A GSK, gigante farmacêutica, está expandindo os limites do que a inteligência artificial generativa pode realizar em áreas como análise genômica, revisão de literatura científica e descoberta de medicamentos.
No entanto, um dos maiores desafios enfrentados por esta tecnologia é a ocorrência de alucinações, ou seja, quando os modelos de IA geram informações incorretas ou fabricadas. No setor de saúde, erros dessa magnitude podem ter consequências graves. Vamos explorar como a GSK está lidando com isso.
O problema das alucinações na saúde
Enquanto muitos esforços para reduzir alucinações se concentram durante o treinamento dos modelos de linguagem, a GSK foca na mitigação desses erros no momento da inferência, ou seja, quando os modelos já estão sendo aplicados. Essa abordagem inclui mecanismos como reflexão interna, amostragem com múltiplos modelos e avaliações iterativas de resultados.
De acordo com Kim Branson, VP sênior de IA e aprendizado de máquina na GSK, essas estratégias tornam os modelos mais confiáveis, permitindo que cientistas obtenham insights rápidos e acionáveis.
Saiba mais sobre o papel da automação e da IA na área da saúde em nosso artigo sobre automação inteligente.
Escalando recursos computacionais em tempo de inferência
O desempenho de modelos generativos pode ser significativamente melhorado ao aumentar os recursos computacionais no momento da inferência. Isso inclui operações complexas, como refinamento iterativo de saídas e agregação de múltiplos modelos. Essas técnicas são essenciais para reduzir alucinações e aumentar a precisão.
Branson destaca que o escalonamento dos recursos computacionais nesse estágio traz resultados mais rápidos, precisos e confiáveis. Além disso, essa abordagem é uma tendência crescente, não apenas na saúde, mas em diversos setores.
Estratégias para redução de alucinações
Reflexão interna e revisão iterativa
Uma das estratégias principais da GSK é a reflexão interna, onde os modelos analisam suas próprias respostas, identificam falhas e fazem ajustes. Essa abordagem permite que os modelos entreguem resultados mais claros e detalhados. Por exemplo, uma ferramenta da GSK usada para busca em literatura científica avalia dados de repositórios internos e ajusta suas respostas para garantir consistência e qualidade.
Amostragem com múltiplos modelos
Outra estratégia envolve o uso de várias configurações de modelos para verificar as saídas. A comparação entre respostas de diferentes modelos ou configurações ajuda a confirmar as conclusões mais consistentes. Embora exija maior poder computacional, essa abordagem aumenta a confiabilidade, essencial em ambientes de saúde.
Quer entender mais sobre como a IA está transformando diferentes setores? Explore o futuro da IA com o Google Bard.
Desafios e próximos passos
Embora as técnicas avançadas de inferência tragam benefícios, elas também aumentam os custos e podem reduzir a velocidade dos processos. Ainda assim, a GSK acredita que esses investimentos são necessários para garantir maior confiança e funcionalidade. No futuro, a empresa planeja continuar aprimorando suas soluções baseadas em IA, focando em escalabilidade e precisão.
A abordagem da GSK serve de guia para outras organizações, demonstrando como equilibrar precisão, eficiência e escalabilidade, enquanto prepara terreno para novas descobertas e avanços em cuidados de saúde.