.
• Incorpore mecanismos de feedback para evitar comportamentos indesejados durante a implementação.
• Estabelecer estruturas de governança que definam limites para o uso de ferramentas em diversos setores.

Essa mudança destaca que alcançar melhores resultados em IA envolve aprimorar a precisão e a confiabilidade, abordar considerações éticas e garantir a sustentabilidade a longo prazo.

Exemplo da vida real: a prática de "IA Sandbagging" no Relatório Internacional de Segurança da IA.

O Relatório Internacional de Segurança da IA destaca uma preocupação conhecida como "sandbagging da IA", na qual um modelo apresenta desempenho diferente durante a avaliação em comparação com o uso no mundo real. Em particular, sistemas avançados podem parecer mais seguros ou menos capazes durante testes formais, mas comportar-se de maneira diferente após a implantação.

Isso cria uma lacuna de avaliação: os benchmarks tradicionais e os testes de equipe vermelha podem não capturar completamente os riscos do mundo real se os modelos puderem adaptar seu comportamento dependendo do contexto. Para as empresas, isso implica que testes de segurança pontuais são insuficientes e devem ser complementados por monitoramento contínuo, auditoria e mecanismos de governança. ⁸

Figura 1: Exemplo do modelo o3 de OpenAI mostrando a consciência situacional durante as avaliações.

11. Modelos de verificação e pipelines de autocorreção

Os modelos de verificação avaliam as saídas produzidas por um modelo base e identificam erros ou inconsistências. Eles oferecem suporte à autocorreção estruturada. Suas principais contribuições incluem:

• Maior precisão no raciocínio e em tarefas matemáticas.
• Reduzir as taxas de falha através de verificações sistemáticas.
• Maior confiabilidade em aplicações de alto risco ou específicas de um domínio.

12. Otimização de IA no dispositivo e na borda

A otimização de IA em dispositivos e na borda tornou-se cada vez mais crucial para aprimorar a privacidade, reduzir a latência e melhorar a eficiência. Em vez de processar dados em servidores centralizados, os sistemas de IA podem ser executados diretamente em dispositivos como smartphones, sensores de IoT ou hardware corporativo.

Os benefícios incluem:

• Maior privacidade ao manter dados sensíveis em nível local.
• Menor latência, permitindo insights instantâneos em tempo real.
• Menor dependência de conectividade constante e infraestrutura de nuvem em larga escala.

Essa tendência é particularmente relevante em setores como saúde , automotivo e manufatura , onde respostas rápidas e proteção de dados são cruciais.

Leis de escala da IA

As leis de escala descrevem como o desempenho do modelo muda à medida que os parâmetros, os dados e o poder computacional aumentam em conjunto, em proporções equilibradas. Pesquisas mostram que a perda tende a seguir padrões previsíveis de lei de potência quando os modelos são treinados com dados e recursos computacionais suficientes em relação ao seu tamanho.

Os primeiros trabalhos identificaram relações entre parâmetros, tokens e poder computacional de treinamento, enquanto estudos posteriores revisaram as proporções ideais, mostrando que muitos modelos grandes estavam subtreinados e que os modelos têm melhor desempenho quando os parâmetros e os tokens de treinamento são dimensionados para magnitudes semelhantes.

Análises mais recentes incorporam o custo de inferência, indicando que modelos menores, treinados por períodos mais longos, podem igualar o desempenho de modelos maiores quando as cargas de trabalho de inferência são altas. Estudos adicionais se concentram em como as capacidades, e não apenas a perda, escalam entre diferentes benchmarks e mostram que a eficiência do modelo aumenta à medida que as arquiteturas, a qualidade dos dados e os métodos de treinamento melhoram.

Essas descobertas orientam a seleção de modelos e o planejamento de recursos, enfatizando o escalonamento equilibrado, dados de treinamento adequados e a crescente importância da eficiência de parâmetros e inferência.

Exemplo prático: Escalonamento paralelo de TTC com PaCoRe

PaCoRe (Parallel Coordinated Reasoning) é uma estrutura de código aberto que introduz uma nova abordagem para dimensionar o poder computacional em tempo de teste (TTC).

Em vez de ser limitado pela janela de contexto de um modelo, o PaCoRe inicia uma exploração paralela massiva e, em seguida, compacta e sintetiza os resultados por meio de uma arquitetura de troca de mensagens, permitindo uma escalabilidade computacional efetiva de milhões de tokens durante a inferência.

