Modelos de LLM personalizados para cada empresa? DeepSeek mostra o caminho

Era uma vez, o chamado tecnológico era “celulares para todos” – e de fato, as comunicações móveis revolucionaram os negócios (e o mundo). Hoje, o equivalente a esse chamado é dar a todos acesso a aplicações de IA. Mas o verdadeiro poder da IA está em aproveitá-la para atender às necessidades específicas das empresas e organizações. O caminho trilhado pela startup chinesa DeepSeek demonstra como a IA pode ser aproveitada por todos, especialmente aqueles com orçamentos limitados, para atender às suas necessidades específicas. De fato, o advento de IA de baixo custo promete mudar o padrão profundamente arraigado de soluções de IA que muitas vezes permanecem fora do alcance de muitas pequenas empresas e organizações devido aos requisitos de custo.

Os LLMs são – ou eram – uma empreendimento caro, que exige acesso a grandes quantidades de dados, grande número de computadores poderosos para processar os dados e tempo e recursos investidos no treinamento do modelo. Mas essas regras estão mudando. Com um orçamento modesto, a DeepSeek desenvolveu seu próprio LLM e um aplicativo do tipo ChatGPT para consultas – com um investimento muito menor do que os de sistemas semelhantes construídos por empresas americanas e europeias. A abordagem da DeepSeek abre uma janela para o desenvolvimento de LLMs para organizações menores que não têm bilhões para gastar. De fato, o dia pode não estar longe em que a maioria das pequenas organizações possa desenvolver seus próprios LLMs para atender a seus próprios propósitos específicos, geralmente fornecendo uma solução mais eficaz do que LLMs gerais como o ChatGPT.

Enquanto debate permanece sobre o verdadeiro custo da DeepSeek, não é apenas o custo que a distingue e de modelos semelhantes: é o fato de que ela confiou em chips menos avançados e em uma abordagem mais focada para o treinamento. Como uma empresa chinesa sujeita a restrições de exportação dos EUA, a DeepSeek não pôde acessar os chips Nvidia avançados que são geralmente usados para o processamento pesado necessário para o desenvolvimento de LLMs e foi, portanto, forçada a usar chips Nvidia H-800 menos potentes (NVDA ), que não podem processar dados tão rapidamente ou com tanta eficiência.

Para compensar a falta de poder, a DeepSeek adotou uma abordagem diferente, mais focada e direta para o desenvolvimento de seu LLM. Em vez de jogar montanhas de dados em um modelo e confiar na força computacional para rotular e aplicar os dados, a DeepSeek reduziu o treinamento, utilizando uma pequena quantidade de dados de alta qualidade “inicial” e aplicando IRL (aprendizado de reforço iterativo, com o algoritmo aplicando dados a diferentes cenários e aprendendo com ele). Essa abordagem focada permite que o modelo aprenda mais rapidamente, com menos erros e menos desperdício de poder computacional.

Semelhante à forma como os pais podem guiar os movimentos específicos de um bebê, ajudando-o a rolar com sucesso pela primeira vez – em vez de deixar o bebê descobrir sozinho ou ensinar ao bebê uma variedade mais ampla de movimentos que poderia, em teoria, ajudar a rolar – os cientistas de dados que treinam esses modelos de IA mais focados concentram-se no que é mais necessário para certas tarefas e resultados. Tais modelos provavelmente não têm uma aplicação tão ampla quanto LLMs maiores, como o ChatGPT, mas podem ser confiáveis para aplicações específicas e realizá-las com precisão e eficiência. Até os críticos da DeepSeek admitem que sua abordagem de desenvolvimento mais direcionada aumentou significativamente a eficiência, permitindo que fizesse mais com muito menos.

Essa abordagem é sobre dar à IA as melhores entradas para que possa alcançar seus marcos da maneira mais inteligente e eficiente possível e pode ser valiosa para qualquer organização que queira desenvolver um LLM para suas necessidades e tarefas específicas. Essa abordagem é cada vez mais valiosa para pequenas empresas e organizações. O primeiro passo é começar com os dados certos. Por exemplo, uma empresa que deseja usar IA para ajudar suas equipes de vendas e marketing deve treinar seu modelo em um conjunto de dados cuidadosamente selecionado que se concentra em conversas de vendas, estratégias e métricas. Isso mantém o modelo longe de desperdiçar tempo e poder computacional com informações irrelevantes. Além disso, o treinamento precisa ser estruturado em estágios, garantindo que o modelo domine cada tarefa ou conceito antes de passar para o próximo.

Isso também tem paralelos no cultivo de um bebê, como eu mesmo aprendi desde que me tornei mãe há alguns meses. Em ambos os cenários, uma abordagem guiada, passo a passo, evita o desperdício de recursos e reduz a fricção. Finalmente, essa abordagem com bebês humanos e modelos de IA resulta em melhoria iterativa. À medida que o bebê cresce ou o modelo aprende mais, suas habilidades melhoram. Isso significa que os modelos podem ser aprimorados e melhorados para lidar melhor com situações do mundo real.

Essa abordagem mantém os custos baixos, evitando que os projetos de IA se tornem um desperdício de recursos, tornando-os mais acessíveis a equipes e organizações menores. Também leva a um melhor desempenho dos modelos de IA mais rapidamente; e, porque os modelos não estão sobrecarregados com dados extras, também podem ser ajustados para se adaptar a novas informações e necessidades de negócios em constante mudança – chave em mercados competitivos.

A chegada da DeepSeek e do mundo de IA mais eficiente e de baixo custo – embora tenha inicialmente espalhado pânico pelo mundo da IA e mercados de ações – é, no geral, um desenvolvimento positivo para o setor de IA. A maior eficiência e os menores custos da IA, pelo menos para certas aplicações focadas, resultarão, em última análise, em um uso mais amplo da IA em geral, o que impulsiona o crescimento para todos, desde desenvolvedores até fabricantes de chips e usuários finais. De fato, a DeepSeek ilustra a Paradoxo de Jevons – onde uma maior eficiência provavelmente resultará em um uso maior de um recurso, não menos. À medida que essa tendência parece continuar, as pequenas empresas que se concentram em usar IA para atender às suas necessidades específicas também estarão melhor posicionadas para o crescimento e o sucesso.