Localização e código aberto no desenvolvimento de agentes de IA mais capacitados

Um dos desdobramentos mais bem-sucedidos da inteligência artificial generativa, popularizada há alguns anos, é a criação dos agentes de IA. Essa ferramenta já é usada em diversos contextos e organizações, podendo atender a tarefas com níveis variados de complexidade, mas sempre sendo aprimorada para lidar com cenários cada vez mais complexos e específicos. 

Não demorará até que tenhamos cada um seu próprio copiloto pessoal, capaz de melhorar sua produtividade e tarefas cotidianas, não só melhorando os resultados profissionais, mas possivelmente auxiliando na gestão de questões mais pessoais, como organizações financeiras, por exemplo. 

Claro que esse é um cenário que evolui a cada dia, mas uma questão que não muda e que a essa altura já sabemos de cor, é que uma IA é tão boa quanto os dados que a alimentam. É por isso que é clara a necessidade de mais e mais dados a cada dia, e não apenas questões abrangentes, dados específicos que vão além até mesmo das tarefas a serem realizadas.  

Como um agente de IA costumeiramente irá se relacionar com um humano, seja na ponta da empresa ou no relacionamento com um consumidor final, a questão do entendimento da máquina sobre a realidade humana sempre será um ponto de atenção e relevância. Questões de linguagem, regionalismos, cultura e compreensão contextual e de expressões são pontos muito importantes dos treinamentos e dados que devem alimentar esses agentes. Ele precisa compreender profundamente, do contrário pode trazer resultados equivocados ou até alucinar. 

É por isso que um dos principais fatores envolvidos aqui é o da localização, que abrange não só traduções linguísticas, mas adaptações e entendimentos que vem de contextos mais profundos. Um bom exemplo disso são as dublagens de filmes no Brasil. Elas são elogiadas no mundo todo, porque não só traduzem uma palavra, elas imprimem significados e contextos que tornam uma piada regional, contextual, engraçadas em um país em que a piada original poderia nem fazer sentido. 

No caso dos agentes de IA, por melhor que seja, ele precisa de contextos que são complexos de transferir só com uma tradução. Na verdade, nem mesmo a tradução é 100% exata. Em diversas línguas há palavras com significados que se perdem quando há uma tradução, pois o contexto é específico demais, e isso precisa ser levado em conta quando o usuário estiver dialogando com uma IA que pode ou não compreender o que ele realmente quer e precisa. 

Leia também: Potencial aproveitado: América Latina entrou com tudo na era da IA

Um exemplo um tanto curioso que encontrei em uma busca rápida usando IA foi a da tentativa de traduzir a palavra “gambiarra”. Se você é nativo de português do Brasil, você entende a palavra, o conceito e toda a história por trás de usá-la. Em inglês, temos diversas opções que explicam a palavra sem realmente traduzirem exatamente o que ela quer dizer para um nativo brasileiro. Temos o quick fix, o hack, o workaround e até a maravilhosa expressão “to MacGyver something”. E apesar de as traduções explicarem a expressão, muitas delas ainda são bem específicas, como usar “hack” em um contexto mais tecnológico, ou quick fix, para uma atividade mais doméstica.  

Para o brasileiro, uma gambiarra pode estar atrelada a qualquer contexto, de um reparo em casa até usar uma saída improvisada para solucionar um problema em uma tabela do Excel quando se desconhece uma fórmula adequada. 

Agora transfira a questão da tradução para um contexto mais amplo, envolvendo um costume regional, como as festas do Bois Caprichoso e Garantido, em Parintins, no Amazonas. Um agente de IA que atue auxiliando vendas em tempos do Festival Folclórico de Parintins, por exemplo, ofereceria uma oferta de uma camiseta azul a um fã do boi Garantido ou do boi Caprichoso? Qual seria uma oferta bem aceita e qual seria considerada um insulto ou simplesmente uma promoção fracassada? 

No caso de agentes de IA, onde é preciso ser específico, ter dados que ensinem essas nuances é algo muito valioso. Lembre-se, no final de contas, a IA vai interagir com pessoas. As palavras, expressões, movimentos e até os silêncios podem ter significados variados em locais diferentes. O agente de IA precisa conhecer seu público à fundo. 

Construir agentes de IA mais complexos e melhores é uma necessidade e já é uma realidade. Apesar de termos agentes populares e de uso em grande escala, muitas empresas já estão caminhando para o desenvolvimento personalizado. Isso, em grande parte, se deve a termos ferramentas adequadas para criar essas IAs, em termos de hardware e software, e de termos comunidades de desenvolvedores atuando em conjunto para conquistar resultados melhores. Desenvolver em código aberto, por exemplo, é um dos fatores mais importantes para alcançar novos patamares de agentes de IA. 

Os casos de sucesso de agentes nativos de línguas específicas já estão se tornando a base, o mainstream. A proposta agora é a da localização e regionalização de agentes cada vez mais “nativos”, capazes de compreender questões que para os humanos são simples, mas ainda são complexas de serem ensinadas às máquinas. Precisamos de agentes que reflitam as realidades de cada local, e não nos contentar com o que vem de fora da nossa realidade. Podemos fazer mais e já temos ferramentas para tal.  

As IAs que incorporam contextos específicos de suas tarefas e público tendem a ser mais eficientes e relevantes. Além disso, vale destacar que o fortalecimento de capacidades locai, seja em dados, desenvolvimento ou infraestrutura pode representar uma vantagem competitiva importante no cenário global, especialmente na gestão de informações sensíveis. 

Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!