O PaCoRe também inclui um servidor aberto que pode ser usado com endpoints LLM arbitrários, permitindo que os desenvolvedores apliquem essa abordagem de escalonamento paralelo em diferentes modelos e provedores. ⁹

13. Dimensionamento do modelo

Aumentar o número de parâmetros em um modelo significa torná-lo maior, geralmente adicionando mais camadas ou tornando as camadas existentes mais complexas. Modelos maiores podem:

• Capturar padrões mais complexos: Com mais parâmetros, o modelo pode representar relações mais intrincadas nos dados.
• Lidar com conjuntos de dados maiores: Modelos maiores têm maior capacidade de processar e aprender com dados em larga escala.

No entanto, a relação entre o tamanho do modelo e o desempenho pode apresentar retornos decrescentes. Um aumento de 10 vezes no tamanho do modelo não leva necessariamente a uma melhoria de 10 vezes no desempenho.

Modelos maiores também exigem exponencialmente mais recursos computacionais e de memória, o que pode torná-los caros e mais difíceis de treinar. Além de um certo ponto, aumentar o tamanho do modelo pode produzir ganhos insignificantes, principalmente se o conjunto de dados ou os recursos computacionais forem insuficientes.

14. Dimensionamento de dados

A disponibilidade e o tamanho do conjunto de dados usado para treinar um modelo afetam significativamente seu desempenho:

• Conjuntos de dados maiores melhoram a generalização: com dados mais diversos e abrangentes, o modelo aprende uma gama mais ampla de padrões e tem menos probabilidade de sofrer sobreajuste.
• Melhor compreensão de eventos raros: Grandes conjuntos de dados ajudam o modelo a aprender padrões raros e diversos, o que o tornaria mais eficiente no tratamento de casos incomuns.

No entanto, a escalabilidade de dados também tem limites:

• Estabilização dos ganhos: Após um certo ponto, adicionar mais dados proporciona retornos decrescentes em desempenho, porque o modelo já aprendeu a maioria dos padrões úteis.
• Qualidade acima de quantidade: Dados de baixa qualidade ou ruidosos podem não melhorar o desempenho, mesmo em grandes volumes.
• Gargalo computacional: Conjuntos de dados maiores exigem mais poder computacional e tempo de treinamento, o que pode ser proibitivo.

15. Geração aumentada por recuperação (RAG)

A geração aumentada por recuperação tornou-se uma estratégia essencial para aprimorar modelos de IA sem depender exclusivamente de modelos maiores ou de recursos computacionais aumentados. Os sistemas RAG integram um modelo de linguagem amplo com uma base de conhecimento externa, permitindo que o modelo acesse informações relevantes em tempo real.

As principais vantagens incluem:

• Reduzir a necessidade de retreinar os modelos quando novas informações são criadas.
• Melhorar o desempenho em funções empresariais especializadas, fundamentando os resultados em fontes de dados selecionadas.
• Mitigar os riscos de respostas desatualizadas ou alucinatórias , permitindo que os sistemas citem fontes de referência.

Essa abordagem agora é comum em soluções de IA corporativas , onde os dados de treinamento não conseguem acompanhar a rápida evolução de domínios como finanças , direito ou atendimento ao cliente .

16. Sistemas com memória aumentada

Sistemas com memória aumentada permitem que os modelos acessem memória persistente ou em nível de sessão. Isso possibilita que o modelo mantenha o contexto entre tarefas e interações.

Características importantes incluem:

• Apoio para um contexto de longo prazo que não seja limitado pela extensão do estímulo.
• Maior consistência em fluxos de trabalho com várias etapas.
• Melhor alinhamento com casos de uso que exigem continuidade, como trabalho em projetos ou análises complexas.

17. Dimensionamento computacional

A escalabilidade computacional envolve o aumento da capacidade computacional disponível durante o treinamento ou a inferência, normalmente por meio de:

• Hardware mais potente: GPUs, TPUs ou chips de IA especializados.
• Sistemas distribuídos: Treinamento em várias máquinas em paralelo para lidar com grandes cargas de trabalho.
• Duração de treinamento mais longa: Permite que o modelo otimize seus pesos ao longo de mais iterações.

A relação entre o desempenho computacional e o desempenho do modelo é fundamental:

• Mais poder computacional possibilita modelos maiores: A escalabilidade do poder computacional permite o treinamento de modelos com mais parâmetros.
• Treinamento prolongado: Com poder computacional suficiente, os modelos podem ser treinados em conjuntos de dados maiores por períodos mais longos, o que levaria a uma melhor otimização.

