Esta proposta traz uma abordagem mais iterativa e profunda, onde a IA passa a executar tarefas de forma mais autônoma, quase como um “pensador independente”. / Imagem: DALL-E/SC Inova
[04.11.2024]
Por Eduardo Barbosa, CEO da Brognoli Imóveis e um dos responsáveis pelo Conselho Mudando o Jogo (CMJ) em SC e RS. Escreve sobre inteligência artificial no ambiente corporativo na série “Diários de IA”.
Em uma de suas palestras de Andrew Ng, um dos maiores especialistas em Inteligência Artificial, discutiu-se um tema que pode revolucionar a maneira como usamos IA: os fluxos de trabalho agentivos.
Em vez de um modelo de interação onde a IA responde a uma pergunta de maneira direta e pontual, como estamos acostumados, a proposta de fluxos agentivos traz uma abordagem mais iterativa e profunda, onde a IA passa a executar tarefas de forma mais autônoma, quase como um “pensador independente”.
Esta mudança, apesar de parecer técnica, abre grandes oportunidades para empresas que buscam inovar e se destacar.
Abaixo, detalho os pontos principais dessa abordagem e explicar por que ela é importante para quem quer se manter na vanguarda da transformação digital.
O QUE SÃO FLUXOS DE TRABALHO NÃO-AGENTIVOS E AGENTIVOS?
- Fluxos de trabalho não-agentivos são aqueles onde a IA simplesmente responde ao pedido do usuário de uma vez só. É como pedir a alguém para escrever um ensaio e exigir que a pessoa digite tudo do começo ao fim, sem parar para revisar ou corrigir. Esse é o modelo tradicional, e ele funciona bem para tarefas simples, mas é limitado para tarefas mais complexas.
- Fluxos de trabalho agentivos, por outro lado, permitem que a IA trabalhe de maneira iterativa. A IA cria um rascunho, revisa, pesquisa informações adicionais se necessário, e ajusta continuamente até atingir um resultado refinado. Esse processo é mais parecido com o que nós, humanos, fazemos ao resolver um problema complexo.
A EFICÁCIA DOS FLUXOS AGENTIVOS
Uma das descobertas mais surpreendentes foi que, ao utilizar um fluxo de trabalho agentivo, um modelo de IA mais simples, como o GPT-3.5, superou até mesmo um modelo mais avançado, como o GPT-4, em alguns casos. Isso porque o modelo, ao ter várias oportunidades de revisar e corrigir suas respostas, alcança uma precisão que seria impossível em um fluxo não-agentivo.
Esse achado é importante para as empresas, pois mostra que não é sempre necessário investir nas soluções mais caras e avançadas para obter bons resultados com IA. Com uma abordagem agentiva, é possível extrair o máximo até mesmo de modelos mais simples, reduzindo custos e otimizando recursos.
OS QUATRO PADRÕES DE DESIGN PARA A IA AGENTIVA
Temos quatro padrões de design que tornam os fluxos agentivos mais eficazes. Esses padrões são como “boas práticas” para que a IA possa trabalhar de forma mais inteligente e eficiente. São eles:
- Reflexão: A IA analisa suas próprias respostas e identifica onde errou ou pode melhorar. Esse processo de autoavaliação permite que o modelo aprenda com suas respostas e se ajuste, aumentando a precisão.
- Uso de Ferramentas: A IA utiliza ferramentas externas, como navegadores para pesquisa, geradores de imagem, e calculadoras, para complementar seu trabalho. Isso amplia a capacidade de resposta e permite que a IA vá além do que sabe inicialmente.
- Planejamento: A IA é capaz de estabelecer etapas para resolver problemas complexos. Em vez de tentar responder de uma vez, ela divide a tarefa em várias partes, trabalhando com uma estrutura que facilita alcançar o objetivo final.
- Colaboração Multi-Agente: Diversas IAs, cada uma com uma especialidade, trabalham em conjunto para resolver uma tarefa. Por exemplo, um “agente” pode escrever código, enquanto outro o revisa, como em uma equipe humana. Essa abordagem multiagente traz mais qualidade e confiabilidade aos resultados.
PRINCIPAIS DESAFIOS E VANTAGENS
Destaco que, para aproveitar ao máximo os fluxos agentivos, precisamos mudar nossa expectativa de tempo de resposta. Ao contrário das respostas instantâneas, comuns na interação com IA, fluxos agentivos podem demorar minutos, ou até horas, dependendo da complexidade da tarefa. Essa paciência é recompensada com uma resposta muito mais detalhada e precisa.
Outra vantagem é que, ao adotar esses fluxos de trabalho, empresas podem economizar recursos: modelos mais simples, operando com o raciocínio agentivo, podem competir com modelos de IA mais sofisticados.
OPORTUNIDADES PRÁTICAS PARA EMPREENDEDORES E EMPRESÁRIOS
Para empreendedores e líderes empresariais, a adoção dos fluxos de trabalho agentivos em IA é uma oportunidade de estar na vanguarda da inovação.
Aqui estão alguns passos práticos para começar a explorar essas possibilidades:
- Identifique tarefas complexas e repetitivas: Procure processos na sua empresa que exijam várias etapas ou revisões frequentes. Essas são as melhores candidatas para serem otimizadas com fluxos agentivos.
- Comece com modelos de IA mais simples: Não é necessário investir imediatamente nas tecnologias mais avançadas. Teste fluxos agentivos com modelos acessíveis e avalie os resultados. A economia de custo pode ser significativa.
- Treine a equipe para entender e implementar padrões agentivos: Familiarize sua equipe com os conceitos de reflexão, uso de ferramentas, planejamento e colaboração multi-agente. Esse conhecimento pode transformar a maneira como os colaboradores enxergam a IA, vendo-a como uma parceira estratégica e não apenas uma ferramenta.
- Invista em ferramentas de suporte: Algumas ferramentas externas, como navegadores integrados e APIs para processamento de imagens ou dados, podem complementar o trabalho da IA. Esses investimentos simples ampliam o escopo do que sua IA pode fazer.
- Tenha paciência com o tempo de resposta: O trabalho agentivo exige mais tempo para entregar o melhor resultado. Desenvolva uma nova mentalidade, aceitando que respostas de qualidade levam tempo e que a paciência traz resultados melhores.
A abordagem agentiva em IA representa uma mudança significativa na maneira como a tecnologia pode contribuir para os negócios. Empresas que se anteciparem e explorarem essa metodologia estarão melhor posicionadas para inovar e atender demandas complexas do mercado, construindo operações mais eficazes e sustentáveis.
Portanto, é hora de ir além do “básico” e considerar a IA como uma parceira ativa na solução de problemas e na criação de valor.
REFERÊNCIAS BIBLIOGRÁFICAS:
- Madaan, D., et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. [Artigo científico].
- Shinn, N., et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. [Artigo científico].
- Patil, D., et al. (2023). Gorilla: Large Language Model Connected with Massive APIs. [Artigo científico].
- Yang, X., et al. (2023). MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action. [Artigo científico].
- Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. [Artigo científico].
- Shen, Y., et al. (2023). HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face. [Artigo científico].
- Qian, Y., et al. (2023). Communicative Agents for Software Development. [Artigo científico].
- Wu, Z., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. [Artigo científico].
- Du, X., et al. (2023). Multiagent Debate for Improved Task Performance. [Artigo científico].
SIGA NOSSAS REDES