Novos modelos OpenAI simplificam tarefas complexas

Os mais recentes modelos o1-preview da OpenAI abordam problemas complexos dividindo-os em etapas, o que pode mudar a forma como os setores abordam os desafios.

Essa abordagem, conhecida como raciocínio de cadeia de pensamento, marca uma mudança significativa em relação aos modelos de IA anteriores, que geralmente produziam respostas sem explicar seu raciocínio. Esses avanços podem remodelar a forma como empresas e pesquisadores abordam tarefas complexas de resolução de problemas.

"Esses modelos são melhores em tarefas que exigem mais lógica e raciocínio porque levam tempo para Think no problema", disse o engenheiro distinto da IBM, Chris Hay. "É como se estivessem mostrando seu trabalho, passo a passo."

A abordagem da cadeia de pensamento permite que os usuários vejam como a IA chega a suas conclusões. Hay explicou o processo: "Se você perguntar a uma criança, por exemplo, quanto é 25 multiplicado por 10 mais cinco, há três etapas. Eles podem simplesmente dar essa resposta borrada. Mas você disse que não, não, você precisa quebrar isso... é como na escola, você mostra seu trabalho.”

Nathalie Baracaldo, uma Cientista Sênior de Pesquisa de Segurança em IA da IBM, enfatizou a importância desse desenvolvimento: "A principal diferença está relacionada à forma como podemos saber como o modelo chegou a uma decisão. Temos explicações sobre o que o agente fez que são muito úteis para entender por que algo aconteceu."

Esse nível de transparência pode ter implicações de longo alcance em vários setores. No desenvolvimento de software, por exemplo, os modelos estão apresentando habilidades de codificação aprimoradas com menos erros. Hay observou: “Eles estão programando melhor e alucinando menos”, referindo-se a instâncias em que a IA produz informações plausíveis, mas incorretas.

Os novos modelos também incorporam o aprendizado por reforço em seu processo de treinamento. Hay explicou: “Eles também mudaram a forma como são treinados nos modelos de base. Eles falam sobre como estão usando o aprendizado por reforço... para ensinar e treinar esses modelos."

O uso mais eficaz desses modelos de IA provavelmente envolverá uma parceria entre a experiência humana e os recursos. “O humano sempre terá que fornecer input, concordar com o planejamento e Verify essas coisas”, disse Hay.

Hay alertou contra superestimar as capacidades dos modelos: "Eu acho que você pode obter ótimos resultados. Acho que quando as pessoas ouvem as palavras AGI, elas estão pensando nessa grande cabeça pulsátil nas nuvens... Na verdade, se eu pensar sobre isso, os modelos, como eles são, com sua próxima previsão de token e bons dados de treinamento e planejamento, etc., eles fazem um trabalho muito bom— melhor do que os humanos em muitas tarefas.”

O desenvolvimento desses modelos levanta questões sobre a natureza da inteligência artificial e sua comparação com a cognição humana. Os novos modelos demonstraram uma proeza notável em determinadas áreas, superando humanos em testes padronizados, como o exame da barra e o SATs. No entanto, eles ainda têm dificuldades com tarefas que a maioria dos humanos considera intuitivas.

Hay destacou que os modelos podem ter dificuldades com tarefas que os humanos acham simples: "O modelo se destaca em tarefas específicas e individuais. No entanto, atualmente tem dificuldade em distinguir entre diferentes partes de uma conversa. Isso gera confusão em sua capacidade de lidar com vários conceitos simultaneamente. O modelo enfatiza demais o contexto, muitas vezes considerando muitas informações irrelevantes ao processar solicitações."

Baracaldo acrescentou uma nota de cautela: “Mesmo que esse modelo seja superimpressionante, às vezes ele comete erros. E, se você ler o relatório técnico, às vezes ele cria soluções que um especialista real, um ser humano, vai pensar que não são viáveis, mas o modelo não conhece todas as suposições."

As implicações desses avanços vão além do setor de tecnologia. Na pesquisa e no meio acadêmico, podem acelerar o ritmo das descobertas, auxiliando em análises de dados complexos e geração de hipóteses. Em áreas como medicina e direito, elas podem servir como ferramentas para aumentar o conhecimento humano, levando a diagnósticos mais precisos ou análises jurídicas mais abrangentes.

Hay resumiu o valor prático dos novos modelos para as empresas: "Eles são programadores muito melhores do que antes."