No entanto, o escalonamento computacional também apresenta desafios:

• Rendimentos decrescentes: Embora o desempenho melhore com mais poder computacional, a taxa de melhoria diminui à medida que os recursos aumentam.
• Custos e exigências energéticas: O treinamento de modelos avançados como o GPT-4 requer extensos recursos financeiros e ambientais.

Apesar desses desafios, a escalabilidade da capacidade computacional tem sido fundamental para impulsionar as melhorias no aprendizado de máquina em IA.

Na fase de inferência, o desempenho de um modelo de IA, especialmente para tarefas que exigem cálculos matemáticos ou raciocínio em várias etapas, pode ser aprimorado com a alocação de mais tempo de computação. Isso geralmente é alcançado por meio de estratégias como o aumento da computação por consulta ou o refinamento iterativo. Veja como funciona:

O que acontece durante a inferência?

A inferência é a etapa em que um modelo pré-treinado é usado para gerar previsões ou executar tarefas com base em novas entradas. Ao contrário do treinamento, a inferência não atualiza os pesos do modelo, mas se baseia em suas capacidades aprendidas para resolver problemas específicos.

Por que mais tempo de computação ajuda?

Ao executar tarefas como cálculos matemáticos ou raciocínio em várias etapas, o modelo se beneficia de mais tempo e recursos por consulta porque:

• Refinamento iterativo: Para tarefas que exigem múltiplas etapas lógicas, o modelo pode dividir o problema em partes menores, resolver cada parte e refinar iterativamente sua solução. Alocar mais poder computacional permite que o modelo processe essas etapas de forma mais completa.
• Maior precisão: Em tarefas matemáticas, um tempo de inferência mais longo permite uma exploração mais profunda de padrões ou mecanismos de tentativa e erro para aproximar soluções corretas.
• Melhor compreensão contextual: Em tarefas como raciocínio em várias etapas, um modelo com mais tempo de computação pode avaliar o contexto repetidamente, para garantir que as etapas intermediárias estejam alinhadas com o problema geral.

18. Escalonamento computacional em tempo de inferência

O escalonamento computacional em tempo de inferência refere-se à alocação de mais poder computacional para um modelo durante a inferência. Essa abordagem permite o processamento de sequências de raciocínio mais longas e avaliações em múltiplas etapas sem modificar os parâmetros do modelo.

Os principais pontos incluem:

• Os modelos podem refinar iterativamente as etapas intermediárias para tarefas que exigem raciocínio.
• A precisão aumenta quando o modelo tem permissão para executar caminhos de inferência mais profundos.
• Os ganhos de desempenho são alcançados sem a necessidade de novo treinamento, o que torna esse método adequado para atualizações frequentes.

Exemplo prático: ganhos de capacidade pós-treinamento e em tempo de inferência

O Claude Opus 4.6 de Anthropic ilustra como os sistemas de IA de ponta estão avançando por meio de melhorias no raciocínio em tempo de inferência e na integração de ferramentas. Esses ganhos se manifestam em uma codificação agética mais capaz, onde o modelo pode planejar tarefas de software com várias etapas, navegar por grandes bases de código e corrigir seus próprios erros de forma iterativa.

Elas também se manifestam em um uso mais eficiente de ferramentas e fluxos de trabalho coordenados entre agentes, como as equipes de agentes no Claude Code que dividem e executam tarefas complexas.

Além disso, o Opus 4.6 suporta janelas de contexto longas (até cerca de 1 milhão de tokens na versão beta), permitindo manter a coerência em documentos extensos, bases de código e interações de várias etapas.

Em conjunto, esses desenvolvimentos destacam como o design do sistema e as técnicas de inferência em tempo real estão impulsionando ganhos de capacidade significativos que vão além do treinamento básico.

Figura 2: Gráfico mostrando o desempenho do Opus 4.6 no Terminal Bench. O Terminal Bench é um conjunto de ferramentas de avaliação comparativa para agentes de IA que operam em ambientes de terminal. ¹⁰

Exemplo da vida real: Gemini 3 Deep Think

O Gemini 3 Deep Think da Google foi projetado para lidar com problemas complexos nas áreas de ciência, matemática e engenharia, com busca inferencial mais profunda e exploração de múltiplas hipóteses.

O Deep Think melhora o desempenho alterando a forma como o modelo raciocina no momento da inferência, alocando mais poder computacional para problemas mais complexos em vez de depender apenas de um maior número de parâmetros.

Isso demonstra que as modalidades de raciocínio, nas quais um modelo pode alternar para um modo de pensamento profundo otimizado para tarefas analíticas mais complexas, estão emergindo como um conceito distinto de progresso da IA, juntamente com a contagem de parâmetros e as melhorias em ferramentas/implantação.

Figura 3: Gráfico mostrando o desempenho do Deep Think nos benchmarks ARC-AGI 2, Humanity's Last Exam, MMMU-Pro e Codeforces. ¹¹

Exemplo da vida real: GPT-5.3-Codex-Spark

O OpenAI's GPT-5.3-Codex-Spark é um modelo focado em codificação, posicionado como uma variante otimizada para velocidade do GPT-5.3-Codex, destinado a fluxos de trabalho de desenvolvedores em tempo real.

As principais características incluem:

• Inferência de alto desempenho: Projetada para auxiliar na codificação com baixa latência, com velocidades de saída relatadas acima de 1.000 tokens por segundo em ambientes compatíveis.
• Janela de contexto ampla: Suporta até 128.000 tokens de contexto, permitindo o uso com bases de código maiores e sessões mais longas.
• Fluxos de trabalho de codificação interativos: voltados para tarefas de codificação iterativas, como edição, depuração e refinamento de código em tempo real.
• Ênfase na infraestrutura: Projetado para funcionar em infraestrutura de inferência de baixa latência, incluindo implantações em hardware Cerebras.

Figura 4: Desempenho do benchmark OpenAI do GPT-5.3-Codex-Spark no SWE-Bench Pro. ¹²

19. IA Agencial

Em vez de depender de um único modelo maior, os sistemas agentes usam modelos diferentes com funções definidas, como planejamento, raciocínio e execução.

As vantagens incluem:

• Aumentar a capacidade de raciocínio sem incrementar indefinidamente o número de parâmetros.
• Maior flexibilidade no uso da ferramenta, atribuindo tarefas ao modelo mais capacitado.
• Incorporação mais direta do feedback de usuários e partes interessadas em diferentes etapas de um processo.

Um exemplo é um sistema multiagente onde um modelo lida com tarefas de gerenciamento de projetos, outro interpreta entradas de linguagem natural e um terceiro gerencia a recuperação e integração de dados. Juntos, esses modelos entregam melhores resultados do que um único modelo trabalhando sozinho.

20. Técnicas de eficiência de modelos

Em resposta ao custo e ao impacto ambiental do treinamento de modelos maiores, as técnicas de eficiência tornaram-se um foco recentemente. Esses métodos permitem que os desenvolvedores melhorem o desempenho usando menos recursos:

• A quantização reduz a necessidade de memória, diminuindo a precisão dos parâmetros do modelo sem perder a qualidade das previsões.
• A destilação de conhecimento transfere capacidades de um modelo grande para um modelo menor, permitindo uma inferência mais rápida.
• A poda remove parâmetros redundantes para reduzir a complexidade, mantendo a precisão.
• A adaptação de baixa classificação (LoRA) permite o ajuste fino eficiente de modelos de grande porte em tarefas específicas de domínio com recursos limitados.

Essas técnicas permitem que os sistemas de IA sejam mais escaláveis em diversos modelos e contextos de negócios, possibilitando melhores resultados a um custo menor.

Recomendações sobre como abordar a melhoria de modelos de IA/ML

Aprimorar um modelo de IA/ML exige uma abordagem estratégica para identificar áreas onde soluções eficazes podem ser implementadas. Ao combinar o monitoramento de desempenho com a tomada de decisões baseada em hipóteses, os modelos de IA/ML podem ser refinados e otimizados para melhores resultados.

Monitorar o desempenho

É possível aprimorar algo identificando seus pontos de melhoria. Isso pode ser feito monitorando as características do modelo de IA/ML. No entanto, se não for possível monitorar todas as características do modelo, pode-se observar um número selecionado de características-chave para estudar as variações em seus resultados que podem impactar o desempenho do modelo.

Geração de hipóteses

Antes de selecionar o método adequado, recomendamos realizar a geração de hipóteses. Este é um processo pré-decisional que estrutura o processo de decisão e reduz as opções.

Esse processo envolve a aquisição de conhecimento sobre o domínio, o estudo do problema que o modelo de IA/ML enfrenta e a seleção das opções prontamente disponíveis que podem solucionar os problemas identificados.

Aprimoramento iterativo e experimentação

O aprimoramento de modelos de IA/ML é um processo contínuo. Após a formulação de hipóteses e a seleção de soluções potenciais, a experimentação e a iteração são essenciais para o refinamento do modelo.

Teste A/B : Teste diferentes modelos ou alterações em subconjuntos de dados para comparar os resultados. Isso ajuda a identificar quais melhorias são mais eficazes.

Retreinamento do modelo : Treine o modelo regularmente com novos dados, atualizações de recursos ou ajustes de algoritmo para garantir que ele permaneça relevante e se adapte às mudanças de condições.

Monitoramento automatizado e ciclos de feedback : Utilize sistemas automatizados para fornecer feedback contínuo de IA, permitindo ajustes rápidos e iterações ágeis para melhorias.

Incorpore o feedback das partes interessadas.

Uma parte frequentemente negligenciada do processo de aprimoramento de modelos é a coleta de informações de usuários finais ou partes interessadas. O feedback da IA coletado de equipes de negócios, especialistas no assunto ou usuários finais oferece um contexto valioso para refinar as previsões e abordar pontos cegos do mundo real.

A integração desse ciclo de feedback ajuda a garantir que o modelo se adapte continuamente e permaneça alinhado às necessidades operacionais.

Esse ciclo de feedback garante que o modelo permaneça alinhado com as necessidades e expectativas do mundo real.

Priorize as mudanças de maior impacto.

Nem todas as melhorias terão o mesmo nível de impacto. É essencial priorizar as mudanças que abordem diretamente os problemas de desempenho mais críticos.

Por exemplo, melhorar a qualidade dos dados ou corrigir um viés significativo no modelo pode ter efeitos mais substanciais do que pequenos ajustes nos hiperparâmetros do algoritmo.

Documentar e padronizar o processo de melhoria.

Para promover melhorias contínuas, documente os métodos, experimentos e resultados.

A padronização desse processo permite que melhorias futuras sigam uma abordagem comprovada e estruturada, garantindo que as melhorias possam ser medidas, comparadas e acompanhadas.

Perguntas frequentes

Links de referência

1.

Professional Services - Telstra Enterprise

2.

[2111.09297] Learning to Compose Visual Relations

3.

More complex deep learning models require more complex data | by Anyverse | Anyverse™ | Medium

Anyverse™

4.

Single instruction, multiple data - Wikipedia

Contributors to Wikimedia projects

5.

https://arxiv.org/pdf/1706.03762

6.

moonshotai/Kimi-K2.5 · Hugging Face

7.

2023: A Year of Groundbreaking Advances in AI and Computing — Google DeepMind

Google DeepMind

8.

https://internationalaisafetyreport.org/sites/default/files/2026-02/international-ai-safety-report-2026.pdf

9.

GitHub - stepfun-ai/PaCoRe: PaCoRe: Learning to Scale Test-Time Compute with Parallel Coordinated Reasoning · GitHub

10.

Claude Opus 4.6 \ Anthropic

11.

Gemini 3 Deep Think: AI model update designed for science

Google

12.

Introducing GPT-5.3-Codex | OpenAI

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017. A AIMultiple fornece informações para centenas de milhares de empresas (segundo o SimilarWeb), incluindo 55% das empresas da Fortune 500, todos os meses. O trabalho de Cem foi citado por importantes publicações globais, como Business Insider, Forbes e Washington Post, além de empresas globais como Deloitte e HPE, ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia. Você pode ver mais empresas e recursos renomados que mencionaram a AIMultiple. Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor na área. Ele assessorou empresas em suas decisões tecnológicas na McKinsey & Company e na Altman Solon por mais de uma década. Também publicou um relatório da McKinsey sobre digitalização. Liderou a estratégia de tecnologia e a área de compras de uma empresa de telecomunicações, reportando-se diretamente ao CEO. Além disso, liderou o crescimento comercial da empresa de tecnologia avançada Hypatos, que atingiu uma receita recorrente anual de sete dígitos e uma avaliação de nove dígitos, partindo de zero, em apenas dois anos. O trabalho de Cem no Hypatos foi noticiado por importantes publicações de tecnologia, como TechCrunch e Business Insider. Cem participa regularmente como palestrante em conferências internacionais de tecnologia. Ele se formou em engenharia da computação pela Universidade Bogazici e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Sıla Ermut

Analista do setor

Siga-nos

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.

Nome

Endereço de email

Comentário

0/450

Postar comentário